# 2026-09-26 最佳化報告：NLP W2／W3 週末自動跑

> **一句話結論**：NLP W2、W3 兩堂都做完了（15 章已發佈，概念也入庫了），成品大致符合主理人要的。但每章花約 200 萬，比上次 AI W3 的約 156 萬貴。
> 錢主要花在三件事：審稿時等於把整章重寫、為了壓字數一改再改，以及發佈和寫資料庫這些機械工作也交給 AI 做。
> 下面五個做法全部做完，推估全新的一週可以從約 3,400 萬降到約 1,600–1,800 萬。

這份同時給 AI 和主理人看，所以用 Markdown。

**單位說明**：本報告的數字都是「加權 token」，單位是「萬」。
加權 token 的意思是：把 AI 讀進去和寫出來的字數，照 API 的價格比例加總成一個數字（新輸入×1、快取寫入×1.25、快取讀取×0.1、輸出×5）。
這個數字只拿來互相比較，不等於帳號的實際額度。
模型也不同：Opus 最貴，Sonnet、Haiku 比較便宜，但實際便宜多少我**不確定**。

---

## 1. 這次每一步花多少

量法：用 `token_report.py` 的 `agent_usage` 逐一計算 `wf_3b1bdbe8-4fc` 這個 run 裡的 56 個 agent，再按「堂」和「步驟」加總。
主對話的花費不在裡面。

### 1.1 兩堂課分步驟

| 步驟 | 模型 | NLP W2（8 章） | NLP W3（7 章） | 說明 |
|---|---|---|---|---|
| 補概念檔 | Sonnet | 93（6 章，每章 16） | — | 舊草稿缺概念檔的章才做 |
| 審稿＋改版 | Opus | **770（每章 96，平均 28 輪）** | **587（每章 84，平均 25 輪）** | 同一道裡做完正確性、完整性、概念優先改寫、加圖、補中文 |
| 發佈到 Notion | Sonnet | 271（每章 34） | 262（每章 38） | 上傳圖、整頁寫入、讀回確認 |
| 漏看檢查 | Opus | 124（補 3 條） | 101（補 5 條） | 拿舊筆記比對，只有 W1–W3 有舊筆記 |
| 概念去重 | Sonnet | 158 | 157 | 讀整個資料庫比對 |
| 概念寫入 | Haiku | 103（3 個 agent） | 135（4 個 agent） | 新增 75 列／新增 69 列＋更新 11 列 |
| 前置知識關聯 | Sonnet | 43（41 列） | 161（62 列，9 個名稱找不到） | W3 為了找名稱多搜尋了 20 次 |
| 週頁章節置頂 | Sonnet | 12 | 12 | |
| **合計** | | **1,573（每章 197）** | **1,416（每章 202）** | |

### 1.2 其他

| 項目 | 花費 | 說明 |
|---|---|---|
| 實驗：第 06 章讀章節包重寫 | 93 | Opus 27 輪，其中 12 輪在壓字數 |
| 實驗：盲評 | 31 | Opus |
| 收尾：AI W3 前置知識關聯 | 83 | Sonnet。設了 51 列，略過 3 個資料庫裡沒有的名稱。**停車場 P8 已完成** |
| 收尾：NLP 課程頁 | 17 | W2、W3 改成連結＋完成，補上考試與作業 |
| **整個週末 run** | **約 3,210** | 不含本報告 |

### 1.3 花在哪（整個 run 的比例）

| 步驟 | 占比 |
|---|---|
| 審稿＋改版（Opus） | 42% |
| 概念（去重＋寫入＋關聯） | 24% |
| 發佈（Sonnet） | 17% |
| 漏看檢查（Opus） | 7% |
| 實驗＋評審 | 4% |
| 其他（補概念檔、週頁、課程頁、AI W3 關聯） | 7% |

---

## 2. 跟上次比

**結論：這次每章約 200 萬，比 AI W3「v2.2＋事後補中文」的約 156 萬貴約三成。**
多出來的部分是改版（改成概念優先、多加圖）、漏看檢查和比較大的概念階段。
比較範圍一律不含「最早寫草稿」的錢，因為那是以前就花掉的（沉沒成本）。

| 做法 | 審稿類（每章） | 發佈（每章） | 整堂的漏看、概念、週頁攤到每章 | 每章合計 | 做到的程度 |
|---|---|---|---|---|---|
| v2.1 舊流程（AI W2） | 兩道查核 101 | 23 | 36 | 約 159 | 沒有中文、沒有下一章連結 |
| v2.1＋事後補中文（AI W2） | ＋補中文 49 | | | **約 211** | v2.3 的中文與導覽，沒有改版 |
| v2.2（AI W3） | 一道審稿 34 | 33 | 35 | 約 102 | 沒有中文、沒有下一章連結 |
| v2.2＋事後補中文（AI W3） | ＋補中文 41 | | ＋關聯補做 12 | **約 156** | v2.3 的中文與導覽，沒有改版 |
| **v2.3 改版（這次 NLP W2）** | 審稿＋改版 96＋補概念檔 12 | 34 | 55 | **約 197** | 中文、導覽、概念優先、加圖全部一次做完 |
| **v2.3 改版（這次 NLP W3）** | 84 | 38 | 81 | **約 202** | 同上 |

**所以對你的影響是**：把審稿、補中文、改版合成一道，比分開做還省一點。AI W3 的「審稿 34＋補中文 41＝75」只比這次的 84–96 少一點，這次卻多做了改版。
真正變貴的是整堂的部分：這次有舊筆記要比對（漏看檢查每堂 101–124），而且概念階段每堂要 300–450。

---

## 3. 哪裡最貴、為什麼

### 3.1 審稿＋改版（42%）：等於把整章重寫，還一直在刪字

- **輸出量是上次的 3.6 倍**：每章平均輸出 6.8 萬 token，AI W3 的單純審稿只有 1.9 萬。改版本來就是重寫，這一塊省不太掉。
- **為了壓字數一改再改（這是最大的浪費）**：
  - 重寫實驗的寫手先寫出 14,366 字元，為了壓到 14,000 以下，跑了 12 輪「檢查→改幾個字」，占全部 27 輪將近一半。
  - W2 第 08 章的審稿人整份重寫兩次（19,764 → 17,394 字元），又跑了約 8 次 Python 逐句縮短。最後漏看檢查補了內容，又變回 17,180 字元。
  - 字數上限有四個版本，互相打架：手冊 3.1 節寫 6,000–12,000、`writer_rules.md` 寫 8,000–14,000、審稿提示寫 16,000、`check_note.py` 超過 16,000 就報錯。
- **驗算主理人不會看的數學**：審稿人用 Python 重算手算例子，W3 第 06 章還抓出投影片 p.12 表格有 11 格差了 10 倍。這很認真，但這些都收在「進階，可跳過」裡，主理人不會看。
- **一直讀圖、重讀草稿**：每章審稿讀了 1–10 張投影片圖、重讀草稿 1–6 次，有幾章還去讀 `check_note.py` 的原始碼。

### 3.2 概念階段（24%）：機械工作交給 AI 一筆一筆做

- 去重（每堂約 158）：Sonnet 要讀整個資料庫（W3 查了 8 次），再逐條比對名稱。
- 寫入（每堂 103–135）：Haiku 一筆一筆新增。4 個寫手寫出來的網址檔格式還不一樣（第 1 個是巢狀，其他是平的）。
- 關聯（43–161）：W2 做了 45 次讀取、43 次更新。W3 為了找 9 個對不到的名稱，又搜尋了 20 次，結果還是沒找到，這一步就花了 161。

### 3.3 發佈（17%）：每章 16–18 輪的機械工作

上傳 1–3 張圖、整頁寫入、讀回確認、寫標記檔。內容不用判斷，但每一輪都要重讀約 9 萬 token 的對話內容（快取讀取）。

### 3.4 漏看檢查（7%）：每堂約 110，只補了 3–5 條

補的內容有用，例如「抽取式和生成式摘要的優缺點」「contrastive learning」「recall 和 precision」。但平均一條要 20–40 萬。
只剩 NLP W1 有舊筆記，之後的新週次不會再有這筆花費。

---

## 4. 成品符不符合主理人要的

抽讀兩章全文：**NLP W2 第 03 章**（LLM 之前的應用與分析層次）、**NLP W3 第 06 章**（N-gram 語言模型）。
另外用程式掃過 15 章的結構，對 3 章跑了 `check_note.py`，也參考了評審對 W2 第 06 章的逐項評分。

| 主理人的優先順序 | 符合程度 | 例子 | 還差的地方 |
|---|---|---|---|
| 1. 白話概念＋生活比喻 | **符合** | 每段都有比喻和「考試可能怎麼問」。W3 ch06：平滑（smoothing，給沒看過的組合一點點機率）＝「四次作業分數相乘，沒交就歸零；平滑像沒交也先給 1 分」；n 選多大＝「n 小資料夠但近視，n 大看得遠但次數太稀」。W2 ch03：舊的生產線做法像接力賽，LLM 像一個人跑完全程，旁邊配一張流程圖 | 「跟別的方法差在哪、優缺點」要看運氣。W2 ch03 的 Luong 詞素向量 vs 字首字尾統計表，只有在 Self-check 才比。評審也指出重寫版少了「稀疏 vs 稠密」比較表 |
| 2. 圖文並茂 | **符合** | 15 章每章有 2–4 張流程圖（mermaid），加上 0–3 張投影片圖，全部放在不用點開就看得到的地方，圖前後都有白話。例：W3 ch06 放了 p.11 的次數表，後面接一句「0 代表語料裡 to 後面從沒接過 want」 | 沒有 |
| 3. 英文旁邊有中文 | **符合** | 15 章 Exam-ready 的英文行數和「中文：」行數完全一樣（每章 7–10 行）；60 題 Self-check 的題目和答案都有中文 | 有些行一次塞 3–4 句原句，很難背。例：W2 ch03 的「NLP Levels」一行放了四層各自的原句；W3 ch06 的 p.9 一行放了 4 句 |
| 4. 考試準備 | **大致符合** | Exam-ready 用投影片原句（抽 3 章，英文比對 0 個問題）。Self-check 大多是 explain／compare 題，例：W2 ch03「列出 NLP 四個層次，詞性標註屬於哪層」 | 60 題裡約 6 題要代數字計算，跟「不考算式」不合：W2 ch06 Q2 算 IDF、W3 ch02 Q2 數共現次數、W3 ch03 Q4 算 cross-entropy、W3 ch06 Q1 和 Q2 算機率、W3 ch07 Q2 算困惑度（perplexity）。「考試可能怎麼問」中英文混用：111 句裡 73 句英文、38 句中文，W2 ch03 全中文，W3 ch06 全英文 |
| 5. 簡潔 | **部分符合** | 不用點開就看得到的文字，每章約 7,000–10,500 字元，讀起來不長。沒有 emoji、沒有 callout | 全長 15,000–17,200 字元，一半在摺疊裡。評審也指出 W2 ch06 在正文放了 SMART 字母代號和計算量 O(...)，這些應該收進摺疊 |
| 數學與程式（不重要，不出錯就好） | **符合** | 全部收在「（進階，可跳過）」摺疊，而且都驗算過 | 驗算花了不少錢（見 3.1） |

**老師原話的查證**：程式在 3 章裡報了 14 句「逐字稿找不到」。我回原始逐字稿逐句看，全部是語音辨識錯字被改正了，不是編的。
例如：小平→小冰、如獲自保→如獲至寶、C code→SQL、bigrand→bigram、RuCode→recall。

**資料庫的缺口（小事）**：資料庫裡沒有「word2vec」和「TF-IDF」這兩個核心詞的獨立列，只有 Skip-gram、CBOW、TF、IDF，以及「TF-IDF as a strong RAG baseline」。
所以 NLP W3 有 9 個前置知識名稱掛不上。建議之後補這兩列，再把關聯接上。

---

## 5. 下一步要試的五個做法

照「省多少 ÷ 風險」排序。預估都是推估，而且大多只有一個樣本。

### 做法 1：字數只算「看得到的部分」，四個上限統一成一個（不用主理人決定）

- **做什麼**：`check_note.py` 改成只算不在摺疊裡的文字（例如上限 9,000），超過 10% 以內只提醒、不用修。手冊 3.1、`writer_rules.md`、`4_lean.js` 審稿提示都改成同一個數字。
  寫手和審稿人的提示加三句：不要讀 `check_note.py` 原始碼；只有要核對公式時才看投影片圖；小改用 Edit，不要整份重寫。
- **預估省**：寫手每章約 35（27 輪裡有 12 輪在刪字），審稿每章約 10。全新的一週（約 14 章）**約省 600 萬**。
- **風險**：低。摺疊裡的內容可能變長一點，但畫面上看不到。

### 做法 2：把評審的規則和本報告的發現寫進寫作規則（不用主理人決定，符合主理人已經講過的優先順序）

- **做什麼**：寫進 `writer_rules.md` 和審稿提示：
  1. Exam-ready 一行只放一句投影片原句；中文最後用「英文（中文）」列 1–3 個難字。
  2. Self-check 只出 explain、why、compare 題，不出要代數字的題。
  3. 「考試可能怎麼問」統一寫英文題目＋（中文：…）。
  4. 每章至少一處「跟別的方法比」（一個表或一句優缺點）。
  5. 拿掉「它到底怎麼運作要用小數字真的跑 1–3 步」這條。進階摺疊只放一個小例子；審稿人不驗算投影片表格，只確認筆記自己寫的數字對。
  6. 正文不放計算量 O(...)、代號對照、課本出處考據。
- **預估省**：每章約 5–10（少驗算、少寫算例），一週約 100 萬。主要是品質變好：優先順序 3、4、5 會各往上一格。
- **風險**：AI 課到底考不考「一步一步跑演算法」，老師沒講（手冊 3.5 節）。所以 AI 課每個演算法仍保留一個短的手算例子。

### 做法 3：發佈和寫資料庫改用程式直接呼叫 Notion（停車場 P7，要主理人決定）

- **做什麼**：主理人在 Notion 建一個「內部整合」（integration，讓程式用一把鑰匙直接改 Notion 的設定）拿到 token，再把學習主頁分享給它。
  之後用 Python 上傳圖片、寫整頁、新增或更新概念列、設前置知識關聯，全部不花 AI。
- **預估省**：發佈每章 34–38、概念寫入每堂 103–135、關聯每堂 43–161，加起來每堂約 400–550，**一週約 800–1,100 萬**。這是五個裡面省最多的。
- **風險**：
  - 主理人要花約 10 分鐘做設定。
  - 要寫一支程式，把筆記的寫法（摺疊、表格、流程圖、圖片）轉成 Notion 的格式。這是一次性開發，約一個 session。轉錯會跑版，所以要用程式比對「## 標題數、摺疊數」來驗收。
  - **不確定**：Notion 公開 API 能不能直接吃這種 Markdown。如果不能，轉換程式會比較大。

### 做法 4：概念去重先用程式比，AI 只判斷模糊的（不用主理人決定）

- **做什麼**：維護一份本機的概念索引 `concept_index.json`（英文名、中文、網址、週、課程），每次寫入後由程式更新。
  去重時，程式先把名稱統一格式（小寫、去括號縮寫、單複數）。完全對上的直接更新；相似度 0.85 以上的列給 Sonnet 判斷（通常 10–20 組）。
  前置知識名稱也由程式先轉成網址。對不到的列出來，不再讓 AI 一個一個搜尋。
  還沒做做法 3 以前，關聯步驟直接給 Sonnet「網址對網址」的清單；這次才新建的列不用先讀（本來就是空的），呼叫次數可以減半。
- **預估省**：去重每堂 158 → 約 30；W3 那種找不到名稱的關聯 161 → 約 40。一週約 300–500 萬。
- **風險**：主理人如果在 Notion 手動改名，本機索引會跟著不準。處理方式：每月用 view 模式重建一次（約 20 萬）；做了做法 3 之後用程式重建，就不花錢。

### 做法 5：老師原話的比對放寬，語音辨識錯字表自動累積（不用主理人決定）

- **做什麼**：`check_note.py` 比對引號時，忽略空白和大小寫、允許跨到下一行、只在標記時間 ±30 秒內找，相似度 0.8 以上就算找到。
  審稿人接受的錯字改正（這次的小平→小冰、如獲自保→如獲至寶、C code→SQL、bigrand→bigram、RuCode→recall、REG→RAG）加進 `fix_transcript.py` 的錯字表，下一週的逐字稿就先改好。
- **預估省**：每章審稿少 3–6 輪（這次 W2 ch08 報了 9 條，全部是誤報），每章約 10–15，一週約 150–200 萬。
- **風險**：低。門檻放太鬆可能漏掉真的編錯的原話；用時間窗和 0.8 的門檻壓住。

### 不建議現在做的

- **每週都做寫法實驗、評審**：這次實驗＋評審花了 124。規則有大改時再做就好。
- **NLP W1 的漏看檢查照舊用 Opus**：只剩這一堂有舊筆記。可以改用 Sonnet 或乾脆跳過，這筆錢只花一次，不是重點。

---

## 6. 推薦的「每週標準流程」

新的一週沒有舊草稿，所以**不改版，一律用章節包一次寫完**。`make_args.py` 預設就是這樣，不會帶 restyle。

| 步驟 | 做什麼 | 誰做 | 現在推估（每堂） | 五個做法做完後推估（每堂） |
|---|---|---|---|---|
| 0 | 上課後開**新對話**，一次只跑一堂，睡前開跑 | 主 session | — | — |
| 1 | N1–N5：下載、逐字稿、錯字、合併、投影片文字 | 腳本 | 0 | 0 |
| 2 | `lectures.json` 加一筆 → `1_segment.js` 切章節 → 主 session 花 5 分鐘看切法 | Opus | 107 | 107 |
| 3 | `0_shell.js` 建週頁（已是章節置頂版）與空章節頁 | Sonnet | 約 28 | 約 28（做法 3 後可改程式） |
| 4 | `make_brief.py` → `make_args.py` → `4_lean.js`：寫（章節包一次寫完）→ 程式檢查 → 一道審稿 | Opus | 每章約 93＋40 | 每章約 55＋28 |
| 5 | 同一個 run：發佈 | Sonnet → 程式 | 每章約 35 | 約 0 |
| 6 | 同一個 run：概念（程式先比 → Sonnet 判模糊 → 寫入 → 關聯） | Sonnet／Haiku → 程式 | 300–450 | 約 40 |
| 7 | 收尾：課程頁該週改「完成」、`token_report.py` 量花費記一列到手冊 7.5、更新進度表與停車場 | 主 session | 約 20 | 約 20 |
| | **每堂合計（7 章）** | | **約 1,700** | **約 800–900** |
| | **每週合計（兩堂）** | | **約 3,400** | **約 1,600–1,800** |

**要注意**：「寫」的 93 只有一個樣本，而且那次有 12 輪在刪字。「審稿」的 40 是用 AI W3 單純審稿的 34，加上 v2.3 多出的中文與導覽檢查推估出來的。第一次跑全新的一週後，要用實測數字更新這張表。

建議的實施順序：先做 1、2、5（只改腳本和規則，不用主理人動手），下一週就能量到效果。主理人同意做法 3 後，再做 3 和 4。

---

## 7. 給主 session 的待辦

- 手冊「目前進度」的 AI-W3 列還寫「前置知識關聯沒做完（停車場 P8）」。這次已補好 51 列，略過 3 個資料庫裡沒有的名稱：Partially observable environment、Nondeterministic action、Expected value。停車場 P8 可以改成完成。（這份任務只准改 NLP 兩列，所以我沒動。）
- 概念資料庫補「word2vec」「TF-IDF」兩列，再把 NLP W3 那 9 個名稱的關聯接上。
- 去重 agent 說「NLP-W2 的概念已經入庫，跟進度表不一致」，其實不是問題：W2 的概念是同一個 run 裡早一小時寫進去的。
- NLP W2 去重有兩個刻意不合併的判斷，NLP W3 有兩個，都寫在這次的結果摘要裡。Word Analogy 的「老師說會考」訊號可能太強。這些等主理人有空再看，不急。

---

資料來源：`wf_3b1bdbe8-4fc`（本次）、`wf_b07b0499-54e`（AI W3 v2.2）、`wf_bb053468-c35`（補中文）、`wf_364e7728-224`（AI W2 舊流程）的 agent 紀錄；`_work\notes-v2\nlp-w2\`、`nlp-w3\` 的草稿與完成標記；三章的 `check_note.py` 結果；原始逐字稿。
第 1–4 節的數字與例子都是實際量測或讀檔得到的。第 5、6 節的「預估省多少」是推估，已標明。