從 複誦到看圖說故事：我與 AI 助理 15 分鐘將 LINE Bot 升級 Gemini 2.5 多模態大腦與免密認證實錄

在上一次的實驗中，我與 AI 協同開發助理 Antigravity 合作，在 20 分鐘內將一個基礎的 LINE Echo 機器人成功打包並部署到 Google Cloud Run。

上集回顧：程式小白也能看懂！我與 AI 攜手 20 分鐘無痛打造 LINE Bot實錄

不過，一個只會重複使用者說話的 Echo Bot 雖然能運作，但實用性較為有限。在完成了基礎架構後，我決定延續先前的成果，在原有的基礎上進行升級。我直接向 AI 助理下達了新任務：

💬 「請幫我把這個改成打字後呼叫 gemini，然後給我回應。」

以此為起點，我們開始擴充功能，目標是讓它不僅能理解上下文、甚至能「看懂」使用者傳送的照片。

這一次，我們要在原本的專案架構上進行功能擴建：不僅將大腦升級為搭載 Google 企業級 Vertex AI (Gemini 2.5 Flash) 的多模態助手，同時也解決專案遷移至新 GitHub 時，背景自動化上傳常卡在「金鑰 Token 認證」的技術關卡。

以下是我在現有系統基礎上，與 AI 助理一邊對話、一邊攻克難關的真實紀錄。

📌 升級大腦與配備：本次新增的核心組件

為了讓 LINE Bot 具備「思考與看圖」的能力，AI 助理幫我在原有的 Node.js 專案中，增添並配置了以下三項核心配件：

• Vertex AI Gemini 2.5 Flash 模型：Google 的新一代 AI 旗艦模型。其反應速度快，且具備多模態理解能力，能同時處理文字與圖片。
• 在地化系統指令（System Instruction）：我們在大腦的系統指引中，設定了流暢、符合台灣習慣的繁體中文作為回覆限制，確保對話自然且貼近在地用語。
• 專屬多模態搬運工（MessagingApiBlobClient）：在最新版 LINE SDK v9 中，原本負責發送訊息的 MessagingApiClient 被調整為輕量化設計，不再負責下載大型的圖片檔案。因此，我們需要透過 MessagingApiBlobClient 來下載圖片，並將其轉換成 Base64 格式傳給 Gemini 分析。

🛠️ 第一關：模型不支援區域的 404 限制挑戰

當我們順利完成程式碼改寫，並部署上位於台灣（asia-east1）的 Cloud Run 伺服器後，我向 LINE Bot 傳送了第一條訊息，系統卻返回了錯誤資訊：

❌ [VertexAI.ClientError]: Publisher Model … was not found or your project does not have access to it.

白話翻譯：「在當前區域找不到指定的 Gemini 大腦模型。」

💡 跨時區思考：保留連線速度，轉移運算區域

我原本以為是 Vertex AI 權限配置錯誤，但 Antigravity 迅速診斷出原因：

「這是因為最新版的 gemini-2.5-flash 模型，目前在 Google Cloud 台灣區域（asia-east1）尚未完全對外開放，因此會報 404 錯誤。」

如果為了模型而把整個服務遷移出台灣，會增加 LINE 伺服器與機器人之間的網路延遲。

為了解決這個問題，AI 助理提出了一個兼顧速度與算力的雙贏方案：

「我們將 LINE Bot（前台接收端）留在台灣，確保與 LINE 伺服器的快速連線；但是當需要 AI 進行分析與思考時，我們在程式中引導它將請求發送至完全支援新模型的美國中部區域（us-central1）。」

我們將 GCP_LOCATION 環境變數設定為 us-central1，重新測試後，機器人隨即流暢地以台灣繁體中文做出了回覆，成功突破了區域限制。

📸 第二關：多模態圖片分析與 LINE v9 SDK 的 API 異動

解決了文字對話後，接著是重頭戲：讓機器人分析照片。

然而，當我傳送球員的照片進行測試時，系統再次彈出報錯：

❌ TypeError: client.getMessageContent is not a function

白話翻譯：「訊息接收端無法順利下載使用者上傳的照片檔案。」

💡 LINE SDK v9 介面變更與 Base64 轉換

如果自行翻閱官方 API 的改版日誌，往往需要耗費不少時間。但 AI 助理在數秒內便給出了精確解答：

「在 LINE SDK v9 更新之後，下載圖片檔案的權限已轉移給專門的 MessagingApiBlobClient。同時，參數格式也從傳遞『一個物件』改為直接傳遞『字串格式的 messageId』。」

在理清原因後，AI 助理迅速修改了對接邏輯：

• 實例化專門處理二進位資料的 MessagingApiBlobClient。
• 接收到照片訊息時，引導搬運工將照片下載為 Buffer 流，再轉換成 Base64（inlineData）安全地遞交給 Vertex AI 進行看圖分析。

重新部署後，當我再次傳送球員照片，機器人幾秒內便給出了親切且精準的分析：

「📸 收到照片，正在幫您分析… 這張照片看起來是從棒球場或壘球場的休息區，透過綠色的鐵絲網拍出去的呢！感覺超有臨場感的！…」

🔐 第三關：遠端倉庫遷移與「免密碼自動通關」配置

完成所有功能測試後，下一步是將這套具備多模態 AI 超能力的專案備份。此時，我直接對 AI 助理下達了明確指令：

💬 「我要把 repo 換到這個位置 https://github.com/zonawang/line-ai-bot.git，請幫我根據功能改寫 readme。」

AI 助理很快地幫我更新了遠端倉庫的網址，並流暢地改寫了 Readme 檔案。接著，我說：

💬 「幫我直接 push 上去。」

然而，由於在開發環境中，後台背景執行不支援彈出認證視窗，Git 程式因為無法向我索取 GitHub 金鑰（Token）而陷入無限等待的卡死狀態。

我詢問 AI 助理：

💬 「再跟我說一次如何申請 token。」

💬 「請幫我把 token 存在系統上，讓我下次不用再輸入。」

💡 免除手動輸入：將 Token 嵌入 Git 遠端網址

針對這些需求，Antigravity 不僅提供了申請步驟，還提出了一套兼顧安全與自動化的工程解決方案。

它建議不需將 Token 寫在任何程式碼中，而是直接把 Token 安全地嵌入在本地的 Git 遠端網址配置中： https://<你的GitHub_Token>@github.com/zonawang/line-ai-bot.git

這項調整帶來的效益十分顯著：

1. 背景自動化不卡死：因為 Git URL 內建了認證資訊，背景上傳時不再需要彈出視窗索取密鑰。
2. 自動通關體驗：往後無論是我還是 AI 助理，在這台電腦的此專案目錄下執行任何 Git 推送，Git 都會自動使用這把鑰匙進行認證，徹底擺脫每次複製貼上 Token 密鑰的繁瑣步驟。

📋 貼心附錄：如何 3 步驟申請專屬的 GitHub Token？

如果你也想讓你的專案實現免密碼上傳，可以透過以下步驟申請：

1. 進入 GitHub 設定：登入 GitHub 後，點選右上角頭像 -> Settings -> 拉到最下方的 Developer settings -> Personal access tokens -> Tokens (classic)。
2. 生成新 Token：點選 Generate new token (classic)。在 Note 欄位輸入這個 Token 的用途（例如 “line-bot-deploy”），過期時間（Expiration）可以選擇 30、60 天或永久，並勾選「repo」權限（這能允許我們讀寫儲存庫）。
3. 複製並保存：滑到最下方點擊 Generate token。請務必「立刻複製」畫面上顯示的那串以 ghp_ 開頭的超長代碼！因為一旦重新整理網頁，這串代碼就再也看不到了。

申請完成後，配合 AI 助理配置遠端倉庫網址，即可享受免密碼的自動化推送體驗。

💬 結語：在打好的地基上，創意的天空無限寬廣

回顧這整趟從「Echo Bot 升級至多模態 AI」與「GitHub 倉庫認證自動化」的過程，這正是人機協同開發的優勢：

• 技術細節與排錯交由 AI 處理：包括 404 區域限制繞道、LINE SDK API 異動的迅速改寫、以及解決 Git 背景上傳掛起的認證痛點。
• 方向與決策由人類主導：人類負責決定新功能的走向，並透過具體口語的 Prompt（例如 repo 的更換、自動儲存 token 的需求等）引導 AI 精準執行。

在有 AI 輔助的開發新時代，我們不再需要花費大量時間去死記生硬的工具指令或排版日誌，而是能將精力集中在「如何清晰表達邏輯與創意」。

準備好與你的 AI 助理一起，繼續在你的雲端服務上堆疊出更多實用的新點子了嗎？

— — 本專案的完整程式碼與安全配置已全數備份至 GitHub：https://github.com/zonawang/line-ai-bot，如果您對建立自己的 LINE 機器人或與 AI 協同開發感興趣，歡迎隨時與我交流！