Day 24 讓 n8n 自動把對話丟給 LLM，拿回一份結構化的分析結果：每一句使用者說的英文，都有原句、修正版、更自然的說法。技術上算是通了，但站在使用者的角度想一下：對話結束後，他看到的如果是一大包 JSON，那根本沒有任何意義。

今天要做的，就是把這份分析結果整理成真正能讀、能複習的「學習報告」，也就是 Day 1 專題一句話定義裡最後那個關鍵字：自動產生個人化學習報告。

先決定報告要長什麼樣子

動手之前，先回頭看最初專題計畫書裡規劃的報告內容：常犯文法錯誤、新單字、實用片語、不自然的表達與更自然的說法、本次對話重點、建議複習內容。

但今天重新思考了一個問題：這些項目，哪些是 AI 分析對話後就能直接給的，哪些需要額外處理？

整理之後分成兩類：

Day 24 的分析結果已經包含的：不自然的表達、修正後的句子、更自然的說法
需要額外歸納的：常犯的文法錯誤類型（要從多句錯誤中看出規律）、值得記起來的新單字與片語、建議複習什麼

後面這一類沒辦法靠逐句分析得到，因為它需要 AI「看完整場對話」之後做彙整判斷，這也代表今天的流程不能只是單純排版，要再多一次 LLM 呼叫。

流程設計：分兩階段，不要一次做完

今天在這裡花了最多時間思考，最後決定把報告生成拆成兩個階段，而不是塞進一個超長的 Prompt：

第一階段（Day 24 已完成）：逐句分析，產出每個句子的修正與自然說法

第二階段（今天新增）：拿第一階段的結果，再丟給 LLM 做歸納，整理出：

本次對話裡最常出現的 1 至 3 種文法問題類型
3 至 5 個值得學的單字
3 至 5 個實用片語或句型
一段簡短的本次對話重點與建議複習方向

這樣拆的理由跟 Day 12 想過的邏輯一樣——一個任務一個明確目標，LLM 遵循指令的穩定度會比同時塞好幾個任務高。如果把逐句分析和歸納整理塞在同一個 Prompt 裡，很容易兩邊都做得半吊子。

歸納用 Prompt 的設計重點

第二階段的 Prompt 也沿用前面累積的經驗，但有幾個針對性調整：

輸入內容是「分析結果」而不是「原始對話」：直接讓 AI 看已經整理好的修正清單，它歸納起來更精準，也省去重複分析一次的 token 成本
用數量限制避免輸出失控：Day 14 測試時發現 AI 有時候一口氣列出十幾個單字，使用者根本不可能全記住，所以明確規定數量上限，寧可少而精
文法問題要「歸類」而不是「列舉」：如果使用者三句話都在冠詞用錯，報告應該寫「冠詞使用」這一類問題，而不是列三條幾乎一樣的錯誤，這點直接對應專題計畫書範例報告裡的「Grammar：冠詞使用」寫法
輸出一樣要求結構化 JSON，後面才能套用固定的報告版型
排版：把 JSON 變成人看得懂的報告

拿到第二階段的 JSON 之後，再用 n8n 的節點把資料套進一個固定的報告版型。版型直接參考專題計畫書一開始就設計好的格式：

Vocabulary：今天學到的單字
Grammar：這次最需要注意的文法類型
Natural Expressions：實用的母語者表達
Your Sentence / More Natural：使用者自己說的一句話，對照更自然的版本

「Your Sentence → More Natural」這個對照特別重要，因為它是整份報告裡最有說服力的一塊——使用者能直接看到「我說的」跟「母語者會說的」之間的差距，比任何抽象的文法解釋都有感。今天決定從逐句分析結果裡，挑出差距最明顯的 1 到 2 句放在報告裡，不要全部列出來。

今天遇到的兩個狀況

狀況一：兩次 LLM 呼叫之間的資料格式對不上

第一階段輸出的 JSON 欄位名稱，跟第二階段 Prompt 預期收到的格式不完全一致，導致第二階段 AI 有時候讀不到某些內容。這個問題又讓我想到 Day 23 的心得：節點與節點之間的資料格式要先講好。今天花了一些時間把兩邊的欄位名稱對齊，並且在中間加一個轉換節點，確保格式固定。

狀況二：對話太短的時候，報告內容空洞

拿一段只有兩三句話的短對話測試，AI 為了湊滿「3 到 5 個單字」的數量要求，會硬生出一些跟對話無關的單字。這也是 Day 14 就發現過的類似現象。今天先在 Prompt 裡加上一條規則：「如果對話內容不足以歸納出這麼多項目，寧可少列，不要為了湊數量而編造」，效果有改善，但還不是百分之百穩定，先記下來待後續優化。