SavingsAI 如何運作：AI 驅動利率追蹤系統全解析

問題所在：英國儲蓄利率市場缺乏透明度

英國儲蓄市場出奇地不透明。銀行頻繁調整利率，有時一週之內變動多次，而市面上並不存在一個能即時匯總所有利率的權威資料來源。主要比較網站的資料更新頻率參差不齊，或依賴銀行自行提交的資料——這類資料往往比實際利率滯後數日。對於希望在定期存款視窗關閉前鎖定最佳利率的儲蓄者而言，這種延遲代價不菲。

SavingsAI 正是為解決這個問題而生。我們獨立追蹤英國主要儲蓄帳戶的每日利率——涵蓋活期儲蓄、定期存款、ISA 及通知帳戶——不依賴銀行資料供應商，不受聯盟推廣關係影響排名，亦無需人工逐一研究。目前，SavingsAI 追蹤來自 17 間以上英國銀行的 121 個儲蓄帳戶，每天早上英國市場開盤前完成更新，並以英文及繁體中文雙語呈現，整個系統完全由自動化與 AI 驅動，毋須專職員工維護試算表。

這對於旅居英國的香港及華語社群而言尤為重要。當大多數英國財金資訊僅以英文呈現時，要深入了解儲蓄市場實屬不易。SavingsAI 的雙語架構旨在消除這道語言障礙。

系統架構：五個協同運作的層次

SavingsAI 的後端由五個獨立層次組成。了解各層次的運作原理，有助解釋資料為何可靠、網站為何能在無人管理的情況下持續更新，以及整個系統如何以近乎零成本持續運行。

第一層——資料採集：n8n 擔任每日調度員

n8n 是一個開源工作流自動化平台，概念上類似 Zapier 或 Make，但具備更靈活的多步驟流程控制能力，且不按操作次數收費。SavingsAI 的整個後端流程以一個每日定時執行的 n8n 工作流構建。

每天早上，工作流自動啟動，依次查閱每間受追蹤英國銀行的儲蓄頁面。我們不依賴銀行 API（大多數英國零售銀行並不公開提供儲蓄利率的 API 接口），而是直接讀取銀行官方網站上發布的利率資訊——與一般客戶查閱的來源完全相同。這確保資料反映的是今天的實際利率，而非上週提交給資料中介機構的舊數據。

為何選擇 n8n 而非自行編寫程式碼？

選擇 n8n 而非自行編寫 Python 腳本，是一個深思熟慮的決定。n8n 提供視覺化工作流編輯器，令資料流程具備可審計性——每個步驟、每次轉換、每個分支均可在不閱讀程式碼的情況下直接查閱。它亦原生支援排程、錯誤重試及執行日誌，減少需要維護的活動部件。當某間銀行重新設計網站或更改利率顯示格式時，工作流可在數分鐘內完成調整。

第二層——AI 驗證：三個模型，一個共同真相

從銀行網站採集到的原始資料並非自動可信。頁面結構會改變，銀行有時以不尋常的格式顯示推廣利率，而自動採集偶爾也可能誤解數字的呈現方式。單一 AI 模型驗證自身輸出容易產生確認偏誤——它傾向於接受自己最初提取的結果。SavingsAI 的解決方案是三模型驗證流程。

Claude（Anthropic）

Claude 擔任主要的資料提取與推理模型。在接收銀行儲蓄頁面的原始文字內容後，Claude 負責識別每款產品的 AER、總利率、帳戶類型、最低存款額、通知期（如適用）及 FSCS 保障狀態。Claude 的優勢在於結構化推理——它能處理複雜的利率呈現方式（例如分級利率、入門優惠利率），並能以淺白英文解釋其判斷邏輯，便於人工審核。

Gemini（Google）

Gemini 擔任第二意見的交叉核查模型。它接收相同的來源內容，獨立進行資料提取。Claude 的結果與 Gemini 的結果若出現差異，系統即會標記作進一步核查。Gemini 在數值精確度方面表現出色，能有效捕捉 Claude 誤讀表格版面或將推廣利率誤作主打利率的情況。

Perplexity

Perplexity 提供實時網絡驗證層。由於 Perplexity 能夠存取即時網絡內容，它充當最後的合理性檢驗：「我們剛提取的利率，是否與 Perplexity 目前能找到的同一銀行儲蓄帳戶資料一致？」這一步驟能捕捉 n8n 採集步驟訪問的是銀行頁面的緩存版本或地區化版本，而非全國現行利率的邊緣情況。

實際運行中，三模型流程在首次核查時對約 94% 的利率達成共識。其餘約 6% 通常在 Perplexity 驗證步驟得到解決。需要人工審核的標記十分罕見，通常發生在某間銀行在採集過程當天進行了即時利率調整，這類情況會在次日早上重新採集並通過三個模型驗證後再行發布。

第三層——利率變動偵測：0.05% AER 閾值

AI 驗證流程輸出乾淨、經驗證的資料集後，系統會將其與前一天的快照進行比對。SavingsAI 並不將每個數據點視為同等重要。0.01% AER 以下的微小差異視作不同銀行頁面顯示同一利率時的浮點數四捨五入差異。0.05% AER 或以上的變動才被視為真實的利率變動，並觸發通知流程。

0.05% 閾值的選取經過仔細考量。以 £10,000 存款計算，0.05% AER 的變動每年相差 £5——對正在作積極比較決策的儲蓄者而言具有實際意義，但又足夠小，不會因微小的四捨五入差異產生不必要的警報。對於 ISA 帳戶而言，若 FSCS 保障的 £20,000 年度免稅額已全數存入，同樣 0.05% 的利率變動每年代表 £10 的差異。

儲存什麼資料

每日驗證後的資料集將寫入結構化資料庫，作為 SavingsAI 的運營數據庫。每筆記錄包含銀行名稱、產品名稱、帳戶類型、AER、總利率、最低存款額、通知期、FSCS 保障狀態及最後更新日期。結構設計刻意保持扁平簡單——每款儲蓄產品一行記錄——既便於快速讀取，亦易於在出現異常時進行審核。

另設一個歷史資料庫，保存每款產品過去30天的利率記錄。這是每日變動偵測比對的基準資料來源。

第四層——雙語發布：英文與繁體中文並行架構

SavingsAI 為每個頁面提供兩個並行版本：英文版（/index.html、/blog/）及繁體中文版（/zh/index.html、/zh/blog/）。中文版針對旅居英國的香港及廣大華語社群，對這個群體而言，英國儲蓄市場在大多數財金內容僅有英文的情況下，顯得尤為難以駕馭。

雙語架構在內容生成層面並行運作，而非對英文輸出進行機器翻譯。博客文章、財經資訊摘要及利率比較標籤均以各自語言獨立撰寫，確保中文內容讀起來自然流暢，而非機器翻譯的生硬語感。n8n 同時觸發兩種語言的內容生成工作流，各語言的輸出均須完成驗證方可發布。

第五層——用戶通知：推送通知不收集個人資料

儲蓄比較用戶最常見的需求之一是：「請在利率變動時通知我。」要在不收集電子郵件地址或電話號碼的情況下實現這一功能——因為這些資料的收集將觸發英國 GDPR 個人資料控制者義務——需要採用不同的方法。

SavingsAI 使用 OneSignal 的瀏覽器推送通知服務。以下說明為何這在技術上真正保護私隱：瀏覽器的原生授權系統全權負責用戶同意管理。當用戶點擊瀏覽器的「允許通知」提示時，是瀏覽器——而非 SavingsAI——儲存訂閱令牌。OneSignal 接收的是匿名化的瀏覽器令牌；SavingsAI 的伺服器自始至終不接收任何個人資訊。

當 n8n 利率變動偵測步驟識別到 0.05% AER 或以上的利率變化時，系統即呼叫 OneSignal REST API 發送通知訊息——例如：「Marcus 已將活期儲蓄利率調整至 4.75% AER——立即查看是否需要轉帳。」

完整資料流程：從銀行網站到用戶螢幕

將五個層次結合起來，以下是一筆儲蓄利率從銀行網站到用戶螢幕的完整路徑：

1. 步驟一——資料採集。工作流每天早上啟動，依次查閱每間銀行的儲蓄頁面，提取每款受追蹤產品的原始利率資料。
2. 步驟二——AI 驗證流程。每筆提取的利率獨立傳遞至 Claude、Gemini 及 Perplexity 進行交叉核查。達成共識的利率予以接受；存在分歧的標記審核。
3. 步驟三——變動偵測。今日驗證後的利率與前一天的快照進行比對。0.05% AER 或以上的變動記錄為利率變動事件。
4. 步驟四——更新資料庫。正式資料集以今日驗證後的利率覆蓋更新，加蓋時間戳。歷史資料庫新增一條每日記錄。
5. 步驟五——利率資料發布至網站。驗證後的資料集以靜態可服務的格式寫入，頁面載入時無需查詢資料庫。
6. 步驟六——觸發推送通知（如適用）。若偵測到任何利率變動，系統呼叫 OneSignal API，向已訂閱的用戶發送瀏覽器推送通知。
7. 步驟七——更新 RSS 訂閱源。/feed.xml 文件重新生成，包含最新最高利率及過去24小時發布的任何新博客文章。此文件公開可存取，任何人均可通過 RSS 閱讀器訂閱。
8. 步驟八——社交媒體分發。新內容及利率摘要通過 openclaw 與在 NVIDIA DGX Spark 本地運行的 Qwen3.5 35B 模型構建的 AI 輔助流程，交叉發布至 Threads、Facebook 及 Telegram。
9. 任何時段——用戶訪問 savingsai.co.uk。瀏覽器載入靜態 HTML 頁面，在毫秒之內渲染完整的 121 帳戶比較表——無伺服器端處理，無即時 API 呼叫。

內容生成：AI 輔助，人工審核

除利率追蹤外，SavingsAI 還定期發布博客文章及每日英國財經資訊。這些內容同樣借助 AI 輔助生成，但工作流程與利率流程有所不同：AI 草稿在發布前須經 SavingsAI 編輯團隊審閱和編輯，從不直接發布模型輸出的原始內容。

對於財經資訊，n8n 從多個英國財金新聞來源匯總頭條，借助 AI 為儲蓄導向的受眾提煉和背景化每則報道，再發布至財經資訊頁面。編輯團隊在發布時審閱輸出內容，可隨時撤回任何曲解原始報道的條目。

社交媒體分發由基於 openclaw 並搭配在 NVIDIA DGX Spark 本地運行的 Qwen3.5 35B 模型的獨立流程負責。這一設置能針對 Threads、Facebook 及 Telegram 各平台的語境和格式，生成符合各渠道受眾習慣的帖文，同時無需依賴第三方雲端 AI 處理以 SavingsAI 品牌公開發布的內容。

博客文章——例如本文——借助 AI 輔助進行資料匯總和初稿撰寫，再由具備金融背景的團隊成員審閱並作大幅編輯後方可發布。目標是兼取兩者之長：AI 快速整合大量資訊的能力，加上人類在準確性、語氣及滿足英國儲蓄者受眾特定需求方面的判斷力。

這套架構的優勢與局限

這種 AI 協調的比較系統具備傳統人工研究無法匹敵的真實優勢。每日更新的節奏意味著利率資料的滯後永遠不超過24小時。三模型驗證能捕捉到單一人工研究人員在日常核查中很可能遺漏的誤差。靜態前端意味著網站快速、安全且運營成本低廉。

技術架構一覽

透明度對財金比較網站的重要性

對 AI 生成的財金內容保持合理的懷疑態度是正確的。一個發布財金資料卻不說明運作原理的系統，等於要求用戶盲目信任一個黑盒子，而這個黑盒子的決策直接影響他們的儲蓄。SavingsAI 的做法是盡可能提高方法論的透明度：資料來源是公開可查閱的銀行官方網站，所採用的 AI 模型均已公開說明且有完善文檔，驗證邏輯已在本文詳述，而編輯團隊的背景則公開於作者頁面。

如您發現某筆利率有誤，聯絡頁面直達編輯團隊。利率更正屬優先處理事項，通常在一個工作日內解決——實際上意味著更正後的資料將在次日早上的自動採集流程中更新，並經三個模型驗證後正式發布。

以小型團隊、無機構資料預算的條件打造可靠的財金資料產品，需要自動化足夠嚴謹、AI 的輸出必須經過驗證。這套架構是 SavingsAI 目前對這一挑戰的最佳回應——並將隨著可用 AI 工具的進步及英國儲蓄市場的演變而持續迭代。