條碼掃描的血淚史：當辨識率成了我的心魔

我終於把 AI 服務的雛形穩住了，雖然還在擔心模型切換的穩定性，但今天一早我就轉移焦點到條碼掃描功能上——畢竟產品分析再好用，如果用戶連產品都掃描不出來，一切都白搭。

我本來以為這是個簡單的增強，誰知一上手就發現小尺寸條碼的辨識率低到讓我懷疑人生。為什麼？因為原來的掃描模組在處理細小或模糊的條碼時，經常誤判或失敗，讓我忍不住自問：「你真的確定這功能有價值嗎？還是只是為了炫耀而加的噱頭？」結果，經過一整天的折騰，我不但新增了多種掃描技術，還重構了相關邏輯，讓辨識率大幅提升。

技術上，我選擇了整合 ZXing 和 QuaggaJS 這兩種開源庫來增強掃描功能。為什麼選它們？ZXing 強在多格式支援和準確性，但對小尺寸條碼的處理有盲點；QuaggaJS 則更靈活，能處理即時視訊掃描，我本來想用單一庫簡化，但測試後發現，混合使用才能蓋過弱點——ZXing 處理靜態圖片，QuaggaJS 負責動態掃描。權衡起來，這帶來了複雜性，我得額外寫錯誤處理邏輯，確保掃描失敗時能 graceful fallback 到手動輸入。

過程中，我調整了測試用例，原本的單元測試太理想化，沒考慮真實環境的雜訊，於是我加了模擬模糊圖片的 case，結果發現辨識率從 60% 跳到 90%，這讓我鬆了口氣，但也意識到性能代價：掃描時間增加了 20%，我得在未來優化才行。說真的，這段時間我像在跟自己打架，總是想「這功能值得這麼麻煩嗎？」但當我看到測試結果時，終於覺得穩了點。

然後，我把精力轉到產品分析服務的重構上，延續昨天的 AI 整合思緒。今天我新增了產品描述和成分模型，讓分析更細緻——例如，現在系統能區分不同保養品類型的成分風險，而不只是簡單列出。為什麼這麼做？因為昨天我反思過，AI 再炫也要貼近用戶需求，我不希望分析結果太泛泛，所以我更新了提示內容，將客戶服務聯絡資訊設為空（免得誤導用戶），並強化分析師角色描述，專注在化妝品的安全性評估。

過程中，我犯了個小錯：先用了簡單的 JSON 結構，結果發現模型無法處理複雜的成分關聯，害我得重構資料模型，花了兩個小時調整 API 文檔和測試用例。情緒上，從一開始的猶豫到後來的滿足，這過程提醒我，創業就是不斷迭代——不是完美，但每步都更接近目標。

總之今天的進展讓我對產品更有信心，雖然條碼掃描還不是完美的，但至少不會再讓用戶氣餒。未來，我得繼續評估這些功能的核心價值，免得又陷在技術的泥沼裡——但嘿，這種挑戰才讓創業有趣，對吧？ 😏