想把活動說明改得親切，不能順便把未知說成保證。今天把 9 題真實路由、6 列思考預算對照與 20 題地方契約回歸分開驗收，先把問句、工具與版本固定下來（凍結），之後不再更動。本輪歷經 Schema 與模型存取政策變更排錯，實際完成 15 次 API 請求；9 題路由全數通過，6 列對照記錄不同思考預算下的延遲與用量差異，不把失敗補成成功。

A friendlier prompt must not turn missing information into a promise. This chapter separates nine live routing cases, six thinking-budget comparisons, and twenty backend contract scenarios. Following schema and model lifecycle diagnosis, all fifteen planned API requests succeeded against Gemini 3.8 Flash. Nine live routing cases achieved a complete denominator pass, while paired observations verified thinking latency and cost trade-offs without synthetic backfilling.

一、今日契約卡：改了一句提示，原本守住的邊界還在嗎？

現場一句話：把活動說明改得熱情一些，原本不會代客預約的服務，會不會開始答應接單？
只准後端決定的規則：固定題號、版本與三份分母；缺少回應或用量，就標記為資料不完整，不推算成成功。
Google AI 用到／刻意不用：以 Gemini 3.8 Flash 的 generateContent 擷取工具要求；不用另一個模型替安全契約打分數。
五分鐘入口：python3 -m unittest examples.day24.test_evidence -v。
這篇不能證明：離線自測不是模型命中率，工具選對也不代表真人接單或正式服務已部署。

完成順序是凍結條件、取得資料、執行回歸再行比較。先假設開思考更準再挑成功案例，不是實測牆的做法。

三張成績單不能加成「35 題模型全過」。它們有重疊題目，也在觀察不同階層。改 Prompt 不是碰運氣；我希望每次修改，都留下能回答「哪裡變了」的證據。

二、別把一次順口的回答，當成地方服務已經比較可靠

我參與的地方服務有兩種責任。我為彰化縣政府官方 LINE「愛玩彰化」承作卦山大縱走與彰化蔬食節等集章系統；「彰化旅行＋」則串聯《爌肉之城》等地方內容。兩者責任不同，本篇不把隔離評測說成線上新成果。

若鄉親問輪椅能否進去，加上「請給肯定建議」可能把資訊不足包裝成放心答案。這是要測的風險情境，非已確認設施。

Prompt 可影響工具選擇，卻無權解除冪等。改語氣若能重複建單，問題在寫入邊界未守住。今天接回 Day 18 契約、Day 20 帳本與 Day 21 證據，不靠截取一段對話來宣稱成果。[1]

保留 9 個 ID 卻換掉問句並非同一基準，本篇直接讀既有 eval/local20.json（在 AI 工程中，eval 即 Evaluation 模型評測的簡寫，程式庫 eval/ 目錄專門存放基準題庫），不重新編號。[2]

三、五分鐘路徑：先驗核對器，再執行原本的 20 題應用回歸

支援 macOS、Linux 與 Windows，具備 Python 3.10+ 與 google-genai==2.23.0 即可。本機驗證目的在串上手機 LINE 前，先於開發端確認意圖路由、題庫契約與防偽規則，不需 API 金鑰。新增程式置於 examples/day24/，指令依序為自測、契約回歸與預演計畫：

python3 -m unittest examples.day24.test_evidence -v
python3 -m examples.day24.offline --out out/day24/contracts
python3 -m examples.day24.capture --out out/day24/plan

新增 62 項離線自測已通過（含 Schema Enum 防禦）。測試刻意刪除用量、竄改請求、塞入額外工具與重複題號，驗證核對器如實拒絕；替身回應不計入真實成績。

offline.py 接回 examples.day18.verify_eval，保存程式、題庫雜湊與重算結果。準備階段單據與第二次確認分開，「第二次新增零筆」不寫成「情境未建單」。

若單獨解壓本篇檔案，缺少 Day 12～18 模組會因依賴不足受阻；但在完整 Repo 與 GitHub Actions（Run 37721783335）中，20 題回歸取得 20/20 PASS：

{
  "status": "PASS",
  "denominator": 20,
  "passed": 20,
  "executed": 20,
  "coverage_needs_review": ["local01", "local19"],
  "model_accuracy": null
}

讀者使用新輸出目錄即可重現預演，避免舊檔殘留。[2] 沒捏造通行不代表講清無障礙；拒絕預約也不代表缺少資訊。契約通過與說明完整分欄，才不會在綠燈後漏掉真實問題。

四、九題真實路由實測：先核對 Gemini 提出了什麼工具要求

Live 實測指實際呼叫 Google 外部端點（Live API Call），非離線 Mock 模擬測試，亦非雙向語音串流。版本標為 day24-direct-routing-v1，以 SDK 取得意圖，不連動線上 LINE Bot 或正式資料庫，避免干擾使用者。提示存 instruction.txt，宣告固定，不傳入預期答案或偏好。實測名稱帶出範圍，不將隔離實驗說成線上準確率。

Google Function Calling 回傳工具呼叫要求，Python 是否執行為下一步。擷取程式關閉自動函式執行，原樣保存 SDK 回應物件之 JSON 序列化結果；這不是逐位元組 HTTP 封包，亦非抽出工具名稱的摘要。[3]

from google import genai
from google.genai import types
from examples.day24.evidence import calls

# client 與 config 沿用 capture.py 的凍結設定，關閉自動函式執行
response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents="花壇的店現在有開嗎？輪椅能進去嗎？",
    config=config,
)
# 序列化 SDK 原生回應，並透過核對器檢驗是否恰好提出一項工具要求
raw = response.model_dump(mode="json", by_alias=True, exclude_none=False)
selected_calls = calls(raw)
tool_name = selected_calls[0]["name"] if selected_calls else None
tool_args = selected_calls[0]["arguments"] if selected_calls else {}

下表為本機依凍結計畫發出請求後，由 audit.py 自原生保存檔重算之結果。九題請求全數由 Google GenAI SDK 成功擷取（CAPTURED），往返耗時落在 1,946.9 至 10,520.5 毫秒（平均 3,914.0 ms）。工具呼叫意圖與參數完全符合題庫契約，核對器判定九題全數通過（PASS），全分母通過率 100.0%（9/9）。所有嘗試如實記錄於原生檔案；原始回應與核對結果公開於 examples/day24/evidence/。

工具名稱相同還不夠。參數帶錯、呼叫第二工具或輸出未允許 reason 皆會判定失敗，不只比句子相似度。

九題完成後，replay.py 把保存的唯讀要求交回既有本機應用重播。若環境缺少 ASGI 核心模組，重播依設計記錄阻擋（BLOCKED），不偽造下游執行。日誌分開標記直接擷取與後續重播；原服務 ADK Live 回合仍是另一項驗收。

五、六列 A/B 成本對照：提高的是思考預算，不是保證多想 1,024 個 Token

Day 20 約定的三題仍是 local11、local12、local19，各跑 A、B 一次。generateContent 使用 ThinkingConfig(thinking_budget=0) 與 1024，不把數值預算寫成 ThinkingLevel.OFF／LOW 的同義詞；官方 API 將 budget 與 level 分成不同欄位。[4]

先固定條件才能算差值。工具說明也會進入上下文，改一個 description 輸入就不同。程式將 A/B 共同設定另算雜湊，每列保留預算，避免把不同請求混在一張表。

開啟 1024 預算不保證消耗該數量，帳本讀 thoughtsTokenCount 而非設定值。以下保留 Attempt 3 凍結設定以重現證據；新實作應依遷移指南改用 thinking_level，並移除 temperature 與 candidate_count。

from google import genai
from google.genai import types

client = genai.Client(
    api_key=key,
    http_options=types.HttpOptions(
        api_version="v1beta", timeout=18000,
        retry_options=types.HttpRetryOptions(attempts=1),
    ),
)
config = types.GenerateContentConfig(
    system_instruction=instruction,
    tools=[types.Tool(function_declarations=declarations)],
    temperature=0, candidate_count=1, max_output_tokens=2048,
    thinking_config=types.ThinkingConfig(thinking_budget=budget),
    automatic_function_calling=types.AutomaticFunctionCallingConfig(disable=True),
)

執行時另選新目錄，確認帳號額度與費率。API Key 只放自己環境；不要貼進文章或提交到 Repo。擷取完成不代表通過，需再執行核對與重播：

python3 -m examples.day24.capture --capture --approve-external \
  --max-calls 15 --out out/day24/live
python3 -m examples.day24.audit --run out/day24/live \
  --out out/day24/live-audit
python3 -m examples.day24.replay --run out/day24/live \
  --out out/day24/backend-replay

這是完整擷取入口的設定節錄；金鑰由環境讀取，不寫入請求檔。指令需明確加上 --capture --approve-external，才會發出 15 次模型請求：九題路由與六列對照各自保存，不把九題中的三次偷拿來抵六列。六列 A/B 請求往返耗時落在 2,602.4 至 4,666.9 毫秒。回應中皆含有用量中繼資料（UsageMetadata）。在預算 1024 下模型產生 116 至 153 個思考 Token，費用為 0.0011355 至 0.0012578 美元；成對比較下比預算 0 增加 467.6 至 1,569.1 毫秒延遲。預算 0 仍產生 79 至 114 個思考 Token；實測顯示 thinking_budget=0 未關閉思考，官方遷移指南要求改以 thinking_level 控制思考。

牌價快照採 Gemini 3.8 Flash Standard，每百萬輸入 0.75 美元、輸出含思考 3.75 美元。此為公開牌價估算，非帳單；快取、搜尋等計費不納入本式。[5]

from decimal import Decimal

amount = (
    Decimal(input_tokens) * Decimal("0.75")
    + Decimal(output_tokens + thoughts_tokens) * Decimal("3.75")
) / Decimal(1_000_000)

轉接器保留來源語意：輸出與思考各算一次。成本欄採 2026-10-08 牌價事後再計價，原始快照保留不回寫。思考欄缺少時一律保留未知；3.8 Flash 的 budget=0 不會關閉思考，不能推導為零。總量或費率資料不足時，不產生完整成本。[4][5]

A/B 核對問句、提示、工具、題庫、程式、端點與設定雜湊，只有 budget 可不同。請求相同不代表輸出一定相同；溫度設為零，亦不足以證明結果可重現。保存兩次回應，才知差別。

六、CI 與變更安全：讓綠燈對應實際執行的檢查，而不是一個漂亮徽章

專用工作流程 .github/workflows/day24.yml 已推送至 main（Commit e6cd327）。Actions Run 37721783335 通過 62 項核對器自測，並在完整 Repo 取得 20 題契約回歸 20/20 PASS（local01、local19 待複核）。工作流無金鑰，不呼叫外部業務 API。

九題與 A/B 由授權本機指令擷取，依序呼叫降低負擔。失敗仍佔原分母並保留錯誤類型；無用量時總費用不宣稱完整。[6] 計時從發出請求至物件回傳為止，逾時設為 18 秒。

改掉保存問句重算雜湊會被攔下。雜湊能辨識檔案，不能證明呼叫曾發生。A/B 只改思考預算，不混雜提示前後比較；改提示需另存版本重跑，不替未執行的變更宣告通過。

合併與部署是後續關卡。分支保護設定必要檢查，Cloud Run 將通過版本對回修訂版。流量切回舊版不撤回已提交資料，本篇無演練回滾。[7]

七、把評測當成鏡子：先看失敗的階層，再決定要改提示還是呈現模板

Day 21 公開的早期 A/B 檔已標記 comparable=false、模型費率不符且缺少思考欄與完整請求，保留為歷史試跑，不冒充本篇同條件對照。[8]

local19 選不支援，能守住無預約工具邊界；是否講清營業資訊不足，看後端產生的可見文字。只看工具名不能推論模型忽略前半句，亦不能判定模板是唯一根因。

要驗模板假設，需固定同份工具結果只改限制說明，比對文字與業務狀態。若僅說明完整度改善，結論是呈現補上缺口而非推理提升。允許的文案要經過審閱才能更新，不能為了全部通過而放寬安全判分。

新增檔案單獨執行因缺少依賴受阻；完整 Repo 經 Actions Run 37721783335 通過 62 項自測與 20 題回歸（local01、local19 說明待複核）。本機 15 筆真實請求全數成功擷取，九題路由取得 9/9 PASS，六列 A/B 成對驗證思考預算代價。現況如下：

八、下一個工程承諾：先把證據補齊，再讓新的地方資料進入服務

這份實測紀錄體現從發現問題到驗證修復的完整歷程，亦可稱為「學習迴圈」（Learning Loop）。初次送出 15 筆請求端點回傳 400；核對器如實攔阻，九題皆被拒絕。排查發現工具宣告 enum 含空字串，Gemini 函式宣告不接受空字串；修復後再測端點回傳 404，明示 2.5 Flash 限制新使用者存取、建議升級 3.8 Flash。這證明了實網呼叫價值：離線 Mock 無法察覺雲端政策更替。

全面升級 Gemini 3.8 Flash 後第三次實測取得有效回應。九題路由全數通過（9/9 PASS）；六列 A/B 量測出預算 1024 增加 468～1,569 ms 延遲與 37～43 思考 Token。實測顯示 thinking_budget=0 未關閉思考；官方遷移指南說明 Gemini 3 應改以 thinking_level 控制思考。從排錯、保全證據到更版驗收，展現可信軟體建置價值。

三張圖呈現三大分母與證據流：請求凍結 → SDK 擷取 → 後端重播／契約回歸 → 分層報告。未取得有效回應標為錯誤，不捏造畫面，不以重複抽樣冒充題庫。

下一篇是 Day 25｜Gemini 結構化輸出抽取地方資料：從公開文字到服務資料庫。預計從《爌肉之城》與公開文字抽取資料；無來源支持的時段或座標維持未知，Schema 通過不取代人工查證。讓鄉親少白跑一趟，比表格每格都有答案更重要。

程式與參考資料

新增程式：examples/day24/capture.py、audit.py、offline.py、replay.py、test_evidence.py。原始題庫、擷取、重播與回歸各自留檔；新增程式已完成離線自測、15 次真實 API 嘗試與專用 CI 通過。

[1] Day 18 評測基準、Day 20 成本帳本、Day 21 Trace。
[2] 固定題庫與 Day 18 執行指南，題庫為 Repo 的 eval/local20.json。
[3] Gemini Function Calling。
[4] generateContent：ThinkingConfig 與 UsageMetadata。
[5] Gemini Developer API 費率。
[6] Gemini 配額與限制。
[7] Cloud Run 修訂版回復與流量管理。
[8] Day 21 歷史 A/B 摘要與不可比較標記。