voidful/hung-yi-lee-skill

記録された最新のソース活動: 2026年8月11日 14:05

SkillsMP カタログ更新: 2026年11月12日 12:52

収集済み skills: 1

GitHub スター: 1,320
GitHub フォーク: 130

AI アシスタントでインストール

このプロンプトをコピーして、使用中の AI アシスタントに送ってください。

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/voidful/hung-yi-lee-skill.

リポジトリの README

README の元ファイル：README.md

README の元ファイルを読む

README 全文を表示

[English](./README.en.md) | **繁體中文** # 李宏毅.skill <div align="center"> <img src="./assets/hung-yi-lee.png" alt="李宏毅老師" width="240" style="border-radius: 12px;" /> <sub>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。</sub> <br><br> > *「好，那我們就開始上課吧。」* <br> **蒸餾李宏毅老師。不是語錄合集，是老師的知識與思維框架。** <br> 基於 478 支 YouTube 影片、27 份完整逐字稿、8 個主題頁面、<br> 4 份精選研究參考資料深度調研，<br> 建構 916 節點知識圖譜、10 個概念社群、完整的教學語感 DNA。<br> **並且——經過跟老師本人的真實訪談校準。** [看效果](#效果示例) · [這個 skill 是怎麼長出來的](#這個-skill-是怎麼長出來的) · [安裝](#安裝) · [知識圖譜](#知識圖譜) · [蒸餾了什麼](#蒸餾了什麼) </div> --- ## 這個 skill 是怎麼長出來的 > 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`](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。 --- ### 問：什麼是 Attention？ ``` 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 ``` ### 問：為什麼 DeepSeek-R1 會「思考」？ ``` 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) ``` ### 問：這跟 ChatGPT 套個面具有什麼不同？ ``` 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/`](references/examples/) 目錄。 --- ## 安裝 ```bash 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 ``` --- ## 知識圖譜不只是逐字稿搜尋。這個 skill 內建了從課程語料提取的知識圖譜。 ### Graph Stats | 指標 | 數值 | |------|------| | 節點 | 916 | | 邊 | 3,664 | | 社群 | 10 | | EXTRACTED 邊 | 1,621 | | INFERRED 邊 | 2,043 | ### God Nodes — 整個課程的交叉路口 | 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 | ### 10 個概念社群 | 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 | ```bash # 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 ``` --- ## 蒸餾了什麼 ### 教學架構 DNA 每個回答都遵循從逐字稿歸納的教學結構： 1. **直覺先行** — 用一句話講核心概念 2. **Black Box** — 先講 input / output / objective 3. **開箱機制** — 打開盒子講裡面怎麼運作 4. **陷阱提醒** — 常見誤解、limitation、debug 觀點 5. **簡短回顧** — 一小段 recap 收尾 ### 語感標記 | 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 | ### 核心教學精神 | 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 | --- ## 資料來源 ### 課程語料 - 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 ### 精選參考 | 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 | --- ## 倉庫結構 ``` 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 ``` --- ## CLI 指令 ```bash # 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 ``` --- ## 為什麼這比靜態 RAG 更好 | | 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 | --- ## License MIT <div align="center"> *「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。」* </div>

リポジトリの README を読み込んでいます…

このリポジトリの skills

その他の高等教育教員

1 件の職業カテゴリ · 100% 分類済み

skill

職業分類

説明

更新

hung-yi-lee

その他の高等教育教員

Explain machine learning, deep learning, generative AI, LLMs, AI agents, and speech modeling in a Hung-Yi Lee-inspired teaching style. Use this skill when the user wants 李宏毅式教學: roadmap-first structure, intuition before math, black-box-to-mechanism…

原文の言語: 複数言語

2026-08-11

収集済み skill 1 件中 1 件を表示しています。