鐵人檔案
本系列將分享如何打造零成本的 Angelina AI 金融分析代理人。內容涵蓋：
1) AI與記憶：整合 Gemini 2.5 Flash API、ChromaDB 向量庫(RAG)與 SQLite 對話記憶。
2) 工作流：實作每日股市分析、Telegram 推播及 Google Drive/Sheets 數據同步。
3) 基礎設施：以 RHEL 與 Rootless Podman 實現容器隔離，並以 Ansible 進行維運。
展示從架構設計到生產級 AI 應用的完整實踐。
「一個生產級的自建 AI Agent，除了需要強健的後端服務，還需要一個獨立、輕量且具備前後端雙重校驗（Double Validation）機制的數據驗證模組。...
「一個真正符合 Production Ready 標準的自建 AI Agent，除了具備完善的業務邏輯，更需要具備可視化的系統健康指標與自動化巡檢能力。」 在...
「在 RHEL 企業級 Linux 環境中，使用 Podman 進行無 Root (Rootless) 容器化，並透過 Systemd 實現開機自啟與服務自癒，...
「一個好的 AI Agent 專案，最難的往往不是寫出演算法，而是如何確保每次代碼更新都能以自動化、無縫且能以 Zero-Downtime 的方式部署至生產伺服...
「要讓 LLM 產出的金融分析報告具備高度專業性與邏輯一致性，不能寄望於單一 Prompt，而是要將分析流程拆解為具備強約束力的三階段資料管道（Stage 1-...
「要防止 LLM 在金融分析中產生 Hallucination 或輸出不方便讀的龐大數字，最佳實踐是在 Prompt 中注入硬性執行規則，並在送入模型前先進行程...
「在 AI 工程中，僅靠模型自律並不足以百分之百防堵 LLM 脫口說出不當用語或龐大數字。最穩健的生產級架構，是在程式碼層級與 Prompt 約束中加入硬性規則...
「在對接第三方 Bot API（如 Telegram）時，單純使用 Python 的 len(string) 計算字數是非常危險的。面對 Emoji、中英日混排...
「一個完整的生產級 AI Agent，不能只管把報告推播出去，更必須將每日產出的市場數據、AI 預判方向與推播狀態進行持久化追蹤，為後續的勝率統計與離線 Eva...
「從 AI Prototype 邁向 Production-Ready 的過程中，服務 Lifecycle 與資源邊界的治理至關重要。將 FastAPI 服務從...