大型混雜檔案庫的 AI 分析法

這三問不是隨便列的，每一問都有設計邏輯：

範圍：選項來自「先掃一遍」的真實叢集

LLM 不會先問範圍，而是先 os.walk 快速看一遍頂層與次層資料夾的檔數分佈，等「真實的大塊」浮現（品管/設備/製程別…），再把這些叢集做成複選選項，並補上各製程（射出/壓模/CNC/沖床/鋁擠型/彎折/整平/水電鍍）。這樣選項才貼合使用者的資料，而不是 LLM 腦中的分類。允許複選，因為大資料庫的價值常跨多塊。

輸出格式：依「使用情境」對應

• HTML＝要瀏覽、給人看、大項小項折疊、差異並排的情境。
• Excel＝要篩選、排序、彙總、再加工數據的情境（尤其那份 15,651 列可篩選索引）。
• 兩者並行＝兼顧閱讀與數據操作。格式選擇＝先想「這份東西之後會被怎麼用」。

目的：用 Lesson-Learn 的三個透鏡

目的決定分析時抓什麼。三個透鏡各自會讓 Agent 在讀檔時聚焦不同訊號：

• 知識傳承抓：命名規則、術語、參數曲線、SOP、組織 know-how、交接缺口。
• 品質防再發抓：不良案例的「問題→根因→對策→成效」、發生 vs 流出雙軌、RPN 變化。
• 投資決策抓：報價、規格、方案比較、ROI、付款/交期條件、供應商評比。

使用者選「以上皆是」，所以每個 Agent 的產出都被要求同時標記三類 Lesson-Learn 標籤，最後可跨域彙整成三切口總綱。

領域不是預設的，是 P1 分類樹的自然叢集再按三條規則收斂：

• 規則一：跟著資料的大塊走。品管相關佔最大宗，其下 ISO / FMEA / 標準書 / 圖檔(不具合) 本身就是天然分塊；模切（高層主管彙整）、機器設備、投資各自成塊。
• 規則二：每個領域要能獨立深讀、獨立成章。一個 Agent 讀完它的 bundle 就能寫出一章完整分析——這是「自洽」的判準。
• 規則三：大塊獨立、小而相關者合併。ISO 文件夠大 → 獨立成「品質體系」域；投資與設計 CAD（命名/術語/移印鋼板）雖小但都屬「決策/設計 know-how」→ 合併成一域。

於是收斂成 6 域：①品質體系（ISO/管審/系統審核）②FMEA·8D·不具合 ③模切刀模 ④生產標準書與配方 ⑤設備資產 ⑥投資方案與設計CAD。方案 B/C 會把 ISO、圖檔/移管再拆出獨立域（8~10 域）——域數＝深度旋鈕。

內容產出 Agent（A7–A10，對外發佈用）：分析完成後，再派四個內容 Agent 把去識別化結論轉成對外素材——A7 SEO 文章（搜尋導流長文）、A8 REEL（社群短影音腳本＋分鏡）、A9 短片（YouTube/簡報式影片腳本）、A10 專欄文章（媒體投稿稿）。它們只吃去識別化內容、不碰營業秘密，是「分析 → 對外行銷」的橋樑，產出即可進入網站／社群部署流程。

每個領域把屬於它的抽取文字，依下列規則打包成一個文字檔給 Agent：

1. 歸域：用檔案相對路徑的關鍵字過濾。例如品質體系＝路徑含 /ISO/ 或開頭是 管審/系統審核；模切＝含 模切/膜切/刀模。
2. 去雜：跳過 <120 bytes 的近空檔、跳過抽取失敗標記 [EXTRACT-ERROR]，提高訊噪比。
3. 優先排序：大域加一個優先函數——檔名含高價值詞（作業指導書/程序/手冊/管制/対策/報告…）者排前面，其餘按檔案大小（內容多者優先）。
4. 單檔截斷：每檔最多取 6000 字，避免單一巨檔吃光整包額度。
5. 整包上限：每個 bundle 約 1.1 MB 封頂，確保 Agent 讀得完、不爆 context。

# bundle 設置的核心邏輯（簡化示意）
sel = [f for f in 全部抽取檔 if 關鍵字命中(f.path) and f.bytes > 120]
sel.sort(key=lambda f: (0 if 高價值詞(f.path) else 1, -f.bytes))  # 優先群在前，再按大小
out, total = [], 0
for f in sel:
    t = read(f)
    if t.startswith("[EXTRACT-ERROR]"): continue
    chunk = f"===== FILE: {f.path} =====\n" + t[:6000]   # 單檔截斷
    if total + len(chunk) > 1_100_000: break              # 整包上限
    out.append(chunk); total += len(chunk)
write(f"bundles/{域名}.txt", "".join(out))

每段都用 ===== FILE: 路徑 ===== 分隔，Agent 因此能在分析時引用真實檔名（六章報告裡的具體檔名與編號，就是這個設計帶來的）。

覆蓋率分層思維（按價值配置，而非齊頭）

• 100%建索引：每檔路徑/類型/大小/日期＋自動分類。便宜必做。
• ~70%機器抽內文：所有可解析 Office 檔全抽。中成本、高價值。
• ~5-10%Agent 深讀：每群挑代表深讀、程式比對版本差異。昂貴注意力花刀口。
• 盲區誠實標註：掃描 PDF、壓縮檔、需專用軟體的圖檔，講清為何沒做、之後怎麼補。

可複用檢查清單

• ☐ 先掃一遍 → 用真實叢集設計「範圍」選項；用對方語言提問。
• ☐ 用選擇題問清範圍/格式/目的；大任務先排方案（量化深度×時間×風險）給使用者 review。
• ☐ 動工前抽樣實測每種格式，再報覆蓋率與時間。
• ☐ 格式按四層判斷樹分流；OCR 留最後且只做高價值檔。
• ☐ 抽取器可續跑＋時間上限；檔名過長用雜湊。
• ☐ 主流工具崩潰時評估純 Python 直接解析格式。
• ☐ 領域＝資料自然叢集＋可獨立成章；主控者備料分群打包成 bundle再派多 Agent 平行深讀。
• ☐ 交付前自我檢核並誠實標盲區；動原始檔前先列清單等確認。

適用範圍與限制

適用：大量、格式雜亂、含舊二進位的內部資料庫盤點與知識萃取（知識交接、品質回顧、投資決策、稽核準備）。

限制：① 掃描影像/圖檔需 OCR 或專用軟體；② 純 Python 抽舊格式帶少量雜訊（適分析、不適精排版還原）；③ 多 Agent 共用環境，重型作業仍需主控者集中；④ 詞頻統計反映「文件關注度」非絕對數值，須與實際 KPI 交叉驗證。