AI Self-Loop 骨架

能自我驅動的 AI 處理系統：接收輸入 → 呼叫 LLM 處理 → 評估品質 → 不達標自動修正再跑， 直到達標（done）或送人工審核（review）。

起步領域：以 https://www.pluspay.com.tw/ 為起點，自動爬出站內地圖並做逐頁健檢。

快速開始

pip install -r requirements.txt
# 需要本機 Ollama 在 http://localhost:11434，且有 environments.yaml 指定的模型

python -m src.pipeline          # 預設：seed 一筆任務 + 處理（驗收用）
python -m src.pipeline --seed   # 只放任務進佇列
python -m src.pipeline --run    # 只處理 pending 任務

產出：

• output/sitemap.json —— 站內頁面地圖
• output/health_report.json —— 每頁健檢報告
• review_queue/task_<id>.json —— 送審任務（若有）

架構：兩個分層

層	介面	職責	起步實作
Driver（怎麼做）	BaseDriver.connect/execute	連線與操作目標，無領域判斷	drivers/api_client.py（HTTP）
Agent（做什麼）	BaseAgent.run	領域 AI 判斷，呼叫 Driver + Loop 引擎	agents/site_health.py

要加 web(Playwright)/mobile driver 時，agent 不用動。

Loop 引擎（五元件，src/core/）

1. Context Assembler — 決定哪些資訊送進 LLM（寧可少不要雜）
2. Prompt Builder — 從 prompts/*.yaml 用 Jinja2 渲染；重試時注入上一輪 feedback
3. Output Judge — 統一輸出 passed/score/issues/suggestions（先 rule-based）
4. Feedback Builder — 把 Judge 結果轉成下一輪的具體修正指令
5. Loop Controller — 重試上限（預設 3）+ 每次嘗試完整記錄 + Circuit Breaker

LLM 後端（src/llm/）

• LLMBackend：call(prompt, system) / is_available()
• OllamaBackend：每次 call 強制帶 num_ctx（預設 32768），不吃 Ollama 預設的 4K
• LLMRouter：多 backend 依序用第一個可用的

Task Queue（src/db/，SQLite）

tasks（狀態）/ attempts（每次嘗試的完整記錄）/ results（定版輸出）。 取任務用原子 compare-and-swap 防重複。

設定外部化（config/）

• environments.yaml —— 各環境 URL/端點/Loop 參數（明文，先不加密）
• credentials.example.yaml —— 憑證佔位；複製成 credentials.yaml 填真值 （已 gitignore）。讀取優先序：環境變數 > credentials.yaml > 預設。

驗收

放一筆任務 → 跑 pipeline.py → 任務 pending → done/review → output/ 出現結果。 已通過：3 頁限縮實跑得到 done，sitemap 與 health_report 落地。

尚未做（刻意保留為下一步）

• LLM-as-Judge（build order #9）：目前 Judge 是 rule-based；可加一層讓 LLM 評估 issue 的「對人類審核者是否真的有用」。掛點在 core/judge.py。