✏️【本日實作紀錄：專案完整總結與系統架構全景回顧】

從 Day 1 的發想與痛點分析開始，我們歷經了 30 天的技術迭代與架構演進，打造出一套專為高齡長者與照護者設計的 PrescriptionVLM 多模態 AI 藥單解析與關懷系統。

今天作為 30 天的最終完結篇，我們將對整套系統進行完整的架構回顧，盤點這 30 天來建立的關鍵技術，並為 PrescriptionVLM 的未來升級規劃方向。

一、PrescriptionVLM 系統全景架構回顧

回顧這 30 天的開發過程，PrescriptionVLM 從 MVP 原型逐步升級為具備高可用性、可觀測性與自動化維護能力的生產級服務。

系統整體採用了 三層容器化架構（Nginx + Gunicorn/Flask + Redis），並串接了多樣化的雲端與邊緣服務：

                                  [ 長輩 / 照護者 ]
                                          │
                                   LINE 應用程式
                                          │ (HTTPS / Webhook)
                                          ▼
                             ┌────────────────────┐
                             │   Nginx 反向代理    │ (SSL/TLS / 靜態快取 / Rate Limit)
                             └────────────┬───────┘
                                          │
                  ┌───────────────────────┼───────────────────────┐
                  ▼                       ▼                       ▼
          ┌──────────────┐        ┌──────────────┐        ┌──────────────┐
          │  Prometheus  │        │   Gunicorn   │        │   Grafana    │
          │   (指標採集)  │        │  (Flask App)  │        │  (監控 / 告警) │
          └──────────────┘        └───────┬──────┘        └──────────────┘
                                          │
             ┌────────────────────────────┼────────────────────────────┐
             ▼                            ▼                            ▼
   ┌──────────────────┐         ┌──────────────────┐         ┌──────────────────┐
   │ Redis Memory     │         │ Google Gemini    │         │ SQLite Database  │
   │ (SHA-256 快取)   │          │    (VLM 模型)    │         │   (歷史紀錄/備份)   │
   └──────────────────┘         └──────────────────┘         └──────────────────┘

二、30 天技術里程碑盤點

在這 30 天中，我們逐步建立了健全的後端與 AI 服務體系：

1. Core AI & LINE Integration (Day 1 - 15)：

   • 整合 Google Gemini 多模態 VLM 模型，實現藥袋影像的文字識別與結構化分析。
   • 串接 LINE Messaging API 與 Flex Message，輸出適合長輩閱讀的大字體、高對比無障礙卡片。

2. UI/UX & Defensive Engineering (Day 16 - 17)：

   • 實作長輩友善 UI/UX 設計與自動化語音摘要生成。
   • 導入 Pydantic v2 Schema 校驗 與 Mypy 靜態型別檢查，建立後端資料輸入防禦。

3. Observability & Security (Day 18 - 20)：

   • 導入 X-Request-ID 全域 Trace ID 與結構化 JSON 日誌，提升線上記錄定位效率。
   • 實作 Redis SHA-256 圖片雜湊快取，將重複藥單的解析時間從 3 秒降至 10ms，並掛載 Flask-Limiter 限流防衛。
   • 導入 SQLite Online Backup API、Fernet 加密與 restore_db.py 一鍵災難復原工具。

4. Production Architecture & CI/CD (Day 21 - 24)：

   • 採用 Docker 多階段建構，將容器映像檔體積縮減 60% 以上。
   • 建置 GitHub Actions CI/CD 流水線，自動化執行測試與 Docker 構建驗證。
   • 部署 Gunicorn 多進程 WSGI 與 Nginx 反向代理，並透過 Certbot 自動化部署 HTTPS。

5. Testing, Monitoring & Open Ecosystem (Day 25 - 29)：

   • 執行 Locust 負載壓力測試 與全系統 E2E 端到端流程驗證。
   • 導入 Prometheus + Grafana 視覺化監控，並整合 LINE Webhook 即時異常告警。
   • 加入 OpenCV 圖像清晰度前置防衛 與 Chain-of-Thought 提示詞工程。
   • 自動化生成 Flask-RESTX Swagger / OpenAPI 互動式文件。

三、專案效益與實際產出

透過這套架構，PrescriptionVLM 取得了工程與社會效益：

• 極致的回應速度：經由 Redis 圖片雜湊快取，長輩或照護者重複上傳相同藥袋時能獲得毫秒級的回應，同時節省了 Gemini API 費用。
• 高可用與安全性：全站 HTTPS 加密傳輸，搭配自動化備份與憑證續約，系統達到生產級標準。
• 長輩友善與無障礙：視覺化的 Flex Message 大字卡片配合語音摘要，實現了科技輔助長者用藥的目標。

四、未來升級與展望

雖然 30 天的挑戰告一段落，但 PrescriptionVLM 的旅程才剛開始。未來可擴充的方向包括：

1. 邊緣 AI 整合：嘗試將小型的多模態模型部署至邊緣端，降低對雲端 API 的依賴並提升離線可用性。
2. 多藥罐交叉比對：支援一次上傳多張藥袋照片，自動比對不同藥物之間是否存在重複用藥或相互作用風險。
3. 長照機構系統對接：透過 OpenAPI 規範，進一步與長照機構的系統對接，打造更完整的銀髮健康照護生態。

五、結語

感謝這 30 天來關注與閱讀這個系列的讀者與工程師夥伴！

從無到有建構一個結合 AI 模型、長者無障礙 UX 與現代後端雲端架構的專案，不僅是技術上的鍛鍊，更是對科技如何應用在照護領域的實踐。希望這個專案的架構與實作紀錄，能為想結合 AI 與醫療照護應用的開發者提供參考。

PrescriptionVLM 專案開發挑戰完成！我們下個專案再見！