兩小時，學會指揮一個會寫程式的 AI
讓它跑實驗、畫圖、整理筆記， 然後一步步學會判斷它做得對不對。
現場兩小時 · 使用內建網路模型 · 課前完成安裝
這場工作坊在做什麼
你會帶著一份手寫數字資料，請 agent 寫程式、執行分析、畫圖，再檢查它的解釋。每個實作都有可以直接貼上的指令，也會帶你練習自己追問。
看得懂少量 Python、接觸過一些微積分或線性代數，就可以從課前準備開始。需要的概念會在用到時說明；完整推導留在可展開的補充裡，課後再回來讀。
上面那段話，agent 說得頭頭是道。但它漏了一個條件。
在什麼情況下，用 |cos| 比對主成分方向會失效？
Lab 2 會處理這題。這就是這場工作坊的樣子。
現場兩小時怎麼走
| 00:00 | 綠燈檢查 課前 | 確認每個人的環境都活著。課前準備沒做完的，這裡補救。 |
| 00:05 | 第一次對話 現場 | TUI 操作、權限機制、session 的邊界。搞懂你在跟什麼東西說話。 |
| 00:25 | Lab 1 · 分群 現場 | agent 當加速器。一句話換來十一組 k-means 與兩張圖，再比較「分群指標」與「數字標籤」回答的是不是同一個問題。 |
| 00:55 | 休息 | |
| 01:00 | Lab 2 · 降維 現場 | agent 當驗證對象。手刻 PCA vs sklearn，你負責設計能抓出錯誤的驗證方法。 |
| 01:30 | Lab 3 · 分類與筆記 現場 | agent 當學習夥伴。梯度檢查、線性可分的陷阱，再讓它把推導整理成 LaTeX 筆記（筆記可課後補完）。 |
| 01:55 | 收尾 | 挑選課後的操作練習與數學應用。 |
課程地圖
標 現場 的是兩小時內會一起做的；標 課後 的是給你自己往下走的。 全部內容都留在這個網站上，工作坊結束後隨時可以回來。
課前準備
裝好 opencode 與 uv，確認 Python 環境與 agent 能執行。請在工作坊前完成，現場就能直接開始實作。
第一次對話
啟動、下指令、看懂畫面上那些箭頭是什麼意思。權限機制為什麼重要，以及 session 滿了該怎麼辦。
Lab 1 · 分群：agent 當加速器
k-means 掃過 k=2 到 12，畫 elbow 與 silhouette。指標偏好 k=9，資料卻有 10 種數字標籤。這兩個數字各代表什麼？
Lab 2 · 降維：agent 當驗證對象
手刻 PCA 與 sklearn 比對。直接相減差 0.94 看起來大錯特錯，用對方法卻是完全正確。驗證方法本身就是這堂課的主題。
Lab 3 · 分類與筆記：agent 當夥伴
有限差分梯度檢查，抓出寫錯的梯度公式。接著撞上線性可分的陷阱，親眼看到「沒有最佳解」長什麼樣子。最後讓 agent 把推導寫成筆記。
在自己電腦上跑本地模型
Ollama 接 opencode。重點是 context 長度要在兩個地方各設一次。只設一邊，模型會表現得像個笨蛋，而你會以為是模型不好。
用 AGENTS.md 馴服 agent
把「一律用 uv run」「隨機種子固定」「不准偷呼叫 sklearn 充數」寫成專案規則，讓 agent 每次都照做，不必你每次重講。
git：讓你敢放手
不用 GitHub 帳號也能用。動手前先 commit、改完看 diff、不滿意就還原。有這張安全網，你才敢真的讓 agent 改你的檔案。
MCP、skills 與 subagent
建立自己的數學筆記 skill，請唯讀 reviewer 檢查程式，再認識外部工具與分工。
把需求說清楚，讓工作接得下去
練習拆步驟、提供完整錯誤，以及把進度存成檔案，在新對話繼續。
把 agent 帶回數學課
從微積分、線性代數到圖論，挑一個問題練習提出需求、實驗與驗證。
速查表
指令、快捷鍵、常見錯誤與對應解法。現場卡住先翻這頁。
開始之前
一、免費模型會看你送過去的東西。
本工作坊用的 opencode/big-pickle 是限時免費的試用模型，
官方明講資料可能被用於改進模型。所以：不要把還沒發表的研究資料、
個人隱私資料、或任何機密內容丟進去。課堂用的都是 scikit-learn 內建的公開資料集。
二、agent 會動你的檔案。 它真的會寫檔、刪檔、執行指令。這不是聊天機器人。 先看過第 07 章，或至少在動手前把重要的東西備份一份。