當靈感遇上 AI：一個上午的加速實踐
這篇文章不是遊記，而是關於這個網站與這個計畫是如何誕生的紀錄。 過去，當我們萌生一個「想去探索台灣河流」的念頭時，往往會卡在繁瑣的規劃、資料蒐集，甚至是架設網站的技術門檻上。但這次，我嘗試了一種全新的工作模式——與 Agentic AI (Antigravity) 協作規劃。
以下是我們在短短時間內，從「一個想法」到「網站上線」的歷程筆記。
第一階段：從模糊到具象 (The Brainstorming)
1. 結構化龐雜資訊
一開始，我只有「想探索河流」這個模糊的概念。我請 AI 扮演研究分析師，快速梳理了台灣北部、中部、南部、東部的主要河川。
- 關鍵產出：AI 幫我列出了一份包含 11 條主要河川的清單，並針對每一條河列出了「景觀」、「生態」與「人文」的探索重點。這份清單成為了後續所有行程的骨架。
2. 定義探索方法論
我們不只是去玩，而是希望帶入**「流域治理」與「開放資料」**的視角。AI 協助我將這些硬核的知識轉化為一篇名為〈數位河流學〉的方法論文章，確立了這個部落格「知性與感性兼具」的基調。
第二階段：技術苦工的自動化 (The Infrastructure)
有了內容，需要載體。我選擇了 Hugo 這個靜態網站產生器，但技術細節往往是最磨人的。
GenAI 解決了什麼？
- 環境建置：從
hugo.yml的基礎設定，到 PaperMod 主題的調整。 - 功能客製化：
- Google Maps 嵌入：解決了 Hugo 預設擋掉 iframe 的安全性設定。
- 自動目錄 (TOC)：協助開啟全站的文章導覽，解決了不同頁面顯示不一致的問題。
- 系列分類 (Series Taxonomy)：建立特殊的「Series」頁面，讓針對同一條河流（如大甲溪）的不同文章能自動聚合，並擁有專屬的介紹首頁。
- 除錯 (Debugging)：最經典的是 “Future Date” 問題。當我看不到新文章時，AI 迅速指出是因为我的文章日期設在「明天」，並教我設定
buildFuture: true來解決。
第三階段：內容深度的擴充 (The Content)
在撰寫《大甲溪車宿攻略》與《后里環保公園指南》時，AI 扮演了編輯與資料庫的角色。
- 它記住了我要去「后里」，並能提醒我那邊是合法的車泊點，甚至補充了「洗澡要去附近游泳池」這種在地細節。
- 當我需要針對「歷史文化」做補充時，它能迅速生成一段關於大甲溪流域開發史的背景介紹，讓我能專注於個人體驗的書寫，而非重複查閱維基百科。
第四階段：連結真實社群 (The Connection)
最後，為了讓這個計畫落地，我們建立了一個 “Planning” (旅程規劃) 頁面。
- 動態儀表板：我們設計了一個頁面來展示「進行中」與「未來」的計畫。
- 意願表單：透過嵌入 Google Forms，讓這個單向輸出的部落格變成了雙向互動的社群入口。
- 啟動 Discord 社群：我們不滿足於部落格的單向輸出，因此建立了「🧪 哈爸實驗室」Discord 伺服器。
- 分流設計：AI 協助設計了「Onboarding (導覽)」流程，讓對「河流探索」與「GenAI 技術」感興趣的不同族群，能透過 Role (身分組) 自動分流，看到彼此想看的頻道，實現「低雜訊、高訊號」的社群體驗。
第五階段：接入開放資料 (The Data)
為了深化探索的科學性，我們決定不僅僅依賴旅遊資訊，而是直接對接政府的 Open Data。
- 資料探勘：AI 作為研究助理，協助在「政府資料開放平臺」與「水利署資料庫」中挖掘出關鍵的圖資，例如「河川流域範圍」與「C級洪氾區域」。
- 格式的巴別塔：面對 Shapefile (.shp) 這種專業 GIS 格式與 Google My Maps 僅支援 KML 的落差，AI 迅速找到了
ogr2ogr轉換方案，甚至解決了編碼 (Big5) 造成的亂碼問題。
第六階段：GIS 資料的處理 (The Processing)
有了資料，下一步是將其轉化為可用的情報。這涉及到複雜的空間運算。
- 環境部署：利用 Python Fabric 自動化腳本，將本機的 Conda 環境 (
m2504) 與 GIS 工具鏈 (GDAL/SpatiaLite) 整合，讓複雜的環境設定變得一鍵可得。 - 幾何萃取：從全國的河川資料中精準「萃取」出大甲溪流域，並進行「緩衝區 (Buffer)」分析，這些過往需要專業 GIS 軟體操作的步驟，現在透過 AI 寫好的 SQL 腳本就能自動完成。
第七階段：散步地圖的建構 (The Mapping)
最終，所有的技術與資料都匯聚成一個目標——「散步地圖 (Walking Map)」。
- 資料庫設計：我們設計了一套基於 SQLite/SpatiaLite 的輕量級資料庫 Schema，透過
layers(圖層) 與features(特徵) 的結構化設計，納入親水點、車泊地與風險區。 - 公民科學的容器：這個地圖不只是給我用的，更是為了整個社群。我們引入了彈性的
meta_data與 JSON 範本，讓未來每一位參與者都能用標準化的方式回報在地發現，共同繪製出一張活著的地圖。
結語：AI 作為催化劑
回頭看這段歷程，GenAI 並沒有取代「探險」本身——開車去大甲溪、在河邊生火、與朋友聊天的可還是我。 但它極大地降低了「啟動」的摩擦力。它接手了繁瑣的整理與編碼工作，讓我能將精力保留在最核心的「體驗」與「連結」上。
這就是這個網站的起點。