一、 動機
在日常生活中，零碎的待辦事項與臨時安排經常讓人措手不及。雖然市面上有許多成熟的提醒與行事曆 App，但往往需要使用者停下手邊工作，打開特定應用程式、手動點選日期與時間欄位，繁瑣的步驟大幅降低了隨手記錄的意願。同時，許多市面上的 AI 聊天機器人多半停留在「一問一答」的被動階段，缺乏與現實生活排程的主動互動。

因此，我希望利用台灣普及率最高的通訊軟體 LINE 作為入口，打造一隻兼具溫暖陪伴與實用秘書功能的 AI 小精靈——「小霜」。使用者只需傳送一句隨意口語，例如「明天早上9點提醒我去郵局」或「半小時後叫我喝水」，AI 就能聽懂含義並在指定時間主動叮咚提醒，實現真正零負擔的生活助理。

二、 製作過程
為了避免從零搭建繁重的後端伺服器，本專案採用 n8n 自動化工作流引擎 作為中樞，串接 LINE Messaging API、Google Gemini 大語言模型 以及 Google Sheets。

入口解析與角色設定：透過 Webhook 接收 LINE 傳來的訊息事件，先過濾出純文字訊息，再將內容交由 AI Agent 處理。我們替小霜注入了清晰的 System Message，賦予她溫柔、聰明且具幽默感的說話風格。
工具調用（Function Calling）與雲端登記：當 AI 偵測到使用者的語句包含提醒意圖時，會動態結合當前台北時間，精確推算目標時間戳記，並調用外掛的 Google Sheets 工具，將使用者的 LINE ID、提醒時間與待辦內容結構化地記錄到雲端試算表。
主動推播（Push API）機制：LINE 預設的 Reply Token 有 60 秒的使用時限，無法延遲提醒。因此我們進一步串接 LINE Push Message API，讓系統能在排程時間抵達時，直接拿使用者的 User ID 主動推播訊息，達成真正的定時鬧鐘功能。

三、 遇到的困難及應對
在實作過程中，我踩過了幾次關鍵的技術坑洞，但也從中累積了寶貴的排查經驗。

問題一：AI 呼叫工具陷入死循環，延遲長達 6～8 分鐘。測試初期，小霜常常轉圈圈轉了數分鐘才回覆，導致 LINE 的回覆權限直接過期失效。
應對：深入檢視 n8n 的 Executions 執行日誌，發現模型在進行 Function Calling 時對工具用途理解發散，不斷嘗試重複運算。我將模型切換為輕量高頻的 gemini-3.5-flash-lite，並在 AI Agent 中將「最大迭代次數（Max Iterations）」強制限制為 3 步，成功將回應時間從近 8 分鐘大幅縮減至 3～5 秒的即時水準。

問題二：被動回覆與主動推播的架構矛盾。一開始誤以為能直接靠原生的 Webhook 回傳提醒，後來才理解 LINE 的架構分成了「使用者發話觸發的被動 Reply」與「系統自主發起的推播 Push」。
應對：重新梳理工作流架構，將「記錄事項」與「執行通知」的資料流解耦，改以使用者的專屬 ID 走 Push API 發起主動推播。
問題三：雲端排程輪詢帶來的額度危機。若使用排程每分鐘定期檢查試算表，單日就會產生 1,440 次執行紀錄，雲端免費的 1,000 次額度在一天內就會見底。
應對：透過評估事件睡眠喚醒機制（Wait 節點）與輪詢間隔調優，在即時性與執行次數之間取得最佳平衡，避免了無謂的系統開銷。

四、 心得
這次專案讓我跳脫了單純「跟模型聊天」的表層應用，真正跨入將 LLM 作為核心大腦、結合外部工具與 API 的系統整合實戰。從最開始遇到連線逾時、參數報錯的挫折，到學會打開執行日誌逐步追蹤封包、調校模型參數，最後親眼看到手機在兩分鐘後準確跳出「⏰ 叮咚！小霜提醒時間到囉！」，那一刻獲得的成就感無可比擬。這不僅是一次將生成式 AI 落地到日常生活痛點的完整驗證，更讓我紮實掌握了自動化管線與工程排查的核心思維。