agnet ai 學習紀錄
2026-03-16，我開始正式踏出建立自己 AI 系統的第一步。今天的目標很單純，就是在本機成功呼叫 OpenAI API，讓 AI 能在 PowerShell 環境中被執行。整體流程是先在 Windows 的 PowerShell 環境中準備 Python（約 3.11 版本），接著安裝 OpenAI 的 Python 套件（pip install openai），並在系統環境變數中設定 OPENAI_API_KEY。完成環境準備後，我建立了一個簡單的 Python 腳本，透過 OpenAI 的 client 呼叫模型並傳入一段文字輸入，成功取得 AI 回覆並在終端機中輸出。這一步的技術本質其實很清楚：PowerShell 負責執行 Python 腳本，Python 透過 API 與 OpenAI 的模型溝通，然後將回應回傳到本機顯示。雖然結構非常簡單，但這代表我已經建立了最基本的 AI CLI（Command Line Interface）工具雛形，也就是「本機程式 → API → AI回應」的完整運作流程。這一步的意義在於理解 AI 並不是一個神秘系統，而是一個可以透過 API 呼叫的服務，只要有程式就能整合進自己的工具或系統。完成這個基礎之後，下一步的學習計畫是讓 AI 能自動抓取新聞資料，透過 Python 從網路取得資訊，再交給 AI 進行整理與分析，逐步建立一個可以自動生成 AI 產業快報的系統。這將會是我打造個人 AI Agent 的第二步。
2026-03-17，我把自己的 AI 學習進度推進到第二步：讓電腦先到 Google 抓取十則新聞，再把這些新聞內容交給 OpenAI API 整理成一份研究報告。這一步的意義，已經不只是單純呼叫模型，而是開始建立一條基本的資訊處理流程，也就是「外部資料取得 → 資料整理 → AI分析輸出」的雛形。技術結構上，電腦先透過程式從網路搜尋並取得新聞資料，接著把多則新聞的標題、摘要或內文整理成可讀取的文字內容，再送進 OpenAI API，最後由模型進行重點整理、歸納主題，並輸出成一份研究報告。這代表我已經從第一步的「AI對話呼叫」進入第二步的「AI結合外部資訊處理」，也就是讓 AI 不再只是回答我輸入的內容，而是開始能處理它自己抓回來的資料。這一步很重要，因為未來無論是做 AI 快報、投資分析、產業研究，甚至更進一步做 AI Agent，核心都會建立在這種流程上。不過這一步也開始碰到新的技術問題，例如 Google 搜尋資料能不能穩定抓取、新聞內容格式怎麼清洗、十則新聞怎麼避免重複、以及 prompt 要怎麼設計，才不會讓 AI 只是在做表面摘要，而是真的整理成可用的研究報告。簡單講，今天我已經不是在「玩 AI」，而是在開始搭建一個最初階的 AI 資訊分析系統。
2026-03-18，今天的學習進度進入更關鍵的一步：我開始使用 JSON 結構化資料，讓電腦不只是抓當下的新聞，而是能夠保留並比較最近七天的新聞趨勢。這一步比前面更難，因為問題已經不再只是「抓資料」或「丟給 AI 整理」，而是要先把資料設計成一個能夠被程式長期保存、讀取、更新、比對的結構。JSON 在這裡的角色，等於是我替這個 AI 新聞系統建立一個簡易記憶格式，讓每天抓回來的新聞都能按照固定欄位放進去，例如日期、新聞來源、標題、摘要、主題分類、關鍵字、重要性、以及 AI 對該則新聞的判斷。當資料只有一天時還不難，但一拉長到七天，就必須開始重視整個骨架怎麼擺，否則後面在 Python 裡讀取、迴圈處理、條件篩選、更新舊資料時就會變得很混亂。這一步讓我更明顯感受到，AI 系統的難點常常不只是模型本身，而是資料結構與程式邏輯的設計。換句話說，我現在正在學的不只是「叫 AI 工作」，而是「怎麼替 AI 搭一個能長期運作的資料骨架」。因此這一步的重點記錄，不只是功能完成，而是要記住整體結構應該如何分層擺放：最外層先用日期作為時間索引，每一天底下再放當日新聞清單，每則新聞再拆成固定欄位內容，最後再加上一層能夠彙總七天趨勢的分析區塊。未來如果要重新打造，我要提醒自己，先把 JSON 的整體架構想清楚，再開始寫 Python 的資料擺放與讀取方式，否則資料一複雜，程式就會像失控的電線一樣纏在一起，看起來很努力，其實很容易短路。
留言
張貼留言