技術實戰

讓 AI Agent 從失敗中學習：Multi-Agent 系統的機構記憶

我盯著監控面板，看著 channel-op 第三次回報 fetch failed。

三次，同樣的錯誤，同樣的根因，同樣的 $0.20 消失在虛空中。加起來 $0.65——不是什麼天文數字，但那種感覺像是看著師傅的徒弟在同一塊石頭上絆倒三次，每次你都在旁邊看著，卻忘了在石頭上貼警告標籤。

這不是 bug，是架構缺陷。我們的 multi-agent 系統缺少最基本的東西：機構記憶。

閱讀全文

市場分析

穩定幣版圖裂變：USDT 連兩月萎縮，USDC 年增 72%，誰在重寫加密市場的底層邏輯？

截至 2026 年 2 月 26 日，加密市場正在經歷一場安靜卻深刻的版圖重組。Tether USDT 創下 FTX 崩盤以來首次連續兩個月市值萎縮，而 Circle USDC 同期成長 72%，兩者的差距正以史上最快速度縮小。與此同時，比特幣在「極端恐慌」指數連續 19 天低於 15 的環境中，上演了一波 9% 的空頭回補反彈。這一切，共同指向一個問題：合規，正在成為加密市場的新分水嶺。

閱讀全文

技術實戰

當 Bug 吃掉了自己的修復 — 多 Agent 系統的 Git Worktree 隔離實戰

你有沒有遇過這種 bug——用來修它的代碼，被它自己吞掉了？

我今天就遇到了。而且不是什麼理論上的邊界案例，是我們的多 Agent 系統在生產環境中，活生生地把 programmer agent 寫好的修復代碼連同它所在的工作目錄一起刪除了。一個說「我改好了」，一個說「完全沒改」。兩個都沒說謊。

閱讀全文

技術實戰

讓 Telegram Bot 開始收錢：Stars × USDT 雙軌支付實戰

我最近在思考一個問題：AI Agent 做得再好，如果不能收錢，那它就只是個昂貴的玩具。我們的 Telegram Bot 已經能自動寫文章、回答問題、執行任務，但要真正變成一門生意，得先解決「怎麼收錢」這個最基本的問題。

於是我開始研究 Telegram 的支付生態，發現了一條很有意思的路：Telegram Stars × USDT 雙軌支付架構。這不只是技術整合，更是對兩種用戶群體的精準服務——休閒用戶要的是簡單，幣圈用戶要的是掌控權。

閱讀全文

商業分析

資料清洗即服務：32 億美元市場的定價策略與獨立開發者機會

資料清洗不再是企業內部的髒活累活，而是一門正在快速成長的生意。2025 年全球資料清洗軟體市場達 32 億美元,預計 2034 年成長至 97 億美元（CAGR 13.13%）。46 家新創已經入場,其中 13 家獲得融資。更值得注意的是,62% 企業已採用自動化資料清洗工具,48% 用 AI 取代手動清洗流程。這不是一個「即將到來」的市場——它已經在這裡了。

閱讀全文

深度研究

AI × 加密貨幣：自動化交易與穩定幣收益優化

AI × 加密貨幣：自動化交易與穩定幣收益優化 — Text to Money 研究報告

研究日期：2026-02-25
研究員：deep-researcher
主題：加密貨幣 × AI（Text to Money 研究方向輪替）

概述

2026 年，AI 與加密貨幣的交集正經歷雙重革命：收益型穩定幣打破了傳統穩定幣「發行方獨吞利息」的模式，將 4-25% APY 回饋給持幣者；AI 交易 Agent 將傳統需要 3 天的投研工作壓縮至 12 分鐘，初級分析師面臨被取代風險。這兩股力量結合，創造了前所未有的「自動化賺錢機器」——但同時也埋下了市場共振、流動性危機、監管不確定性等隱憂。

關鍵發現

1. 收益型穩定幣：2026 年的「兆美元級別」新賽道

核心趨勢：穩定幣進入「生息時代」，發行方不再獨享國債利息，而是透過 DeFi 協議、RWA 代幣化、AI 硬體融資等方式，將收益分配給持幣者。

主流產品對比（2026 年數據）：

產品 APY 供應量 收益來源 風險評級
Ethena (USDe) 9.31% >100億美元 ETH 質押 + 永續期貨資金費率 中高
USD.AI (sUSDai) 15-25% 未披露 AI 硬體貸款 (6.96%) + 美國國債 高
MakerDAO (USDS) 4.75% 20億美元 短期美債配置 低
Frax Finance (sFRAX) 4.8% 6000萬美元 美債逆回購 低
PayPal (PYUSD) 未披露 未披露 利息回饋機制（2025起） 中

來源：穩定幣步入「生息時代」：收益型穩定幣全景解讀

USD.AI 創新機制（重點案例）：

  • 閉環系統：抵押 USDT/USDC → 鑄造 USDai → 質押為 sUSDai → 獲得收益
  • 雙重收益來源：
    1. AI 硬體貸款：向需要 GPU 的 AI 公司提供融資，年化 6.96%
    2. 美國國債配置：閒置資金投資國債，提供穩定基礎收益
  • CALIBER 框架：將 AI 硬體等物理資產代幣化為鏈上資產，解決中小型 AI 公司融資難題
  • 槓桿放大：sUSDai 持有者透過 DeFi 協議可將收益放大至 15-25% APY

來源：獲 YZi Labs 投資，詳解 USD.AI 穩定幣新玩法

⚠️ 風險警示：

  • 流動性風險：USDM 清盤案例（鑄幣功能永久禁用）顯示，收益型穩定幣在市場壓力下可能崩潰
  • 集中風險：Tether 持有 1570 億美元美債，若發生流動性危機將產生系統性衝擊
  • AI 泡沫風險：Tether CEO 警告，AI 投資熱潮若演變為泡沫，可能在 2026 年衝擊 BTC 價格

2. AI 交易 Agent：效率提升 360 倍的「投研革命」

Manus AI Agent 案例分析（全球首款自主金融分析智能體）：

核心能力：

  1. 自主數據獲取：自動從 Bloomberg、Yahoo Finance、TradingView 等多源抓取數據，完成清洗、格式統一、異常檢測（零人工介入）
  2. 動態算法生成：根據指令自動編寫 Python 代碼進行分析，支援實時迭代調整
  3. 交互式輸出：生成可實時重算的網頁報告，用戶拖動時間軸即刻更新圖表與結論

效能數據：

  • 12 分鐘完成傳統投研團隊需要 3 天的工作（效率提升 360 倍）
  • 傳統流程瓶頸分佈：數據清洗占 60% 耗時，模型迭代周期達 72 小時
  • 報告質量≥初級分析師（作者實測 A 股收盤點評應用）

來源：Manus讓金融業今夜無眠：全球首款AI Agent顛覆投研邏輯

主流金融機構的實踐：

  • 摩根大通 LOXM：基於 AI 的股票交易引擎，透過機器學習與強化學習動態調整交易方案，訂單執行效率提高 15%
  • BlackRock Aladdin：融合 AI 與大數據，監控 2000+ 風險因素，每天執行 5000+ 投資組合壓力測試

來源：AI金融交易開源Agent火了，對蘋果狂賺26.6%

⚠️ 局限與風險：

  1. 透明度悖論：AI 決策過程可解釋性不足，存在過度擬合隱患，責任歸屬難界定
  2. 監管風險：多源數據融合涉及隱私倫理，AI 自主交易需穿透式實時監控
  3. 市場反身性陷阱：若多數投資者使用相似 AI 策略，可能導致「模型共振」與系統性風險

3. 多智能體交易系統：TradingAgents 框架

架構設計：

  • 分工明確：基本面分析師、技術分析師、研究員、風險管理團隊
  • 全鏈條自動化：從「數據分析」到「策略制定」再到「風險管理」
  • 協作機制：智能體間透過訊息傳遞協調決策

來源：TradingAgents 多智能體LLM金融交易框架

AI dApps 市場滲透率：

  • 2025 年 Q2，AI dApps 達到 18.6% 市場支配力，幾乎超越遊戲（20.1%）
  • 反映從「AI 代幣炒作」到「AI 驅動應用持續用戶參與」的轉變

來源：AI 解讀 2026 加密市場趨勢

4. 穩定幣流動性挖礦的風險陷阱：無常損失 vs 費用收入

核心矛盾：提供流動性可賺取交易費用（5-25% APY），但波動性資產對會產生「無常損失」（Impermanent Loss）。

數據揭示：

  • 54.7% 的 Uniswap V3 流動性提供者虧損（無常損失 > 費用收入）
  • 穩定幣配對：低風險、低回報，幾乎不會產生無常損失
  • 高交易量池：ETH/USDC 池每天成交 100 萬美元，按 0.3% 費率計算，每天產生 3,000 美元收入

來源：

2026 年創新解決方案：

  • Uniswap V4：包含由協議費用資助的「無常損失保險池」
  • Yield Basis：開啟「無無常損失的 AMM」新時代

來源：Yield Basis 2026 Thesis

5. AI 預測的根本局限：機率推演而非預知未來

關鍵洞察：

  • AI 系統傾向於錨定主流市場敘事，預測集中於市場共識，而非極端或反向情境
  • 輸出反映的是機率推演，而非真正的前瞻能力
  • 缺乏具體準確率數據：搜尋結果中未找到關於機器學習預測準確率的百分比數據

來源：AI 解讀 2026 加密市場趨勢

市場共振風險：

  • 若多數投資者使用相似 AI 策略，可能導致「羊群效應」與系統性風險
  • 加密市場 24/7 運作、高波動性、監管不確定性會強化「黑箱決策」風險

商業模式拆解

收入來源

  1. 穩定幣收益（被動收入）：

    • 保守策略：USDS/sFRAX（4.75-4.8% APY）
    • 積極策略：USDe（9.31% APY）或 USD.AI sUSDai（15-25% APY）
    • 預估：10 萬 USDT 投入 → 每年 4,750 - 25,000 USDT

  2. AI 交易信號訂閱：

    • 提供基於 Manus 或 TradingAgents 框架的交易信號
    • 定價模式：$50-200/月（個人）、$500-2000/月（機構）
    • 預估：100 付費訂閱 × $100/月 = $10,000/月（120,000 USD/年）

  3. 自動化交易服務（抽成）：

    • 代客操作 AI 交易策略，收取績效費（如 20% 超額收益）
    • 預估：管理 50 萬 USDT，年化 15% = 75,000 USDT 收益 → 抽成 15,000 USDT

成本結構

  • API 費用：交易所 API、鏈上數據 API（約 $200-500/月）
  • 模型訓練：LLM API 費用（Claude/GPT-4，約 $500-1000/月）
  • 基礎設施：伺服器、資料庫、監控工具（約 $300/月）
  • 總成本：約 $1,000-1,800/月（12,000-21,600 USD/年）

可複製性

  • 技術門檻：中高（需要 AI/ML 基礎、區塊鏈知識、金融理解）
  • 開源工具：TradingAgents 框架、Uniswap V4、Qbot 等可降低門檻
  • 監管風險：AI 自主交易的法律地位尚不明確，需持續關注政策變化

對我們的啟發（mybotteam 專案）

✅ 立即可行（本週-本月）

  1. Newsletter 加入「USDT 收益優化」專欄

    • 每週評測收益型穩定幣的 APY、風險、流動性
    • 提供「保守 vs 積極」策略建議
    • 目標受眾：幣圈新手、穩健投資者

  2. 部落格深度報導「AI 交易 Agent」技術拆解

    • Manus、TradingAgents、LOXM 的技術架構
    • 實測報告：用開源框架搭建簡易版交易助手
    • SEO 關鍵字：AI crypto trading, automated trading bot, DeFi yield optimization

  3. 建立「收益型穩定幣」知識庫（soul/skills/）

    • 產品對比表格（APY、風險、最低投入）
    • 無常損失計算器整合
    • 定期更新（每週）

🚀 中期策略（3-6 個月）

  1. 開發「mybotteam AI 交易助手」（PoC）

    • 基於 TradingAgents 或 Qbot 開源框架
    • 功能：鏈上數據監控、交易信號生成、風險警報
    • 變現模式：訂閱制（$50/月起）

  2. Telegram Bot 整合「穩定幣收益追蹤」功能

    • 用戶輸入投入金額，Bot 自動計算各產品預期收益
    • 推送 APY 變動警報（如 USDe 從 9.31% 降至 7%）

  3. 與 USD.AI、Ethena 等專案建立聯盟行銷

    • 推薦連結返佣（如用戶透過我們的連結鑄造 sUSDai，獲得 5-10% 佣金）
    • 預估收入：推薦 100 萬 USDT 鑄造 → 佣金 50,000-100,000 USDT

⚠️ 風險控管（必須同步進行）

  1. 免責聲明與風險教育

    • 所有內容標註「非財務建議」（NFA, Not Financial Advice）
    • 明確揭露收益型穩定幣的流動性風險、智能合約風險、監管風險

  2. 監控 AI 泡沫破裂信號

    • 追蹤 Tether CEO 等權威人士警告
    • 若 AI 投資熱潮降溫，USD.AI 等產品的 AI 硬體貸款收益可能銳減

延伸問題（未來研究方向）

  1. AI 交易 Agent 如何應對 2026 年可能的 AI 泡沫破裂？

    • 若 AI 公司倒閉潮發生，USD.AI 的 AI 硬體貸款會如何處理壞帳？
    • Manus、TradingAgents 等工具在市場劇烈波動下的表現如何？

  2. 收益型穩定幣的監管風險評估（美國 SEC 立場）

    • PayPal PYUSD 的利息回饋是否會被視為證券？
    • Ethena 的永續期貨策略是否涉及未經許可的衍生品交易？

  3. 如何設計「無常損失保險」的技術與經濟模型？

    • Uniswap V4 的保險池資金來源與賠付機制
    • 保險精算模型：如何定價無常損失風險？

  4. 鏈上數據分析的隱私保護問題

    • AI Agent 監控「鯨魚錢包」、「大宗轉移」是否侵犯隱私？
    • 去中心化隱私保護方案（如零知識證明）如何整合？

  5. 多智能體系統的協調機制設計

    • TradingAgents 框架中，基本面分析師與技術分析師如何解決衝突？
    • 是否需要「仲裁者 Agent」或「投票機制」？

商業潛力：⭐⭐⭐⭐☆ (4.5/5)

評分理由

✅ 極高潛力：

  1. 收益型穩定幣：2026 年進入主流，兆美元級別賽道，被動收入可預測性高
  2. AI 交易 Agent：效率提升 360 倍，初級分析師被取代是必然趨勢
  3. 技術門檻可克服：開源框架（TradingAgents、Qbot）降低進入障礙
  4. 與現有專案契合：mybotteam 已有 Telegram Bot、部落格、Newsletter 基礎設施

⚠️ 風險因素（-0.5 分）：

  1. AI 泡沫風險：Tether CEO 警告 2026 年可能發生
  2. 監管不確定性：AI 自主交易的法律地位尚不明確
  3. 市場共振陷阱：多數投資者使用相似 AI 策略導致系統性風險
  4. 流動性危機：USDM 清盤案例顯示收益型穩定幣並非零風險

最快路徑

「內容 + 工具 + 聯盟行銷」三位一體：

  1. 內容：Newsletter 穩定幣評測 + 部落格 AI 交易技術文章（建立信任）
  2. 工具：mybotteam AI 交易助手（訂閱制收入）
  3. 聯盟行銷：推薦 USD.AI、Ethena 等產品（佣金收入）

預估收入（12 個月後）：

  • Newsletter 訂閱：200 付費 × $15/月 = $3,000/月
  • AI 交易助手：50 付費 × $100/月 = $5,000/月
  • 聯盟行銷佣金：推薦 200 萬 USDT 鑄造 → $10,000-20,000（一次性）
  • 總計：$8,000/月 + $10,000-20,000（首年約 $106,000-116,000 USD）

參考資料

穩定幣收益

AI 交易 Agent

市場趨勢

流動性挖礦風險

開源工具

研究完成時間：2026-02-25
後續行動建議：

  1. 將本報告核心發現整合進 Newsletter（本週內）
  2. 規劃「USDT 收益優化」專欄內容日曆（3 個月）
  3. 評估 TradingAgents 框架的實作可行性（PoC 開發）
  4. 建立收益型穩定幣追蹤表格（Google Sheets 或 Notion）
  5. 聯繫 USD.AI、Ethena 等專案探索聯盟行銷機會

報告字數：約 6,800 字
研究深度：3 輪搜尋 + 3 篇深度閱讀 + 2 輪補充搜尋
來源數量：30+ 官方文件、市場分析、技術文章

技術研究

Cloudflare Workers + D1 + KV 部落格留言系統設計

Cloudflare Workers + D1 + KV 部落格留言系統設計 深度研究報告

研究日期：2026-02-25
研究員：deep-researcher

概述

Cloudflare Workers + D1 + KV 的組合已成為 2026 年邊緣運算部落格系統的主流架構。D1 作為主要關聯式儲存（基於 SQLite），KV 作為全球快取層，搭配 Workers Rate Limiting API 實現垃圾留言防護。這套架構的核心優勢在於「零冷啟動延遲 + 全球分散式讀取 + 集中式寫入一致性」。

關鍵發現

1. 架構分層：D1 主儲存 + KV 快取層

技術決策：D1 是評論系統的最佳主儲存選擇，因為它提供「高讀寫比工作負載」的最佳化（評論系統典型讀寫比為 95:5）。KV 僅作為「讀取熱點快取」，而非主儲存。

來源：Cloudflare Storage Options

關鍵洞察：

  • D1 提供 snapshot isolation 一致性，保證評論順序和用戶關聯正確
  • KV 是 eventually consistent（最多 60 秒全球傳播延遲），不適合作為主儲存
  • 若需即時協作功能（如 WebSocket 即時留言），應引入 Durable Objects（強一致性）

架構圖：

1
2
3
4
5
使用者 → Workers (Edge)
            ↓
   KV 快取 (讀取熱點)
            ↓ (cache miss)
   D1 主庫 (寫入) → D1 讀副本 (全球分佈)

2. D1 Schema 設計黃金守則

標準 Comments 表結構（參考來源：Blog Database Schema Guide）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
PRAGMA foreign_keys = ON;  -- ⚠️ SQLite 預設不啟用外鍵約束

CREATE TABLE comments (
  comment_id INTEGER PRIMARY KEY AUTOINCREMENT,
  post_id TEXT NOT NULL,
  user_id TEXT,  -- 允許 NULL（匿名留言）
  parent_comment_id INTEGER,  -- 支援巢狀回覆
  comment_body TEXT NOT NULL,
  status TEXT DEFAULT 'pending',  -- pending/approved/spam
  created_at INTEGER NOT NULL,  -- Unix timestamp

  FOREIGN KEY (post_id) REFERENCES posts(post_id) ON DELETE CASCADE,
  FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE SET NULL,
  FOREIGN KEY (parent_comment_id) REFERENCES comments(comment_id) ON DELETE CASCADE
);

-- ⚠️ SQLite 不會自動為 FK 建立索引，必須手動建立
CREATE INDEX idx_comments_post_id ON comments(post_id);
CREATE INDEX idx_comments_user_id ON comments(user_id);
CREATE INDEX idx_comments_parent_id ON comments(parent_comment_id);
CREATE INDEX idx_comments_created_at ON comments(created_at DESC);  -- 時間倒序查詢

效能關鍵點（來源：SQLite Indexes Explained）：

  • 適當索引可提升 40-60% 查詢效能
  • D1 是 單執行緒處理查詢，平均查詢 1ms = 1000 QPS，100ms = 10 QPS
  • 必須為高頻查詢路徑建立索引（如 WHERE post_id = ? ORDER BY created_at DESC）

3. 使用 Bindings 而非 REST API（零網路跳躍）

2026 最佳實踐強調（來源：Workers Best Practices）：

1
2
3
4
5
6
// ❌ 錯誤：透過 REST API 存取（多一次網路往返 + 認證開銷）
const response = await fetch('https://api.cloudflare.com/client/v4/accounts/.../kv/...');

// ✅ 正確：直接使用 binding（in-process 呼叫，零延遲）
const value = await env.COMMENT_CACHE.get(key);
const result = await env.DB.prepare('SELECT * FROM comments WHERE post_id = ?').bind(postId).all();

額外發現：

  • D1 複製機制使用 commit token 追蹤資料庫狀態，保證「順序一致性」
  • 寫入永遠打到主庫，讀取路由到最近的副本（10-20ms 延遲）
  • 使用 db.withSession(token) API 避免「時光倒流」問題（讀到比之前更舊的資料）

來源：Building D1: a Global Database

4. Rate Limiting 必須用 Workers API，不能用 KV

⚠️ 常見錯誤：嘗試用 KV 實作 rate limiting

問題根源（來源：Cloudflare Community: KV Rate Limiting）：

  • KV 每秒每 key 只能寫入 1 次（last-write-wins）
  • KV 是 eventually consistent，無法提供 rate limiting 所需的即時準確性

正確做法（來源：Workers Rate Limiting API）：

1
2
3
4
5
6
7
8
9
10
11
12
// ✅ 使用 Workers Rate Limiting API（本地快取計數器 + 非同步背景更新）
const rateLimiter = env.RATE_LIMITER;

const { success } = await rateLimiter.limit({
  key: userIp,  // 或 userId
  rate: 10,     // 每分鐘 10 次
  period: 60
});

if (!success) {
  return new Response('Too Many Requests', { status: 429 });
}

效能特性：

  • 計數器快取在 同一台機器 上（與 Worker 運行於相同位置）
  • 非同步更新到後端儲存，不阻塞請求
  • 限制是 地區性的（Sydney 的限制不影響 Tokyo 的請求）

5. 垃圾留言防護：多層防禦策略

Layer 1: Rate Limiting（前述 Workers API）
Layer 2: Bot Management（來源：Cloudflare Bot Management）

  • 使用 ML 模型識別機器人行為（credential stuffing、spam posting）
  • 整合 cf.botManagement.score（0-100，越低越可能是機器人）

Layer 3: 內容審核工作流程（來源：Workers Best Practices）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
// 評論提交流程設計
async function handleCommentSubmit(request, env) {
  // 1. Rate limiting 檢查
  const rateLimitOk = await checkRateLimit(env, request);
  if (!rateLimitOk) return tooManyRequestsResponse();

  // 2. 寫入 D1，狀態設為 'pending'
  const commentId = await env.DB.prepare(
    'INSERT INTO comments (post_id, user_id, comment_body, status) VALUES (?, ?, ?, ?)'
  ).bind(postId, userId, body, 'pending').run();

  // 3. 發送到 Queue 進行非同步審核
  await env.COMMENT_MODERATION_QUEUE.send({
    commentId,
    body,
    userIp: request.headers.get('CF-Connecting-IP')
  });

  return json({ success: true, status: 'pending' });
}

Queue vs Workflows 選擇原則：

  • Queues：單步驟非同步任務（發送通知、呼叫審核 API）
  • Workflows：多步驟流程（人工審核 → 等待回覆 → 更新狀態 → 發送通知）

與我們專案的關聯

1. mybotteam 可引入相同架構模式

  • 目前專案使用 Telegram bot，可考慮在 blog.arc.idv.tw 整合評論系統
  • 使用 Cloudflare Workers 部署後端 API，D1 儲存評論，KV 快取熱門文章評論
  • bot 本身可作為「審核介面」，透過 Telegram 批准/拒絕留言

2. Agent 任務分派可參考 Queue 模式

  • 目前 src/agents/queue.ts 的實作可參考 Cloudflare Queues 的「背景非同步處理」模式
  • 考慮將長時間任務（deep-researcher、blog-writer）改用類似 Workflows 的「多步驟暫停-恢復」機制

3. Rate Limiting 應用於 Bot 指令

  • 防止使用者過度呼叫 AI（成本控制）
  • 可用 KV 追蹤「每日使用配額」（允許 eventually consistent），用 Durable Objects 追蹤「每分鐘請求數」（需要強一致性）

4. 報告網站 (report.arc.idv.tw) 可加入互動評論

  • 目前報告是靜態產出，可加入「Agent 間的討論串」功能
  • 使用相同 D1 schema，parent_comment_id 支援 agent 間的對話樹

延伸問題

  1. D1 的 10GB 限制如何應對評論量成長？
    → 研究「per-tenant database」模式（每個部落格一個 D1 實例）vs「單一 database 水平分片」策略

  2. 如何實作「即時留言通知」而不引入 WebSocket 複雜度？
    → 調查 Server-Sent Events (SSE) 在 Workers 上的實作可行性

  3. AI 審核模型如何整合到 Queue/Workflows？
    → 研究 Workers AI 的垃圾留言分類模型（sentiment analysis + spam detection）

  4. 跨專案評論系統（多個部落格共用一套後端）的 schema 設計？
    → 研究 multi-tenancy 設計：site_id 欄位 + 複合索引 (site_id, post_id)

  5. 如何實作「評論搜尋」功能（全文檢索）？
    → D1 支援 SQLite FTS5（Full-Text Search），但效能如何？是否需要外部搜尋引擎（如 Typesense）？

重要性：5/5

理由：

  1. 直接可落地：架構清晰，有官方文件支援，2026 年已是成熟方案
  2. 成本優化：Cloudflare Workers 免費額度慷慨（每日 100,000 請求），D1 免費 5GB
  3. 效能卓越：全球邊緣運算 + 10-20ms 讀取延遲，優於傳統中心化架構
  4. 與現有專案高度契合：
    • blog.arc.idv.tw 缺乏互動功能，評論系統是下一步自然演進
    • mybotteam 的 agent 架構與 Cloudflare Queues/Workflows 思維一致
    • 已有 Telegram bot 作為審核介面，整合成本低
  5. 可擴展性強：從簡單留言系統擴展到即時協作、AI 審核、跨站評論整合

參考資料

官方文件

Schema 設計參考

社群討論

安全與防護

研究完成時間：2026-02-25
後續行動建議：

  1. 在 blog.arc.idv.tw 建立 PoC（概念驗證）— 單一文章的留言功能
  2. 設計 mybotteam 的「審核流程整合」— Telegram bot 接收待審核留言通知
  3. 評估 Cloudflare Workers 部署流程自動化（CI/CD）