Falo OpenQuery Agent v1.0

核心定位

Falo OpenQuery Agent 是一個 AI 自動化教學型 Chrome Extension。它用公開查詢介面作為範例，說明 AI Browser / AI Agent 如何從現在可穩定落地的資料流工作，延伸到未來更像人類操作既有系統的瀏覽器操作。

這個專案不是台積電專用工具，也不是為了取代 MOPS 主網頁，而是公開查詢介面自動化模式的教學原型。MOPS 只是第一個示範來源。

如果查詢條件已經很明確，使用者直接操作官方主網頁就可以。這個案例真正要展示的是：AI 如何把人類模糊、口語、混合年份/月分/公司名稱的說法，轉成可確認、可覆寫、可執行的結構化條件。

兩種自動化展示

側邊欄的自動化展示區採折疊視窗設計。平常畫面保持乾淨，需要教學時再展開，裡面放兩種展示模式與已驗證測試案例：台積這個月、台達去年第四季、仁寶 2025 下半年單數月份。

分工

GitHub Page 適合做介紹、教學、資源包下載、範例報表與 SEO / GEO / AI crawler metadata。

Chrome Extension 負責開啟官方查詢頁、綁定頁面、執行查詢、解析結果、匯出資料與留下 log。

側邊欄分頁設計

為了避免資訊過多，側邊欄切成兩個 tab。

• 現場操作：保留課堂示範與一般使用者最常用的流程，包括綁定、自動化展示、自然語言解析、確認執行、結果與 log。
• 進階設定：放較不常動的設定與教材資料，包括模型選擇、Gemini API key、成本估算、System Prompt 教學鎖、公司對應表 CSV、GitHub Page 互補說明。

System Prompt 內容未解鎖前不顯示；解鎖後才進入可檢視、可修改、可還原的教學狀態。

這個切法的教學目的，是讓初學者先完成任務，再逐步打開背後的規則、資料來源與可替換設計。

System Prompt 教學鎖

側邊欄提供 System Prompt 教學鎖，用來展示 AI 如何把自然語言轉 JSON。

這個鎖的定位是防君子，不是資安等級的加密。它有兩個目的：

• 不被輕易改：課堂展示時，學員不會不小心改到核心解析規則。
• 不被輕易理解商業規則：使用者儲存的 prompt 版本會做一層輕量編碼，避免一般檢視 storage 時直接看到完整規則。

教學密碼是 falo。解鎖後可以檢視、修改、儲存與還原預設 System Prompt。

高手仍然可以解析 Chrome Extension 的程式碼，所以真正的商業機密不應只靠前端外掛保護。教材版只說明概念：AI 的理解能力需要被規則、資料來源與人工確認共同約束。

公司對應表 CSV

公司名稱反解析需要一份可檢查、可替換、可復原的資料來源。本專案內建原始參考檔案 CSV：data/company_reference_default.csv。

• 匯出：下載目前使用中的公司對應表 CSV，讓學員看見 AI 解析有資料來源。
• 匯入：使用者可以放入自己的 CSV，例如課堂練習版、特定產業版或內部測試版。
• 還原預設：清掉使用者匯入版本，回到原始參考檔案 CSV。

這個機制的教學重點是把 AI 輔助拆成兩層：一層是如何理解使用者語意，另一層是使用什麼資料來源來確認公司身分。

HITL：人機協作才是關鍵

這個專案最重要的教學重點，不是「AI 很會寫程式」而已。

真正有價值的地方，是 AI 與使用者背景知識一起工作：AI 快速做出可測試版本；使用者提供產業語意、課堂定義、真實用語與例外情境；真實測試暴露錯誤；錯誤再被整理成新的產品規則、操作提醒與教材案例。

這就是 HITL 的價值：人不是只在最後按確認，而是在整個過程中提供判斷、校正與領域知識。

因此，本教材只保留概念與 lesson learned，不展開內部實作細節或商業規則。

聯網語音輸入展示

AI 智慧輸入框加入最簡單的聯網語音輸入，讓課堂可以展示「說話也能成為 AI 操作的入口」。

語音也只是輸入入口，不是自動執行權限。使用者說出需求後，文字會回到同一個自然語言欄位，仍然需要解析成操作計畫、檢查理解是否正確，最後再由使用者確認執行。

• 人機互動可以從鍵盤延伸到語音。
• 語音轉文字後仍需要 AI 理解與人工確認。
• HITL 不會因為輸入方式改變而消失。

自然語言壓力測試：台積＋這個月

測試句：我想要查詢 台積 這個月 資料

這句話同時測三件事：台積 是簡稱、這個月 是相對時間、資料 沒有明講重大訊息。

修正前觀察

• 地端 Chrome-only 可以猜到 2330 台積電，但年份落到預設區間 100-114。
• Gemini API 可以解析公司，但曾把 這個月 解析成錯誤年度。

概念修正

• 讓工具知道簡稱也可能代表正式公司。
• 讓相對時間以執行當下日期為基準。
• 讓 AI 解析結果必須經過使用者可檢查的操作計畫。
• 讓查詢結果再回頭驗證日期是否符合使用者原意。

修正後測試

• 地端 Chrome-only：2330 台積電、民國 115、月份 6，查回 7 筆，日期皆為 115/06。
• Gemini API：2330 台積電、民國 115、月份 6，查回 7 筆，日期皆為 115/06。

教學重點：自然語言能力不是只靠模型。穩定結果通常需要資料來源、使用者確認、模型輔助與結果驗證一起工作。

人機協作優化案例：台達＋去年第四季

測試句：請查 台達 去年第四季 的資料

使用者補充語意：台達 指 台達電；去年 以 2026/6/16 為基準，是西元 2025、民國 114；第四季 在本教學定義為 9~12月。

修正前觀察

• 地端 Chrome-only 沒有命中 台達，退回預設 2330 台積電。
• Gemini API 可以抓到 2308 台達電，但時間仍被地端預設覆蓋成 100-114。
• 舊版流程對月份條件的理解太窄，無法表達 9~12 這種課堂定義。

概念修正

• 把使用者補充的公司簡稱納入可查證資料。
• 把課堂定義的時間語意寫回操作規則。
• 把模糊自然語言轉成可確認的操作計畫。
• 用實際查詢結果驗證 AI 理解是否真的符合使用者期待。

修正後測試

• 地端 Chrome-only：2308 台達電、民國 114、月份 9-12。
• Gemini API：2308 台達電、民國 114、月份 9-12，估算約 NT$0.01。

教學重點：人機協作不是把需求一次丟給模型就結束，而是把錯誤轉成可維護的產品規則、資料來源、確認流程與驗證流程，重新測試直到地端與雲端都能穩定產生同樣語意。

Lesson Learned：年份與股票代碼衝突

測試句：西元年 2025年，下半年 單數月份 仁寶

這個案例很適合教初學者理解：自然語言裡的數字不能直接當成公司代碼。

2025年 在人的語意裡是年份，但在股票市場裡，2025 也可能剛好是某一家公司的代碼。若系統沒有先判斷數字的角色，就可能把時間條件誤認成查詢標的。

HITL 觀察

第一次真實測試時，AI 工具把年份同時看成查詢標的，導致操作計畫多出一家公司。這不是模型笨，而是自然語言任務裡很典型的語意碰撞。

概念修正

• 先判斷數字是否在描述時間。
• 再判斷是否可能是公司代碼。
• 若同一個數字可能有兩種解釋，讓使用者確認。
• 把錯誤保留下來，變成下一輪產品與教材優化素材。

修正後測試

• 地端 Chrome-only：解析為 2324 仁寶、民國 114、下半年單數月份。
• Gemini API：解析為 2324 仁寶、民國 114、下半年單數月份，估算約 NT$0.01。
• 真實抓取：查回 9 筆，日期只落在民國 114 的下半年單數月份。

教學重點：AI 可以快速產生版本；使用者用背景知識指出真正的語意邊界；系統再把 lesson learned 變成更穩定的流程。

教學案例：多家公司與預覽誤判

測試句：幫我查 仁寶、台積電 113 到 114 年重大訊息，完成後下載 CSV

這個案例說明：自動化不是只要抓到資料，還要讓人正確理解結果。

舊版結果表只顯示前 80 筆。如果第一家公司資料很多，第二家公司即使已經抓到，也可能排在後面，畫面看起來就像只有一家公司。

• 自然語言解析會保留多個 targets。
• 結果區新增公司分布摘要。
• 表格預覽改成多公司平衡抽樣。
• 真實抓取驗證：2324 仁寶 與 2330 台積電，共 614 筆，預覽同時出現兩家公司。

教學重點：資料正確與介面可理解是兩件事。好的 AI 工具要同時照顧資料流與人類判讀。

教學案例：語音輸入與瀏覽器權限

語音輸入出現 not-allowed 時，通常代表 Chrome 尚未允許此 Extension 使用麥克風。

• 啟動語音前先檢查麥克風權限。
• 權限被拒絕時，不只顯示錯誤碼，而是提示下一步。
• 提供麥克風權限頁，讓使用者先完成授權再回到側邊欄重試。

教學重點：AI 體驗不只取決於模型，也取決於瀏覽器權限、裝置環境與使用者是否知道下一步該做什麼。

教學案例：日期數字被誤判成年份

測試句：查 2330 台積電 115 年 5 月 1 日到 5 月 31 日重大訊息

這個案例很適合放在教學裡，因為它不是程式語法錯，而是自然語言理解錯。

修正後

• 先解析完整日期範圍，再解析年度與月份。
• 民國年度只接受合理範圍，避免日期數字混入年度。
• 送出到官方頁前再做一次年度保護。
• 真實驗證：解析為年度 115、月份 5、日期 115/05/01-115/05/31。

教學重點：AI 工具不只要會抓關鍵字，還要理解數字在句子裡的角色。使用者的背景知識可以把一次錯誤，轉成下一版更穩定的規則。

結果匯出設計：Evidence、Report、Interactive Report

側邊欄中的 保留原始 HTML evidence 不是給一般使用者閱讀的報告，而是證據與除錯用途。它用來保留官方查詢頁面的原始片段，方便之後追查資料來源。

• 下載報告 HTML：靜態閱讀版，適合教學、交付與留存。
• 下載互動查詢 HTML：可用公司、年度、月份、關鍵字篩選，所有欄位表頭都可點選排序，適合讓學員自己探索資料。

這個設計可以讓學員理解：同一份查詢結果，面對不同對象時需要不同表達方式。稽核需要 evidence，管理者需要 report，學習者需要 interactive report。

所有程式產生的執行時間、log 時間與下載檔名時間戳，都固定使用台北時間 Asia/Taipei，避免本機時區或 UTC 讓教學現場對不上。

教學案例：AI 解析欄位與人類覆寫欄位

AI 解析後填入的欄位，應該讓人看得出「這是 AI 理解後形成的操作條件」。如果它看起來像灰色 placeholder，使用者會誤以為欄位沒有生效。

• AI 解析：淡綠底與 teal 邊框，表示會被執行的 AI 理解值。
• 手動調整：淡金底與金色邊框，表示人類已覆寫 AI 計畫。
• 空白：白底與一般邊框，表示沒有條件或只有提示文字。

這個案例可以用來說明 HITL 的介面設計：人類不是只按確認，而是能清楚看見 AI 的理解、必要時修改，並知道最後執行的是哪一版。

這不是單純的表單美化。重點是讓學員看見自然語言理解的中間層：AI 先把模糊說法整理成欄位，人類再確認或覆寫，最後才執行查詢。

教學案例：口語月份不能漏掉

測試句：台積電 今年五月資料

這句話很短，但同時包含三個需要 AI 理解的部分：公司名稱、相對年份、中文口語月份。

• 台積電：公司名稱，需要反查公司代碼 2330。
• 今年：相對年份，需要用執行當天換算民國年。
• 五月：中文口語月份，需要轉成月份 5。

這個案例提醒學員：如果條件已經完全明確，直接操作官方主網頁就可以；AI 工具的展示價值，是把這種模糊但自然的人話，轉成可確認、可修改、可執行的查詢條件。

修正後，地端 Chrome-only 與 Gemini 路徑都保留月份 5，不會讓雲端模型解析出的月份被地端空值覆蓋。

教學案例：年份錯配的糾正過程

這次資料流展示曾出現一個很適合教學的資料正確性問題：CSV 看起來有資料，但「查詢年度」與「公告日期」沒有對上。

概念修正

• 不要只檢查「有資料」。
• 要檢查「資料是否符合本次查詢條件」。
• 讓查詢條件與結果內容互相驗證。

修正後驗證

• 民國 113：268 筆，公告日期為 113/...
• 民國 114：248 筆，公告日期為 114/...
• 民國 115：131 筆，公告日期為 115/...

Teaching Point

有資料不代表資料正確。自動化流程不只要檢查 rows 是否大於 0，也要檢查查詢條件與結果內容是否一致。

這個案例可以教學員理解：Browser automation 最容易犯的錯之一，是畫面還沒刷新，程式就讀到舊結果。

AI 讀取摘要

Falo OpenQuery Agent demonstrates two AI automation paths for public query interfaces: high-efficiency data-flow automation for stable batch work, and AI Browser operation for showing how AI Agents may operate existing systems visually.

Teaching note: the strongest lesson is HITL. The user contributes domain knowledge and real-world wording, while AI turns each observed failure into a safer workflow, clearer confirmation step, and reusable teaching case. A key example is number-role disambiguation: a number such as 2025 may be a Gregorian year, not a company code.