fix(dashboard): warm cache after AI pick refresh

CONSTITUTION.md

@@ -2,7 +2,7 @@
 
 > 本文件定義專案開發的核心準則與不可違反的規範
 > **建立日期**: 2026-01-12
-> **當前版本**: V10.62 (Product pick regeneration clears dashboard cache)
+> **當前版本**: V10.63 (Warm dashboard cache after AI pick regeneration)
 > **最後更新**: 2026-05-01
 
 ---

app.py

@@ -95,8 +95,8 @@ except Exception as e:
     sys_log.error(f"無法檢測磁碟空間: {e}")
 
 # 🚩 系統版本定義 (備份與顯示用)
-# 🚩 2026-05-01 V10.62: Product pick regeneration clears dashboard cache
-SYSTEM_VERSION = "V10.62"
+# 🚩 2026-05-01 V10.63: Warm dashboard cache after AI pick regeneration
+SYSTEM_VERSION = "V10.63"
 
 # ==========================================
 # 🔒 SQL Injection 防護函數

config.py

@@ -254,7 +254,7 @@ YOUTUBE_API_KEY = os.getenv('YOUTUBE_API_KEY', '')
 # ==========================================
 # 系統版本與路徑
 # ==========================================
-SYSTEM_VERSION = "V10.62"
+SYSTEM_VERSION = "V10.63"
 LOG_FILE_PATH = os.path.join(BASE_DIR, 'logs/system.log')
 public_url = PUBLIC_URL  # 用於模板顯示
 

docs/AI_INTELLIGENCE_MODULE_SOT.md

@@ -37,7 +37,7 @@ SQL漏斗(~300筆)
 - 配對來源仍以 PChome crawler 真實搜尋結果為準；無競品資料時不生成挑品。
 - 比對覆蓋率補強入口：`POST /api/ai/pchome-match/backfill`，優先補抓仍無有效 PChome 配對的高價 ACTIVE 商品，完成後自動重算 AI 挑品清單。
 - 排程閉環：`run_pchome_match_backfill_task` 每日 10:30 執行，補抓 PChome 待比對商品、寫入歷史價格，再重算 `strategy='product_pick'` 清單。
-- 商品看板第一屏：`/` 的 V2 看板直接以 `products`、`price_records`、`competitor_prices`、`ai_price_recommendations` 顯示比對覆蓋率、PChome 優勢、MOMO 威脅、AI 挑品與待比對優先清單；`filter=ai_picks` 可查看 50 品 AI 挑品列表，並在列表上方顯示平均信心、平均價差、最大價差與估算總價差空間，列表列內顯示 AI 排名與建議理由，且可透過 `/api/export/excel/ai-picks` 匯出 50 品 Excel 操作清單。商品看板深度快取同時寫入 `data/dashboard_full_cache.pkl`，供多個 Gunicorn worker 共用，避免部署後各 worker 重複重建 7,000+ 商品統計造成開頁變慢；所有資料異動與 AI 挑品重算都透過 `clear_dashboard_cache()` 同步清除記憶體與共享快取。
+- 商品看板第一屏：`/` 的 V2 看板直接以 `products`、`price_records`、`competitor_prices`、`ai_price_recommendations` 顯示比對覆蓋率、PChome 優勢、MOMO 威脅、AI 挑品與待比對優先清單；`filter=ai_picks` 可查看 50 品 AI 挑品列表，並在列表上方顯示平均信心、平均價差、最大價差與估算總價差空間，列表列內顯示 AI 排名與建議理由，且可透過 `/api/export/excel/ai-picks` 匯出 50 品 Excel 操作清單。商品看板深度快取同時寫入 `data/dashboard_full_cache.pkl`，供多個 Gunicorn worker 共用，避免部署後各 worker 重複重建 7,000+ 商品統計造成開頁變慢；所有資料異動與 AI 挑品重算都透過 `clear_dashboard_cache()` 同步清除記憶體與共享快取，手動重算 API 會立即預熱商品看板快取，避免第一位使用者承擔重建成本。
 
 | 角色 | 模型 | 主機 | 成本 | 每日限額 |
 |------|------|------|------|---------|

routes/ai_routes.py

@@ -1625,6 +1625,7 @@ def api_generate_product_picks():
         from sqlalchemy import create_engine
         from services.ai_product_pick_agent import generate_product_pick_list
         from services.cache_manager import clear_dashboard_cache
+        from routes.dashboard_routes import get_full_dashboard_data
 
         payload = request.get_json(silent=True) or {}
         limit = int(payload.get('limit', 50))
@@ -1633,6 +1634,11 @@ def api_generate_product_picks():
         engine = create_engine(DATABASE_PATH)
         result = generate_product_pick_list(engine, limit=limit)
         clear_dashboard_cache()
+        dashboard_cache_warmed = False
+        try:
+            dashboard_cache_warmed = bool(get_full_dashboard_data())
+        except Exception as warm_err:
+            logger.warning(f"[ProductPickAgent] 商品看板快取預熱失敗: {warm_err}")
 
         return jsonify({
             'success': True,
@@ -1641,6 +1647,7 @@ def api_generate_product_picks():
                 'candidates': result.candidates,
                 'written': result.written,
                 'generated_at': result.generated_at,
+                'dashboard_cache_warmed': dashboard_cache_warmed,
                 'picks': result.picks[:50],
             }
         })
@@ -1668,6 +1675,8 @@ def api_pchome_match_backfill():
             engine = create_engine(DATABASE_PATH)
             result = CompetitorPriceFeeder(engine=engine).run_unmatched_priority(limit=limit)
             pick_result = generate_product_pick_list(engine, limit=50)
+            from services.cache_manager import clear_dashboard_cache
+            clear_dashboard_cache()
             logger.info(
                 "[PChomeBackfill] done total=%s matched=%s no=%s low=%s errors=%s history=%s duration=%ss pick_written=%s",
                 result.total_skus,

scheduler.py

@@ -2071,6 +2071,7 @@ def run_pchome_match_backfill_task():
         from config import DATABASE_PATH
         from sqlalchemy import create_engine
         from services.ai_product_pick_agent import generate_product_pick_list
+        from services.cache_manager import clear_dashboard_cache
         from services.competitor_price_feeder import CompetitorPriceFeeder
 
         now_str = datetime.now(TAIPEI_TZ).strftime('%Y-%m-%d %H:%M')
@@ -2079,6 +2080,7 @@ def run_pchome_match_backfill_task():
         engine = create_engine(DATABASE_PATH)
         feeder_result = CompetitorPriceFeeder(engine=engine).run_unmatched_priority(limit=120)
         pick_result = generate_product_pick_list(engine, limit=50)
+        clear_dashboard_cache()
 
         stats = {
             "total_skus":        feeder_result.total_skus,

tests/test_frontend_v2_assets.py

@@ -181,6 +181,8 @@ def test_ai_product_pick_agent_uses_real_competitor_data_and_dashboard_action():
 
     assert "generate_product_pick_list" in agent_source
     assert "clear_dashboard_cache()" in route_source
+    assert "get_full_dashboard_data()" in route_source
+    assert "dashboard_cache_warmed" in route_source
     assert "competitor_prices" in agent_source
     assert "competitor_price_history" in agent_source
     assert "daily_sales_snapshot" in agent_source