Update src/llm.py

src/llm.py

@@ -4,26 +4,22 @@ import google.generativeai as genai
 
 class LLMService:
     def __init__(self):
-        # 1. 讀取 API Key
-        self.api_key = os.getenv("GOOGLE_API_KEY")
+        # 建議使用 os.getenv，或在此處暫時填入您的 Key: "AIza..."
+        self.api_key = os.getenv("GOOGLE_API_KEY") 
         self.model = None
         
         if self.api_key:
             try:
-                # 2. 設定 Gemini
                 genai.configure(api_key=self.api_key)
-                
-                # 使用 Gemini 1.5 Flash (速度快、便宜、適合分析數據)
-                # 如果追求更深度的推論，可改用 "gemini-1.5-pro"
                 self.model = genai.GenerativeModel('gemini-1.5-flash')
             except Exception as e:
-                print(f"Gemini 初始化失敗: {e}")
-
+                print(f"Gemini Init Error: {e}")
+    
+    # ... (其餘 generate_report 方法保持與您提供的一致) ...
     def generate_report(self, ticker, name, price, scores, details, backtest_res, news):
         if not self.model:
             return "⚠️ 未設定 Google API Key，無法進行 AI 分析。請在環境變數中設定 GOOGLE_API_KEY。"
 
-        # 3. 整理數據 (這部分跟原本一樣)
         score_summary = "\n".join([f"- {k}: {v}分 ({', '.join(details[k])})" for k, v in scores.items()])
         
         bt_info = "無回測資料"
@@ -34,7 +30,6 @@ class LLMService:
         if news:
             news_text = "\n".join([f"- {n['title']} ({n['date']})" for n in news[:3]])
 
-        # 4. 構建 Prompt (針對 Gemini 優化)
         prompt = f"""
         你是一位專業的台股投資分析師。請根據以下數據，分析個股：{name} ({ticker})。
         目前股價：{price}
@@ -60,11 +55,9 @@ class LLMService:
         """
 
         try:
-            # 5. 呼叫 Gemini 生成
             response = self.model.generate_content(prompt)
             return response.text
         except Exception as e:
             return f"❌ AI 分析生成失敗: {str(e)}"
 
-# 建立實例供外部呼叫
 llm_service = LLMService()