http://github.com/norika1207-lab

http://github.com/norika1207-lab/alfred-butler
一個人 + 34 隻 Agent，一天內建完台灣版 Google Shopping
這是一份真實紀錄。所有數字都可以驗證。
有人質疑：「每30分鐘要燒一次Token。」每30分鐘併發的任務是由地端模型LLM去做，然後RAG+我自己優化過的小型LLM（第二大腦）+ 商品索引地圖引擎（演算法），去交辦AI Agent任務。我只有拆解網站，找出資料回收的路徑需要LLM，那大概是一小時內的事情。
你現在面對的問題
台灣有 13 個主要電商平台。
每次購物，你開 13 個分頁，手動比價，花 15 分鐘。
沒有統一 API。沒有共用資料庫。每個平台都是一座孤島。
這個問題存在了 20 年。沒有人解決它。
我們用1小時解決了它
Phase 1 — The Commerce Crack
時間：下午，43 分鐘
14 個 AI Agent 同時出發，每個負責一個電商。
任務很簡單：
進去。找到資料。帶回來。
Agent 01 → 博客來 ✅ 0.78s mobile UA
Agent 02 → 露天拍賣 ✅ 0.77s 2-step JSON API
Agent 03 → Yahoo購物 ✅ 0.81s 60筆 inline JSON
Agent 04 → 松果購物 ✅ 0.39s POST JSON API（最快）
Agent 05 → 東森購物 ✅ 0.54s 埋在 bundle 的 AJAX
Agent 06 → 生活市集 ✅ 0.14s Next.js SSR直讀（最快）
Agent 07 → 特力屋 ✅ 0.89s 隱藏 JSON endpoint
Agent 08 → 家樂福 ✅ 0.42s SSR data-* 屬性
Agent 09 → 燦坤 ✅ 0.86s 追蹤域名遷移
Agent 10 → 全國電子 ✅ 1.03s Nuxt API + 正確 header
Agent 11 → 酷澎 ✅ 1.35s Sec-Fetch headers
Agent 12 → Pinkoi ✅ 0.97s JSON-LD Product blocks
Agent 13 → 比價王 ✅ 0.90s Next.js RSC 資料層
Agent 14 → 蝦皮 ❌ 手機驗證牆（唯一失敗）
13/14 成功。43 分鐘。無一事先獲得 API 。
結果：台灣 80,000,000+ 件商品，首次可以統一查詢，並在3秒內告訴你哪個貴哪個便宜。
Phase 2 — The Index Engine
時間：Phase 1 後，持續運行
20 個 AI Agent 分工建立商品索引，每 30 分鐘更新一次。
背景持續運行：
Agent 1-5 → 3C 品類（耳機/手機/筆電/平板/穿戴）
Agent 6-10 → 食品/美妝（醬料/主食/零食/保養/彩妝）
Agent 11-15 → 家電/工具（廚電/清潔/個護/電動工具）
Agent 16-20 → 特色站（露天/博客來/Pinkoi/比價王）
└─ 20 品類 × 各站 × 10 關鍵字 = 爬取數千筆
└─ 寫入 SQLite FTS5 全文搜尋索引
└─ 價格異動自動更新
└─ 下架商品自動標記
首輪完成：2,208 筆 ／ 15 站 ／ 量持續增加
查詢速度對比
舊方式（即時爬蟲）：
用戶問 → 同時打 13 個網站 → 等回應 → 1.5 – 7.8 秒
新方式（預建索引）：
用戶問 → 查本地 SQLite FTS5 → 回傳
電動牙刷 4ms ██
醬油 2ms █
氣炸鍋 2ms █
AirPods Pro 3ms █
比即時爬快：500 倍
一次查詢的完整旅程
你說：「幫我找最便宜的電動牙刷」
t=0ms QueryParser 拆解查詢（零 LLM）
→ core_terms: ['電動牙刷']
→ category: appliance_bath
→ min_price: 150
t=4ms SQLite FTS5 全文搜尋
→ 命中 120+ 筆含「電動牙刷」的索引商品
→ 過濾配件（刷頭、替換頭、書籍）
→ 依價格排序，取前 5 名
t=4ms ✅ 回傳結果
#1 米家 T200 電動牙刷 ⭐5.0 酷澎
#2 Colgate 3D音波電動牙刷 ⭐5.0 酷澎
#3 Panasonic 音波電動牙刷 ⭐4.8 momo
LLM 使用：0 次
可驗證的數字
指標 數字 驗證方式
Phase 1 完成時間 43 分鐘 git log 時間戳
Phase 1 Agent 數 14 個 AGENT_BLITZ.md
成功率 13/14 代碼 + 失敗原因記錄
涵蓋商品數 80M+（估算） 各平台公開資料
Phase 1 查詢速度 1.5 – 7.8 秒 data/benchmark_results.json
Phase 2 查詢速度 2 – 4ms 可本地執行驗證
Phase 2 Agent 數 20 個 indexer/crawler.py
索引更新頻率 每 30 分鐘 alfred-indexer.service
程式碼行數 ~2,000 行 GitHub
整套架構圖
┌──────────────────────────┐
│ 用戶說一句話 │
└───────────┬──────────────┘
┌───────────▼──────────────┐
│ QueryParser（零 LLM） │
│ 拆品牌 / 品類 / 最低價 │
└───────────┬──────────────┘
┌───────────▼─────────────┐
│ │
┌──────────▼──────────┐ ┌───────────▼──────────┐
│ 本地索引 FTS5 │ │ 即時爬蟲（fallback） │
│ 2ms – 10ms │ │ 1.5s – 7.8s │
│ 2,208 筆（持續增加） │ │ 13 站並發 │
└──────────┬──────────┘ └─────────── ──┬──────────┘
│ │
└─────────────┬───────────┘
┌────────────▼────────────┐
│ 相關性過濾引擎 │
│ （去除配件 / 書籍 / 副廠） │
└────────────┬────────────┘
┌────────────▼────────────┐
│ 商品圖 + 價格 + 折扣 │
│ + 評分 + 前往購買 │
└─────────────────────────┘
背景持續運行：
┌───────────────────────────┐
│ 20 個 Agent，每 30 分鐘，更新全站商品索引 │
└───────────────────────────┘
這不是一個功能。這是一套方法論。
The Commerce Crack — 任何沒有公開 API 的電商，四步打開：
Step 1 Reconnaissance： 分析目標的資料架構
Step 2 The Crack： 找到原始資料路徑
Step 3 Normalize： 統一資料格式
Step 4 Index： 寫入本地，持續更新
適用於任何國家、任何電商、任何語言。
github.com/norika1207-lab/alfred-butler
backend/shop_service.py 即時爬蟲層（13 站）
backend/scrapers/ 各站獨立 scraper
backend/indexer/ 索引引擎（Phase 2）
├── schema.sql FTS5 DB schema
crawler.py
20 Agent 分工定義
query_parser.py
查詢理解引擎
search.py
主查詢入口
scheduler.py
30 分鐘排程
clone 下來，python3 backend/indexer/crawler.py，你就有自己的索引。