CH5 AI Prompt 互動提示詞生成系統

Part 2：專案架構與服務設計

深入了解 Flask 應用的分層架構與核心模組

Flask MVC 服務分層資料流向

📁 專案目錄結構

CH5_AI_Prompt_Generator/

├── app.py # Flask 應用入口

├── config.py # 配置管理

├── src/

│ ├── services/ # 服務層

│ │ ├── ai_service.py

│ │ ├── rag_service.py

│ │ └── prompt_builder.py

│ ├── models/ # 資料模型

│ └── utils/ # 工具函數

├── templates/ # Jinja2 模板

├── static/ # CSS/JS 靜態檔

├── data/ # 資料儲存

└── gas/ # Google Apps Script

設計原則

分層架構：路由、服務、資料分離
模組化：功能獨立，易於維護
配置驅動：透過 .env 控制行為
可擴展：預留擴展空間

🔧 核心服務模組設計

🤖

AIService

統一抽象 OpenAI 和 Gemini API

智能生成提示詞
優化分析功能
錯誤處理與重試

📚

RAGService

管理知識庫所有操作

文件上傳與解析
向量嵌入與儲存
語義檢索

📝

PromptBuilder

模板生成引擎

樹狀模板結構
變數替換
多語言支援

⚙️ 配置管理 (config.py)

class Config:
    # Flask 配置
    SECRET_KEY = os.getenv('SECRET_KEY', 'dev-secret-key')
    DEBUG = os.getenv('FLASK_DEBUG', 'True').lower() == 'true'

    # AI 服務配置
    OPENAI_API_KEY = os.getenv('OPENAI_API_KEY')
    GOOGLE_AI_API_KEY = os.getenv('GOOGLE_AI_API_KEY')
    AI_PROVIDER = os.getenv('AI_PROVIDER', 'both')

    # RAG 配置
    VECTOR_DB_TYPE = os.getenv('VECTOR_DB_TYPE', 'chromadb')
    EMBEDDING_PROVIDER = os.getenv('EMBEDDING_PROVIDER', 'sentence-transformers')

    # Google Sheets 整合
    GOOGLE_SHEETS_ENABLED = os.getenv('GOOGLE_SHEETS_ENABLED', 'false')

優勢：集中管理配置，透過環境變數調整行為，不需修改程式碼

🔄 資料流向分析

1. 前端
generator.html → 收集表單資料

↓

2. API 路由
/api/generate → 驗證與分發

↓

3. 服務層
PromptBuilder / AIService

↓

4. 返回結果
JSON Response → 前端展示

💡 關鍵設計決策

為什麼同時支援模板和 AI 生成？

成本考量：模板生成免費
可靠性：API 不可用時的備案
速度：模板幾乎即時
學習價值：展示良好結構

為什麼選擇 ChromaDB？

嵌入式：不需獨立伺服器
易用性：幾行程式碼完成操作
效能：中小規模表現良好
可遷移：未來可升級

為什麼使用 SQLite？

嵌入式：單一檔案儲存
可攜性：整個目錄可遷移
效能夠用：低頻操作
可升級：SQLAlchemy ORM

為什麼不用 React/Vue？

降低門檻：HTML+JS 易理解
簡化部署：不需 npm 構建
互動夠用：原生 JS 能勝任
實用主義：解決問題優先

📌 本節重點回顧

✅

學到的內容

Flask 應用的標準目錄結構
三大核心服務模組的職責
配置驅動設計的優勢
資料在系統中的流向
關鍵技術選型的理由

📖

設計哲學

分層架構易於維護
模組化支援擴展
配置驅動提高靈活性
實用主義優於技術炫技
簡單是最好的設計

下一節：深入了解互動式提示詞生成器的實作細節