NobodyClimb 是一個台灣攀岩社群平台，幾個月前加了一個 AI 問答功能。這篇想聊的不是技術，而是：這個功能為什麼存在、怎麼做決定、做出來之後怎樣。
問題從哪裡來
攀岩路線的資訊很分散。要找「龍洞有哪些適合初學者的路線」，你大概要：
- 在 PTT 攀岩版爬文
- 找老手問
- 靠自己去爬過才知道
這個問題在其他運動也有，但攀岩特別麻煩，因為路線資訊高度在地化（地名、岩場特性、季節差異），而且繁體中文資源很少，Google 搜尋常常給你英文岩場資訊。
NobodyClimb 本身有收錄路線資料、岩友故事、完攀紀錄。這些資料對回答這類問題其實很有幫助，只是沒有一個好的查詢介面。
為什麼選 AI 問答
直接做搜尋功能不是不行，但關鍵字搜尋對這類問題效果差。「適合初學者」這四個字不會出現在路線描述裡，但「5.9、容易保護、友善的岩質」會出現。這種語義落差是關鍵字搜尋解決不了的。
RAG（Retrieval Augmented Generation）把問題翻譯成語義向量、找到相關資料、再讓語言模型組合成答案，就是為了解決這件事。
另一個考量是成本。Cloudflare Workers AI 讓整個 AI 推論的基礎設施維護成本幾乎是零，不需要另外開 GPU 機器，對小型平台來說這個差異很大。
設計上的幾個決定
配額系統和等級制度
不設配額的話，少數人可以無限用，整體推論成本很快就失控。但硬限制容易讓用戶不爽。
最後的設計是把配額和用戶在社群的參與度綁在一起：填越多個人資料、分享越多故事、紀錄越多完攀，每日可用次數就越多（麓→壁→稜→巔四個等級）。這個設計有兩個效果：鼓勵社群參與、讓高度使用 AI 的人通常是對平台貢獻最多的人。
個人化
登入用戶的查詢會帶入兩種個人 context：用戶記憶（例如「攀岩程度約 5.11、偏好台中地區」）和完攀紀錄。
效果是 AI 回答的時候會說「你已經完攀過 XX（5.10a），可以考慮挑戰 YY（5.11b）」，而不是泛泛地列路線。這個功能對真正在用平台的人差異很大。
只回答有根據的問題
AI 最大的風險是一本正經地胡說八道，這在攀岩這個場景特別危險（錯誤的路線資訊可能影響安全判斷）。
所以系統有幾個機制確保答案有根據：每個答案都附上來源連結、有 groundedness 評估、回答來自平台資料庫而不是 LLM 的訓練資料。如果問到資料庫沒有的東西，AI 應該說不知道，而不是編一個答案。
做出來之後
功能已全面開放給所有用戶。從實際使用觀察到幾件事：
最常被問的不是「哪裡可以爬」，而是更具體的問題：特定岩場的難度分布、季節建議、路線的岩質特性。這類問題在社群裡問人通常要等幾天，AI 幾秒就能回。
個人化功能的使用比預期少，可能是因為用戶不清楚 AI 知道他們的紀錄。這是個發現性問題，不是功能設計問題。
值不值得
對一個小型平台來說，把 AI 問答做到現在這個程度花了不少工程時間。值得嗎？
我覺得核心問題不是「有沒有 AI」，而是「用戶問的問題，平台現有的介面能不能回答」。如果答案是不行，AI 就值得投資。NobodyClimb 這個場景，攀岩路線的語義查詢是一個用 search 解決不了的問題，所以值得。
如果你的平台問題可以靠好的篩選器解決，先做篩選器。
NobodyClimb 的 AI 技術架構細節（13 步 RAG pipeline、HyDE、self-reflection 迴圈等）在另一篇技術文章裡有完整說明。