Data Lead · Principal Data Engineer。

一台 Mac 上跑的內容產線：每天從國外一線來源選題，用繁體中文重寫、事實查核，自動發佈到多個社群頻道，再沉澱成自有網站資產。3 個頻道、月觸及約 4 萬 views，日常零人工操作。

把「像真人寫、而且不出錯」當可靠性問題設計——事實查核閘門、四層發佈防線、去 AI 味規則、成效回饋。這個站本身就是它的產物。

Gemini 直接在 BigQuery 裡跑（AI.GENERATE）：留言情緒與貼文主題分類、只依當期數字寫的 AI 觀點；Vertex 嵌入 + KMEANS 把負評分群、命名主題。留言 RAG 檢索每週跑一次 LLM-as-judge 評測——檢索品質一掉，任務直接失敗。

編輯台 4 工具 agent 已上線：不寫 SQL、每份草稿強制自檢、成本硬上限、每週回放評測。共用快取讓 AI 成本不隨使用人數膨脹。

給 C-level 的集團數位營收儀表板、給行銷主管與編輯的社群成效儀表板、把月營收表排成報紙版面 PDF 的產製工具——都在 Streamlit + Cloud Run 上、Google 登入。

三層 ACL 讓主管自己增刪成員，留稽核軌跡、埋使用分析；要權限不必再開單。

接手一條原本跑在 Composer + Apps Script 上的營收 pipeline，整套換成 BigQuery External Tables + Scheduled Queries。產出一樣、時效一樣，月支出降到原本的 1/300。

這個案子之後一直在套用的心得：多數「pipeline」其實不需要 orchestrator，需要的只是一個會照排程跑的 query。

Facebook、Instagram、Threads、YouTube、GA4 進 BigQuery——34 個 Cloud Run Jobs 錯開時間排程，dbt 建模、append-only 保留每次變動（不只最新狀態）。

dbt source freshness、帳號級守門、Cloud Monitoring 三層一起，抓最糟的那種失敗：job 成功，但什麼都沒寫。

我獨立開發、營運的個人產品。把實價登錄整理成可比較的實坪單價，透過 REST API 與 MCP server 對外提供，兩者共用同一個查詢核心；API key 雜湊保存，用量按帳號計算。

曾發現閒置的 MCP client 每隔幾分鐘重連一次，持續消耗額度與雲端費用，改成 stateless HTTP 解決。測試 291 項，CI 不過就不上線。