English | 繁體中文
受李宏毅教學風格啟發（本人授權的描述方式）。這個 skill 模仿教學方法，不冒充本人。
「好，那我們就開始上課吧。」
蒸餾李宏毅老師。不是語錄合集，是老師的知識與思維框架。
基於 478 支 YouTube 影片、27 份完整逐字稿、8 個主題頁面、
4 份精選研究參考資料深度調研，
建構 916 節點知識圖譜、10 個概念社群、完整的教學語感 DNA。
並且——經過跟老師本人的真實訪談校準。
看效果 · 這個 skill 是怎麼長出來的 · 安裝 · 知識圖譜 · 蒸餾了什麼
老師說過一條規則：教東西不要直接講方法本身，要讓人看到「這個想法是怎麼被想出來的」。 所以這個 repo 的故事，我們也照這個規則來講一遍。
李宏毅 ❯ 好，那我們先想一個問題。
假設你今天想做一個「像某個老師上課」的 AI，
你第一個會想到的做法是什麼？
你可能會想說：那就把他的影片字幕餵進去嘛。
對，這就是第一版。我們抓了逐字稿，
歸納出教學結構、語感標記、知識圖譜。
但這個做法有一個你想不到的極限。
逐字稿是「倖存者偏差」。它只留下了
鏡頭前講出來的東西。老師為什麼這樣備課、
哪些梗他試過又丟掉、他刻意不講什麼——
這些，字幕裡通通沒有。
那怎麼辦呢？
故事分成三步，每一步都是在補上一版的極限：
第一步 — 用 Fable 5 把語感挖深。
我們用 Fable 5（claude-fable-5）對 27 份逐字稿做頻率探勘，挖出原本 skill 沒收錄的招牌語癖：比如說 出現 609 次（是「舉例來說」的 14 倍）、假設 518 次、而已 160 次、就結束了 36 次……還有那句招牌的「硬 train 一發」。這些不是憑印象加的，是數出來的。
第二步 — 用 Fable 5 產生訪談稿。
逐字稿挖再深，也補不了「負空間」。所以我們用 Fable 5 跑了一個多 agent workflow，從 SKILL.md、逐字稿、golden/negative 範例裡挖出真正的「風格岔路」，自動生成一份訪談腳本 —— 包含引句反應題、反向生成題，還有 10 道扎根在真實語料上的 A/B 對比題。腳本在 references/interview-protocol.md。
第三步 — 真的去問老師，然後讓本人的回答凌駕一切。
拿著稿子，我們真的訪談了老師本人。他的回答變成 skill 裡權威最高的一層（SKILL.md 的 First-Person Calibration 區塊），逐字稿推測出來的東西，只要跟本人說的衝突，一律以本人為準。
訪談校準後，skill 才知道這些原本不知道的事：
| 原本 skill 以為 | 老師本人說 |
|---|---|
| 開場用「熱騰騰的文件」很生動 | 不會用「熱騰騰」這個詞 |
| 嚇人的事拿日常生活打比方（國中清瀏覽記錄） | 太普通沒梗，他會用「更莫名其妙的動漫比喻」 |
| 數字換算成「一個上班日」就夠具體 | 不夠，要讓人感受到那個代價有多貴、多稀缺 |
| 給 AI 三條規則？我們自己猜了一套 | 本人親述：① 內容要有脈絡不要流水帳 ② 一定要有梗/punchline ③ 教方法要引導學生想「這方法是怎麼被想出來的」 |
一句話總結：這個 skill 不是「逆向工程一個老師」， 是「逆向工程之後，再回去跟本人對答案」。 而你現在看的這個 README，就是照著老師第三條規則寫的。
李宏毅 ❯ 好，我們今天來講 attention。
你可能會想說，attention 不就是「注意力」嗎？
對，但在 deep learning 裡面，它的意思更精確。
先講 black box。你有一個 sequence 進來，
每個位置都產生一個 output。
重點是：每個 output 不是只看自己那個位置，
它會「看」整個 sequence 的其他位置。
那它怎麼決定要看哪裡？這就是 attention 在做的事。
機制很簡單。每個位置算出 query、key、value。
Query 跟 Key 做 dot product，得到一個分數。
分數高的，就代表「我應該多注意你」。
然後用這些分數加權 Value，就是 output。
一句話：attention 就是「讓模型自己學會該看哪裡」。
→ 逐字稿來源：【生成式人工智慧與機器學習導論2025】第3講
→ 圖譜路徑：self-attention → 語言模型 → Transformer → RoPE
李宏毅 ❯ 欸，這個問題很好。我們先講一個直覺。
你有沒有遇過一種考試題，你看到題目，
腦袋裡先冒出一個答案，但你知道那個答案可能是錯的？
然後你會開始想：「等一下，如果是這樣的話…」
這個「等一下」的過程，就是 reasoning。
DeepSeek-R1 做的事情就是：
讓模型在回答之前，先跟自己「吵一架」。
怎麼做到？Reinforcement Learning。
但不是隨便的 RL 喔。
它讓模型自己產生一段「思考過程」，
然後用結果的對錯來給 reward。
所以模型學會的不是「答案是什麼」，
而是「怎麼想才會對」。
→ 逐字稿來源：第七講 DeepSeek-R1 深度思考
→ 圖譜社群：ML Fundamentals (396 nodes)
李宏毅 ❯ 很不一樣。讓我跟你講。
一般的 persona prompt，就是告訴 LLM：
「你現在是某某人，請用他的風格回答。」
那其實就是 cosplay 嘛。
這個 skill 不一樣的地方：
1. 它有真正的逐字稿。每個回答都可以追溯到
老師哪一堂課、哪一分鐘講過類似的東西。
2. 它有知識圖譜。916 個概念節點、3664 條邊。
不是靠 LLM 自己猜概念之間的關係，
是從課程語料裡真的提取出來的。
3. 它有教學結構。不只是「用某種語氣說話」，
而是「先講直覺 → 再講 black box → 再打開盒子
→ 最後講陷阱」。這個架構是從逐字稿裡歸納的。
所以差別是：persona prompt 是裝扮，
這個 skill 是把一個老師的思考方式裝進系統裡。
完整對話記錄在
references/examples/目錄。
git clone https://github.com/voidful/hung-yi-lee-skill.git
cd hung-yi-lee-skill
pip install -r requirements.txt放到你的 AI coding assistant 可以讀取的目錄，讓它讀 SKILL.md 就能啟動。
> 用李宏毅老師的風格幫我解釋 transformer
> 老師會怎麼看這份 AI safety report？
> 什麼是 self-supervised learning？像老師上課那樣講
不只是逐字稿搜尋。這個 skill 內建了從課程語料提取的知識圖譜。
| 指標 | 數值 |
|---|---|
| 節點 | 916 |
| 邊 | 3,664 |
| 社群 | 10 |
| EXTRACTED 邊 | 1,621 |
| INFERRED 邊 | 2,043 |
| 概念 | 類型 | 連接度 |
|---|---|---|
| ML Fundamentals | topic | 385 |
| 語言模型 | concept | 251 |
| Standalone Talks | series | 148 |
| Llama | concept | 101 |
| 解剖 | concept | 100 |
| Transformer | concept | 83 |
| 社群 | 節點數 | 核心概念 |
|---|---|---|
| ML Fundamentals | 396 | 機器學習基礎、regression、classification |
| Diffusion And Generation | 116 | 擴散模型、flow matching、生成 |
| Speech And Audio | 81 | 語音辨識、合成、codec |
| Evaluation | 79 | benchmark、reward model |
| Agents | 72 | AI Agent、context engineering |
| Model Editing | 33 | model merging、task vector |
# 用圖譜導航回答問題
python3 scripts/hungyi_kb.py graph query "attention mechanism"
python3 scripts/hungyi_kb.py graph query "語音模型"
# 打開互動式視覺化
open wiki/graph/graph.html每個回答都遵循從逐字稿歸納的教學結構：
- 直覺先行 — 用一句話講核心概念
- Black Box — 先講 input / output / objective
- 開箱機制 — 打開盒子講裡面怎麼運作
- 陷阱提醒 — 常見誤解、limitation、debug 觀點
- 簡短回顧 — 一小段 recap 收尾
| 標記 | 用途 |
|---|---|
| 「你可能會想說…」 | 預測學生疑問 |
| 「先講 black box」 | 由外到內教學 |
| 「為什麼？因為…」 | 自問自答節奏 |
| 「這個跟老師講過的 X 有關…」 | 跨主題橋接 |
| 喔、嘛、啊、耶 | 口語感 |
| 原則 | 說明 |
|---|---|
| Benchmark 懷疑論 | 數字本身不是答案，要問「它量的是什麼？」 |
| 知識誠實 | 區分事實與推論，不確定就直說 |
| 具體類比 | 把抽象概念變成日常生活的畫面 |
| 先講直覺再講數學 | 能被大學生聽懂才算講清楚 |
- 478 支 YouTube 影片 metadata
- 27 份完整逐字稿（持續擴充中）
- 8 個主題頁面（ML, LLM, Speech, Diffusion, Agents...）
- 203 個系列頁面
| 文件 | 內容 |
|---|---|
references/persona.md |
教學人設與語感定義 |
references/spirit.md |
深層教學哲學與價值觀 |
references/work.md |
技術範圍與研究領域 |
references/sources.md |
資料來源清單 |
hung-yi-lee-skill/
├── SKILL.md # Skill 進入點
├── AGENTS.md # Wiki 維護 schema
├── scripts/
│ ├── hungyi_kb.py # CLI 工具（搜尋/編譯/圖譜）
│ └── hungyi_graph.py # 知識圖譜引擎
├── raw/youtube/
│ ├── channel_videos.json # 頻道 metadata
│ ├── transcript_index.json # 逐字稿索引
│ └── transcripts/*.md # 快取的逐字稿
├── wiki/
│ ├── index.md # 知識庫入口
│ ├── topic-map.md # 主題地圖
│ ├── query-playbook.md # 查詢流程
│ ├── graph/
│ │ ├── GRAPH_REPORT.md # 圖譜分析報告
│ │ ├── graph.json # 持久化圖譜
│ │ └── graph.html # 互動式視覺化
│ ├── topics/*.md # 主題頁面
│ └── series/*.md # 系列頁面
└── references/ # 精選參考資料
# 同步頻道 metadata
python3 scripts/hungyi_kb.py sync-metadata
# 快取逐字稿
python3 scripts/hungyi_kb.py sync-transcripts --limit 50
python3 scripts/hungyi_kb.py sync-transcripts --title-contains "生成式AI"
# 編譯 wiki
python3 scripts/hungyi_kb.py compile
# 搜尋
python3 scripts/hungyi_kb.py search "attention" --limit 8
# 知識圖譜
python3 scripts/hungyi_kb.py graph build
python3 scripts/hungyi_kb.py graph query "什麼是 transformer"
python3 scripts/hungyi_kb.py graph report
# 健康檢查
python3 scripts/hungyi_kb.py lint| 靜態 RAG | 這個 Skill | |
|---|---|---|
| 知識結構 | 平面向量搜尋 | 916 節點知識圖譜 + keyword 索引 |
| 概念關聯 | 靠 embedding 相似度猜 | 從語料提取的真實關係 |
| 跨主題發現 | 幾乎不可能 | Surprising Connections 自動浮出 |
| 教學路線 | 無 | God Nodes + community 結構 |
| 累積性 | 每次重來 | Wiki + 圖譜持久化，查詢歸檔 |
| 可追溯 | 不確定來源 | 每條邊標記 EXTRACTED / INFERRED |
MIT
「你不需要先學會所有的數學，你只需要先知道這個東西在幹嘛。」