# **單元目標**
這個單元的最終目標是要為我們團隊的防災App做一個AI問答助理的功能，這個功能可以幫忙用戶解決關於天氣的疑難雜症，主要涵蓋範圍有：實時天氣回報、未來天氣預測回報、災害風險評估、以及家人位置的天氣狀況等等，其中有幾項是要配合其他功能進行。

接下來的流程我會秉持"先完成再優化”的原則，先讓程式可以成功解決小問題，再讓可解決的涵蓋範圍擴大，進而完成一整個功能。
# **資料前處理**
由於這個功能會用到非常多關於天氣狀況的資料，所以我選擇用中央氣象局的開放資料API，除了公信力強，還有資料全面的優點。我們可以從這個地方得到很多種類的數據，光是天氣預報的時間區間就有半天、一天和一天半，甚至有一周的選項，同時這些資料中還有包含最高最低溫和濕度等等的數據。

這個階段我想先做簡單的資料前處理，我只擷取了36小時天氣預報資料中的地區和最高溫兩項數據，這份資料會拿來用在接下來的語言模型測試。

首先進行資料前處理：

import requests
import pandas as pd

load_dotenv('/content/.env')
CWB_API_KEY = os.getenv("CWB_API_KEY")

url = f"https://opendata.cwa.gov.tw/api/v1/rest/datastore/F-C0032-001?Authorization={API_KEY}&format=JSON"

response=requests.get(url)

if response.status_code == 200:
  data=response.json()
  print("data get!")
else:
  print("no data.")

records=data["records"]["location"] #get the block from .json

#transfer the data into a table
weather_list=[]
for loc in records:
    locationName = loc["locationName"]
    for element in loc["weatherElement"]:
      if element["elementName"]=="MaxT":
        maxT = element["time"][0]["parameter"]["parameterName"]
        weather_list.append({
            "縣市": locationName,
            "最大溫度": maxT
        })


#turn the list into the dataframe
df_weather = pd.DataFrame(weather_list)
df_weather.head(10)

我們整理出來的資料長這樣：

嘉義縣：最高溫 33°C
新北市：最高溫 33°C
嘉義市：最高溫 34°C
新竹縣：最高溫 35°C
新竹市：最高溫 35°C
臺北市：最高溫 33°C
臺南市：最高溫 32°C
宜蘭縣：最高溫 32°C
苗栗縣：最高溫 35°C
雲林縣：最高溫 33°C
花蓮縣：最高溫 31°C
臺中市：最高溫 33°C
臺東縣：最高溫 32°C
桃園市：最高溫 33°C
南投縣：最高溫 33°C
高雄市：最高溫 32°C
金門縣：最高溫 33°C
屏東縣：最高溫 33°C
基隆市：最高溫 31°C
澎湖縣：最高溫 31°C
彰化縣：最高溫 33°C
連江縣：最高溫 31°C

# **語言模型測試**
接下來將處理好的資料當作prompt餵給語言模型，我選擇用Ollama的API，模型是phi3-mini，因為我電腦容量不夠，phi3-mini算是俗擱大碗的語言模型，之後拿到學校資源再來測試openAI的表現如何。

以下是簡單的測試碼，我請phi3-mini依照地區最高溫分析一下台北市的天氣：

import requests
import json

def ask_ollama(prompt):
    url = "http://localhost:11434/api/generate"
    payload = {
        "model": "phi3:mini",
        "prompt": prompt
    }

    try:
        response = requests.post(url, json=payload, stream=True)
        response.raise_for_status()

        print("🤖 Phi-3 Mini 回覆：\n")
        for line in response.iter_lines():
            if line:
                data = json.loads(line)
                print(data.get("response", ""), end="", flush=True)
        print("\n")

    except requests.exceptions.RequestException as e:
        print(f"❌ API 錯誤: {e}")

if __name__ == "__main__":
    ask_ollama("嘉義縣：最高溫 33°C 新北市：最高溫 33°C 嘉義市：最高溫 34°C 新竹縣：最高溫 35°C 新竹市：最高溫 35°C 臺北市：最高溫 33°C 臺南市：最高溫 32°C 宜蘭縣：最高溫 32°C 苗栗縣：最高溫 35°C 雲林縣：最高溫 33°C 花蓮縣：最高溫 31°C 臺中市：最高溫 33°C 臺東縣：最高溫 32°C 桃園市：最高溫 33°C 南投縣：最高溫 33°C 高雄市：最高溫 32°C 金門縣：最高溫 33°C 屏東縣：最高溫 33°C 基隆市：最高溫 31°C 澎湖縣：最高溫 31°C 彰化縣：最高溫 33°C 連江縣：最高溫 31°C 請根據氣溫分析一下台北的天氣。")

以下是模型的回覆：

🤖 Phi-3 Mini 回覆：

根據氣溫分析，在台北市的今天，最高溫度預計為33°C，並有可能變動到
32°C到34°C之間。夜間的溫度會下降到27°C到28°C之間。今天是早上時
期，還要注意到寒風可能出現。根據台北品牛裝满的運動場所，最高溫度可
能會有微小的提高，但宜保持中等温度當地選址。在台北市的海上地方，氣
溫可能會有些過分，需要注意紫色和金綠色的空物體辦公室，他們提供了比
較温和的環境。

可以發現語言模型的回覆內容有非常明顯的瑕疵，到後面甚至還有"42號混凝土"的既視感，最後已經毫無邏輯可言了，所以接下來要想辦法優化語言模型的表現。

# **問題點：prompt的內容**
經過網路爬文和GPT諮詢後，我發現問題出在prompt。我前面處理資料的方法是把每一個地區的天氣特徵抓出來，一次餵給語言模型，原本預期是造一個字典給模型，讓模型可以依照prompt尋找自己需要的數據，沒想到最後卻造成噪音過多，最後導致語言模型已讀亂回，花了一些時間研究我得出一個結論，給一個地區的全面資料，會勝過造一本字典給語言模型。所以接下來要針對prompt進行修改，我在想或許可以反向操作，讓語言模型先理解用戶給的prompt，再去做資料的查找。

接下來的優化方法：語義解析+RAG。