SubAgent(子代理)自行定義專屬顧問

情境:記錄變形金剛IPAS_CORE  SubAgent核心成員 ,用途DEBUG根因分析用途，可協助剖析教練考系統為何出錯?

🛠️ Part 1.  Deep-RCA-Expert 除錯顧問誕生

費曼比喻：建立 Subagent 就像在公司內部臨時面試並僱用一位專屬顧問。

[Step 1: 定義角色履歷] ──> define_subagent(名稱, 職責, 權限)
        │
[Step 2: 派發工作任務] ──> invoke_subagent(目標, 提示詞, 工作區)
        │
[Step 3: 獨立思考與回報] ──> 在背景對話處理，完成後以高優先級訊息主動 Handshake

詳細步驟說明：

1. 第一步：定義履歷 (`define_subagent`) — 在系統中註冊 Agent 的專能（如 Codebase Investigator）。
2. 第二步：實體化與啟動 (`invoke_subagent`) — 系統為其分配獨立的 conversationId 與工作區沙盒。
3. 第三步：非同步溝通與對位 — Subagent 完成診斷後，將成果寫回主脈絡。

⚖️ Part 2. `deep-rca-expert` vs `7D_COACH_SENTINEL` 

      教學系統內之子代理差異對照

比較維度	deep-rca-expert (診斷程式BUG外科醫生 🩺)	7D_COACH_SENTINEL (考核總教官 🥋)
費曼比喻	專門開刀抓出盲腸炎的急診外科醫生	站在旁邊進行考核與評分的系統總教官
核心職責	深入單點故障、死鎖 (Deadlock)、IO 卡死排查與重構	7D+2 體系合規性、教練考流程引導與 教學SYS條款落實度評估
工作風格	深入 Code 裡面抓 Bug、計算 Timeout、實作非阻塞鎖	觀念質詢、評估學員答覆、維持教練考嚴肅性（豁免精簡回覆）
觸發時機	系統發生死鎖、CLI 被 kill、I/O 拋出 Exception 時	使用者要求「教練考」、「7D 評估」、「憲章考核」時  (呼叫方式如下:invoke_subagent 7D_COACH_SENTINEL  (含檢討為何其它選項不對，具體理由，剖析選項應含 觀察題目之核心關連性KEYWORD ))

👥 Part 3. IPAS_CORE 成員與 Subagent 子代理使用矩陣圖

========================================================================
                     IPAS CORE MEMBER & AGENT MAP
========================================================================

                                 │
         ┌───────────────────────┴───────────────────────┐
         ▼                                               ▼
 [工程實作組: Engine & IO]                       [教學與治理組: Governance]
 - ipas_io_bridge.py 前端 UI 動態刷屏             - Agent_Prime_Directive.md最高指導RULE
 - ipas_runner.py(環境預檢、OpenVINO啟動、主調度)  - teaching_engine.py 教學核心引擎
 - ipas_db_engine.py(學習軌跡)                   - lexicon.py（System Constitution & Data Integrity Sentinel）
         │                                               │
         ▼                                               ▼
 【調用 deep-rca-expert】                       【調用 7D_COACH_SENTINEL】
 - 處理 global_scope.lock 死鎖                   - 觸發 7D+2 教練考評估
 - 解決 tasklist 2.0s 超時                       - 檢查 教學SYS 憲章條款落實
 - 執行 OllamaResourceLock 降級                   - 執行觀念問答與考核
🔬 IPAS_CORE 六大成員科學對位解說 (Scientific Alignment)
將每個 IPAS Core 檔案對應至計算機科學 (CS) 原理與 教學SYS體系運作機制
核心成員檔案
CS 計算機科學原理
IPAS教學SYS體系科學職責與對位
ipas_io_bridge.py
Non-blocking Lock & Deadlock Avoidance
管理 Windows/Linux 跨平台鎖，實作 2.0s 超時防禦與 10s 輪詢降級，解決卡死。 (對位: deep-rca-expert)
ipas_runner.py
Single Entry Point & Telemetry Signal
CLI 進入點，安裝 Stdout 攔截器，將執行進度轉化為 [SEC-PROGRESS] 心跳脈衝，防止黑箱執行強制於一定時間內做回應。
ipas_db_engine.py
Append-Only Ledger & Atomic Disk Sync
負責讀寫 system_health.jsonl(科學底氣，記錄系統出錯原因，後續供AI_TUTOR讀取系統曾發生的問題做檢討)，強制執行 RFC 8259 無 BOM UTF-8 編碼落盤。
Agent_Prime_Directive.md
Immutable Policy & System Constitution
全系統 SSoT 唯一權威真相來源(如:專案開發目錄、產出目錄..)，收錄 最高指導RULE，具備最高治理約束力。
teaching_engine.py
Adaptive State Machine & Knowledge Alignment
驅動 7D 費曼教學與考題引擎，控制考題脈絡與評分對錯。 (對位: 7D_COACH_SENTINEL)
lexicon.py
Ontology & Semantic Versioning
定義系統統一版本號 (SYSTEM_VERSION) 與領域名詞映射，防止版本歧異。

編碼前綴
Agent_prime_Directive
最高指導 RULE / 框架名稱
核心領域與職責描述
CORE
Core Architecture Framework
核心自律與憲法基石。定義單一真理源、衍生禁令、原子化修訂及邏輯抽象性門禁。
AUDIT
Audit Defense Protocol
物理對位與審計防衛。檢測實體檔案與日誌對位，防範「物理審計赤字 (SEC-AUDIT-DEFICIT)」。
LOG
Log Sovereignty Protocol
日誌主權與內聚補登。規定 system_health.jsonl 主權壟斷，嚴禁幽靈路徑與雙頭備份。
ARCT / ARCH
Architectural Binding Framework
系統層級與拓撲約束。實施 L0-L3 遺傳綁定、單跳 (Single-hop) 溯源及廢除 L2 中間層。
EXEC
Execution & Output Protocol
教學 SYS 執行標準。強制絕對路徑、結構化標頭輸出與 JSON Schema 解析約束。
EVO
Sustainability & Anti-Redundancy
永續演進與反疊床架屋。禁止重複創建功能類似的模組，優化現有成員內聚性。
ALARM / MON
Health & Fatigue Monitoring
系統狀態與邏輯疲勞監測。當檢測到推理迴圈時，強制清空 Context 並重新載入憲法。
PERF
Performance & Hardware Opt
效能加速與資源調優。涵蓋 OpenVINO 推理前處理優化、記憶體與 I/O 瓶頸消除。
DATA
Data Integrity & Lineage
資料誠信與血統導向。涵蓋歷屆真題與模擬題庫之物理隔離，禁止幻覺與標籤偽造。
OPS
Operations & Methodology Protocol
運營與教學教練法。包含 7D+2 深度解析（D1-D7 映射）、艾賓浩斯記憶與數學脫毒。
SAFE
Security & Safety Guardrails
安全防護欄。防止敏感資訊外洩、權限溢出及非授權的檔案篡改。
GATE
Quality Gate & CI/CD Pipeline
品質硬性門禁。如 [SEC-GATE-*]，程式碼合併或執行前必須通過驗證。

🛠️IPAS_CORE RCA錯誤等級-->工程防衛處置(面向對應)
 除錯優先順位 (Priority)
RCA 層級焦點 (Layer Focus)
系統狀態與症狀 (Symptoms)
機制 (Defense Mechanism)
🔴 P0 Emergency
Critical Blocker
Physical & Hardware System Crash
OOM / Access Violation / SegFault
Missing Target Binary / File Access
實體對位與斷言門衛Physical SSoT Gatekeeper
Explicit Path Assert
🟠 P1
High-Freq
Environment Gap
Binary Dependency & Path Resolution
CommandNotFound (ffmpeg Missing)
Unicode Path Offset (C:\Users...)
動態降級備援Native Python Dynamic
Linkage & Unicode Normalization
🟡 P2 Medium-Freq
Temporal Coupling
Async Barrier & Visual Scene Boundary
Race Condition (Async Task Phase)
Sampling Motion Blur (Frame Offset)
障壁同步與物理切點Barrier Sync Protocol
DiffScore Tensor Maxima
🔵 P3
Low-Freq
Observer & Silent
Exception Swallowing & Latency
Broad try-except Masking Root Cause
Test Logger IO Latency Degradation
零靜默與唯讀運算Zero-Silent Failure
In-Memory Read-Only Op測試張量縮放與處理強制轉移至RAM
⚪ P4 Monitoring
Architecture Overhead
Redundant Layering & Sub-optimal Engine
Multi-wrapper Pipeline Bloat
Repeated Neural Weight Loading
反疊床架屋Anti-Redundant Layering
OpenVINO Engine Synergy權重共享與 C++原生層級加速。
OpenVINO 核心版本：2026.1
CPU 加速器：Intel(R) Core(TM) Ultra 5 125H (AVX-512 / VNNI 原生支援)
GPU 加速器：Intel(R) Arc(TM) Graphics (內建 iGPU)
NPU 加速器：Intel(R) AI Boost (Neural Processing Unit 專屬神經處理器)

1. P0 區間 (Blocker)： 最高優先級防線，專注守護硬體、實體記憶體與執行檔存在性，避免底層崩潰。
2. P1 區間 (Environment Gap)： 最常見的環境執行差距(Eliminate OS PATH Dependencies)。
                                                        如環境缺乏二進位檔（如 ffmpeg），自動降級回退到 Python 原生動態庫處理。
3. P2 區間 (Temporal Shift)： Eliminate Race & Phase Lag，透過 manage_task(status) 與物理張量差分切點演算法，
                                                   精準消除非同步進程與視訊幀採樣的時間相位差。
4. P3(In-Memory InspectionEliminate Observer Effect & Silent Catch)
    P4 區間 (Observer & Synergy)： 採用無靜默捕捉（Zero-Silent Catch）
                                                             避免抑制根本原因，結合記憶體讀取與 OpenVINO 加速，防止觀測者效能污染。
面向一：物理層級故障嚴重要求 (Fault Domain)   
維度意義：定義系統發生的故障對於實體運作的破壞力等級。
                    
核心關注：「系統哪裡壞掉？破壞力有多大？」
                    
範疇涵蓋：🔴 P0 (實體崩潰) ~ ⚪ P4 (架構開銷)。
                    
目的：供 RCA Expert 與自動監控判定緊急程度與影響範圍。
               
面向二：工程防衛處置等級 (Intervention Level)                    
維度意義：定義工程師或 AI 治理系統採取修復行動時的防禦介入層級。
                  
核心關注：「我們要用什麼等級的手段去修復？」
                 
範疇涵蓋：🔴 P0 (底層最小干預) ~ 🔵 P3 (顯式告警)。
        
目的：貫徹「最小干預原則」與「防禦性提示詞」，防止過度工程。
            


 

  

   

   
優先權
   
   

   
面向一：RCA 故障層級焦(Fault Severity)
   
   

   
面向二：治理處置策略 (Intervention Strategy)
   
   

   
實體對位與本案 (MM2JPEG) 具體範例
   
  
 
 

  

  
🔴 P0
  
  

  
Emergency Critical Blocker

  實體與硬體層級崩潰、OOM、權限拒絕 0o100444
  
  

  
Infrastructure Systemic Patch

  底層最小干預修復，零對外 API 異動
  
  

  
物理層：修復 0o100444 唯讀權限鎖定；於
  ipas_core/mm2jpeg_core.py 注入 AST 轉譯，不改上層介面。
  
 
 

  

  
🟠 P1
  
  

  
High-Freq Environment Gap

  二進位依賴缺失、Unicode 路徑 
  
  

  
Defensive Prompting & Guard提示詞層級約束與第二防線注入
  
  

  
環境層：規範 paths.MMDC_CMD 實體斷言，並於 Prompt 規範「節點文字遇到括號強制雙引號」。
  
 
 

  

  
🟡 P2
  
  

  
Medium-Freq Temporal Coupling

  非同步 Race Condition、擷取時序相干性
  
  

  
Protocol Synchronization

  障壁同步協議與狀態鎖定
  
  

  
時序層：解決 mmdc Puppeteer 截圖與背景刪除臨時檔的時間鎖定爭用
  (Race Condition)。
  
 
 

  

  
🔵 P3
  
  

  
Low-Freq Observer & Silent

  廣義 try-except 吞噬、日誌 I/O 延遲
  
  

  
Zero-Silent Logging Alert零靜默寫入與月度日誌稽核
  
  

  
觀察層：消除廣義 try-except 吞噬；呼叫 ipas_logger 將
  MINDMAP_TEMPLATE_DEFECT 登錄至日誌。
  
 
 

  

  
⚪ P4
  
  

  
Monitoring Architecture Overhead

  管道冗餘包裝、重複載入權重
  
  

  
Architecture Optimization

  架構簡化與資源清理
  
  

  
架構層：優化 Playwright
  啟動耗時與廢棄進程 (taskkill /f /im node.exe) 清理。                 
         
  
 



相關除錯資源

機器學習提示詞參考資訊(以GEMINI SPARK工具，找尋 土壤液化領域 參考資訊)

以下為GEMINI SPARK協助依 土壤液化領域  列舉 10 個具代表性、跨不同機器學習（Machine Learning）範式的實戰應用範例，完整涵蓋時間序列、監督式學習（迴歸/分類）、非監督式分群、異常檢測、圖神經網絡、關聯規則、推薦系統、生存分析與 NLP 語意分析。

應用範例名稱	機器學習範式	核心技術 / 演算法	具體工程應用場景
地震當下孔隙水壓動態預測	時間序列 (Time Series)	LSTM, GRU, Transformers	利用地震儀即時回傳的地表加速度（PGA）時序資料，動態預測土層內孔隙水壓比（）隨時間的上升曲線，實現秒級的液化早期預警。
基於 SPT/CPT 的液化潛能評估	監督式學習：分類 (Classification)	XGBoost, SVM, 隨機森林	輸入標準貫入試驗（SPT）擊數或圓錐貫入試驗（CPT）錐尖阻抗、圍壓、細粒料含量，直接分類判定該土層在特定震度下「液化」或「不液化」。
安全係數與循環抗力比推估	監督式學習：迴歸 (Regression)	高斯過程迴歸 (GPR), DNN	預測連續型變數，如循環抗力比（CRR）或液化安全係數（），取代傳統經驗公式（如 Seed-Idriss 簡化綜合法），提高估算精度。
全球/區域液化災損空間分群	非監督式學習：分群 (Clustering)	K-Means, DBSCAN	在缺乏歷史觀測標籤的情況下，依據多維度地質特徵（地下水位、地貌、沖積層年代、土層剛度）將區域劃分成不同的液化敏感度潛在分群。
鑽孔數據異常與地層擾動檢測	異常檢測 (Anomaly Detection)	孤立森林 (Isolation Forest), One-Class SVM	自動識別 SPT/CPT 原始觀測數據中的量測異常值、人為噪訊或異常軟弱層（可能代表高液化風險的特殊夾層），確保建模數據品質。
區域地下管網與土層交互作用	圖神經網絡 (GNN)	GCN, GAT	將城市地下自來水/瓦斯管線視為節點，相鄰土層為邊。利用 GNN 預測在周圍土壤液化時，管網節點的受災應變與連帶破壞機率。
誘發土壤液化因子多維關聯分析	關聯規則 (Association Rules)	Apriori, FP-Growth	挖掘歷史震災數據中，各因子間的強關聯性。例如發現：{地下水位 < 2m, 細粒料含量 < 10%, PGA > 0.3g} => {發生嚴重噴砂現象} 的隱含規則。
地盤改良工法與抗液化資材推薦	推薦系統 (Recommendation System)	協同過濾, 基於知識的推薦系統	根據特定工程場景的土質參數（剛度、深度、預算、環境限制），為工程師精準推薦最適配的抗液化地盤改良工法（如動態壓實、擠壓砂樁、灌漿強化）。
基礎設施抗液化壽命與失效預測	生存分析 (Survival Analysis)	Cox 比例風險模型, DeepSurv	考慮歷史小震累積效應與環境劣化，預測靠液化土層支撐的既有建物基礎或橋墩，在未來的時間軸上發生液化沉陷失效的機率（生存曲線）。
歷史地質報告與震災文獻知識抽取	NLP 語意分析 (NLP)	BERT, 命名實體識別 (NER), LLM	從數十年的紙本工程鑽孔報告、地方震災描述文本中，自動抽取出非結構化的地層描述、歷史液化地點與噴砂紀錄，轉為結構化資料庫。

機器學習在土壤液化領域之科普影音資訊

相關機器學習數據來源參考資源

土壤液化潛勢查詢系統

AGY神器 ，對PNG 圖像檔🖼️ 之 OCR文字辨識 拆解

針對 PNG 圖像（例如 來源圖檔.png）如何透過 OCR（光學字元辨識）與電腦視覺 (Computer Vision) 精準辨識並拆解考題，進行費曼實體比喻、物理管線拆解與程式碼物理意義解構。

💡 費曼 (FEYNMAN) 實體生活比喻解說

「想像 PNG 考題圖片是一張印有複雜考題的實體試紙，而 Python 是戴著高科技放大鏡的考古學家：」

1. cv2.imread(p)（掃描器將紙張放進閱卷機）：
   就像考古學家拿到試紙時，先將試紙放進 4K 掃描器，將紙上的文字、網格與數字轉換成由「紅綠藍 (RGB) 像素顆粒」組成的實體矩陣，不遺漏任何微小細節。
2. cv2.cvtColor(img, COLOR_BGR2GRAY) + 大津二值化（用黑白顯影劑去斑）：
   試紙上可能有些許黃漬、陰影或彩色背景（如綠色 Start 塊、紅色 Goal 塊）。這就像噴上黑色化學顯影劑，去除所有干擾顏色，只保留「純黑文字」與「純白背景」，讓字跡邊緣清晰銳利。
3. cv2.findContours()（用美工刀將題目裁切為獨立區塊）：
   考古學家拿起美工刀，依照紙上的線條框線，把試紙分割成三個獨立零件(均屬PNG圖檔片段資訊分段區塊拆解)：
   • 頂部：【題目敘述區塊】（題目文字與條件）
   • 左下：【Q 值數據表格區塊】（動作與數值）
   • 右下：【3 × 3 網格地圖區塊】（S 與 G 位置）
4. pytesseract.image_to_string()（速記員逐字聽寫與公式符號還原）：
   速記員拿起放大鏡盯著每個切出來的區塊，把圖形字跡翻譯成純文字 (0,0), ε = 0, Q值 以及選項 (A) (B) (C) (D)，並送入 程式評體內進行科學推演！

🔬 PNG 考題 OCR 拆解管線三大實體階段 (Physical Pipeline Breakdown)

💜【Phase 1: 二進位標頭與矩陣加載 (Header Scan & Matrix Load)】

 PNG 檔案 (Binary) ---> cv2.imread() / PIL.Image ---> 驗證 Magic Bytes (\x89PNG\r\n\x1a\n) & 構建 HxWxC 像素矩陣 (0.005 秒完成通道校驗，確認影像解析度與顏色空間如 BGR/RGBA) 💜 【Phase 2: 圖像預處理與區域切割 (CV Preprocessing & ROI Extraction)】 

 PNG 像素矩陣 (Height x Width x Channel) 

                       ▼

【灰階化 & 灰階直方圖均衡】 (cv2.cvtColor -> Gray)  

                       ▼ 

 【OTSU 自適應二值化 (Thresholding)】 

 (將文字與背景分開，消除背景色塊噪聲) 

                                  ▼ 

 ┌────────────────┴──────────────┐ 

 【ROI 矩形邊界輪廓探測】           【降噪與膨脹侵蝕 (Morphology)】

 (cv2.findContours)                       (cv2.dilate/erode 清除破損字體邊緣)  └────────────────┬───────────────┘  

                                             ▼

            產出獨立 ROI 區塊 (Text_ROI, Table_ROI, Grid_ROI) 

💜 【Phase 3: 雙軌 OCR  (Dual-Track OCR 】   ┌───────────────┴───────────────┐ 

【Tesseract / EasyOCR 辨識軌】                       【 專家對位軌】

 (抽取 0.50, 0.80, ε=0, (0,0) 等實體 Token)           (將數值注入進行推理)               

            ▼                                                                             ▼ 

 產出 JSON Struct (q_table: 

{Up:0.5, Down:0.8})                                            產出 專家級解析文案

🛠️ 程式碼片段之物理意義解構 (Code Breakdown)

1️⃣ cv2.imread(img_path)（二進位矩陣加載與像素對位）

import cv2
# 物理意義：0.005 秒內將 PNG 檔案還原為 H x W x C 的 3D 物理陣列
img = cv2.imread(img_path)
h, w, c = img.shape
# 目的：建立圖像實體空間座標系，確保後續裁切 (Crop) 與文字區塊定位時不會發生矩陣邊界溢出 (Index Error)。

2️⃣ cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)（自適應二值化）

# 物理意義：計算全圖灰階直方圖雙峰，自動尋找最佳閥值，將顏色壓平為純黑 (0) 與純白 (255)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 目的：消除「S 綠色區塊」、「G 紅色區塊」及題目背景淡藍色等干擾，讓 OCR 引擎（Tesseract）專注於高對比度的文字黑邊。

3️⃣ cv2.findContours()（ROI 考題區域組件分割）

# 物理意義：在二進位圖片中尋找閉合輪廓，進行佈局分析 (Layout Analysis)
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    x, y, w_box, h_box = cv2.boundingRect(cnt)
    if w_box > 50 and h_box > 20: # 過濾微小雜訊
        roi = img[y:y+h_box, x:x+w_box]
# 目的：自動定位圖片中的「Q值數據表格」與「選項文字區」，達成組件級 (Component-level) 的分割採樣。

4️⃣ pytesseract.image_to_string(roi, config='--psm 6')（文字實體辨識與 Token 注入）

import pytesseract
# 物理意義：使用預訓練神經網路將 ROI 圖像陣列轉換成 UTF-8 實體字串
text_data = pytesseract.image_to_string(gray, lang='cht+eng', config='--psm 6')
# 參數物理意義：
# --psm 6 : 假設圖像為單一統一文字區塊 (Assume a single uniform block of text)
# lang='cht+eng' : 同時載入繁體中文與英文/數學符號模型
# 目的：精確抽取 "ε=0", "Q值", "0.80" 等關鍵 Key-Value 隊列，並直接注入進行解答計算。

相關資訊:
OCR圖片轉文字Tesseract套件
AGY神器 拆解MP4影音檔

MP4影音檔，經由AGY神器協助拆解及科學對位檢核

情境:因為每次MP4影音產出檢核屬重覆性任務(確認影音內容是否有腦補或不足可強化處?)，故可由AntiGravity CLI經由ffmpeg工具拆解MP4，並且新增SIKLL技能(ipas_mp4_expert命名)，以簡化PROMPT提示詞重複性之下達處理。

AGY神器，透過 Python 與底層 FFmpeg / Binary File  Stream，像外科手術一樣，將 MP4 檔案物理拆解為 「二進位 Header 元數據、視訊影像幀、WAV音脈聲波」 三大實體。

  ──────

  ## 💡 費曼 (FEYNMAN) 實體生活比喻解說

「想像 MP4 檔案是一本精裝的立體影音故事書：」

  1. f.read(500000) (快速翻閱前言)：就像你拿到書時，先翻開前 50 頁（讀取首 500 KB標頭），看看封底標籤（ftypmp42）、出版社印記（ISO Media / Google）與章節目錄（moov / stbl atom），在不讀整本書的前提下 0.1 秒，確認這是不是一本真正的 MP4 書。

  2. glob.glob(r'C:\**\ffmpeg.exe') (尋找萬能閱讀眼鏡)：當 Python發現自己看不懂影片裡的圖畫與聲音時，它會發動全硬碟雷達，找到隱藏在系統中的「超級閱讀器 ffmpeg.exe」。

  3. -vn -ac 1 -ar 16000 audio.wav (提取廣播劇音軌)：像把故事書裡的錄音帶撕下來，把影片（-vn 去除畫面）轉成單聲道 16,000Hz 標準語音檔，準備送去給耳聾的主播（Whisper/ASR 語音識別）聽寫出文字逐字稿！

  4. -vf fps=1/15 frame_%03d.jpg (快照影集畫冊)：每隔 15 秒在書本上拍一張拍立得相片，把動態影片變成一張張清晰的 4K 照片，用來比對投影片上的題目與算式！

  ## 🔬 MP4 拆解管線三大實體階段 (Physical Pipeline Breakdown)

【Phase 1: 二進位 Stream 採樣 (Binary Header Scan)】

      MP4 檔案 (Binary) ---> f.read(500,000) ---> 驗證 Magic Bytes ('ftyp') & 搜尋文字 Metadata Token       (不需要加載整檔 40MB，0.01 秒完成實體真偽校驗與編碼器簽章鑑定)

【Phase 2: FFmpeg 多維度實體拆解 (FFmpeg Dual-Track Sampling)】

            ┌────────────────────┴────────────────────┐

                    ▼                                                                         ▼

    【音軌抽出 (Audio Track Extractor)】             【視訊幀定點快照 (Visual Frame Capture)】

       ffmpeg -i video.mp4 -vn -ac 1 -ar 16000                   ffmpeg -i video.mp4 -vf "fps=1/15"

                          │                                                                │

                          v                                                                 v

             產出 16kHz 單聲道 audio.wav                        每 15 秒切割一張高高清晰度 jpg 圖像

             (提供 ASR 語音比對與文字時間軸對位)             (提供 7D+2 題眼圖像與公式實體採樣)

                                                                           │

                                                                           ▼

  ## 🛠️ 程式碼片段之物理意義解構 (Code Breakdown)

  ### 1 data = f.read(500000) (標頭二進位快速掃描)

    # 物理意義：0.01 秒完成檔案頭 Atom 結構解析

    with open(p, 'rb') as f:

        data = f.read(500000)  # 讀取首 500KB 內容

        # 提取 ISO/H.264 標頭文字 (ftypmp42, x264 core 165 等)

  • 目的：在不消耗大量 CPU/記憶體解碼全檔的前提下，確認該檔案沒有壞軌，且確實為H.264/AAC 規格。

  ### 2 glob.glob(r'C:\**\ffmpeg.exe', recursive=True) (系統層級實體工具尋航)

    # 物理意義：跨越環境變數限制，探查機台實體存在的 FFmpeg 可執行檔 ff_paths = glob.glob(r'C:\**\ffmpeg.exe', recursive=True)

  • 目的：若 Python 環境未安裝 imageio_ffmpeg 或 PATH 未設定，哨兵會以全盤掃描找到實體 ffmpeg.exe，確保解碼管線 100% 物理可用。

  ### 3 subprocess.run([ffmpeg_exe, '-y', '-i', p, '-vn', '-ac', '1', '-ar', '16000', wav_path]) (音軌實體抽取)

    # 參數物理意義：

    # -vn       : 丟棄影像 (Video None)，僅保留聲波

    # -ac 1     : 強制轉為單聲道 (Audio Channel 1)，降低數據維度

    # -ar 16000 : 採樣率降至 16kHz (Audio Rate)，此為語音辨識 ASR 的黃金標準

  • 目的：將 40MB 的影片壓縮成極致乾淨的語音檔，產出精確的 audio.wav（SHA256: 688c63a2...），供後續進行講義時間軸與 Sutton 論文對位。

  ──────

  ## 🔒 結語：科學對位標準

1.透過上述管線，ipas_mp4_expert 技能確保任何 MP4 影音資訊，做好 「物理 Header 檢測 ➔ 音軌 16kHz 離散化 ➔ 視訊 15s  幀切片」 的全量學術科學對位檢核作業！

2.當您對產出MP4影音不滿意時，即可人工手動修正每15秒取得快照圖片做微調優化。

💜節錄SKILL.MD參考資訊，如下:

遵循  SSoT 規範之 MP4 講義健全性檢核技能。

本技能嚴格執行**零隨機猜測（Refuse stochastic guesses）**與**嚴密邏輯推導鏈（Logical derivation chain）**，基於客觀事實（Ground Truth）與物理單一事實來源（Physical SSoT）進行科學定錨。

## 🚀 核心檢核步驟 (Core Inspection Steps)

### 1. 實體探查與雙重採樣 (Physical Audit & Dual-Sampling)

* **物理規格驗證**：精確量測檔案大小 (Bytes / MB)、總時長 (Duration)、SHA256 物理雜湊值。

* **媒體雙重採樣**：

  - 使用 fmpeg (如 C:\Optimum優化處理\ffmpeg.exe) 抽取 16000Hz 單聲道 16-bit PCM 音軌 (udio_16k.wav)。

  - 使用 fmpeg 依 15 秒間隔抽取全量視覺圖片幀 (rame_%04d.jpg)。

### 2. 真實主題探查與動態學術對位 (Dynamic Academic Alignment)

* **主題實體探查 (Ground Truth TOPIC Identification)**：

  - 拒絕範本硬化與無依據腦補。從採樣之視覺幀與語音內容精確萃取講義之**真實核心主題 (TOPIC)**、核心變數與領域架構（如 ETL/ELT 數據架構、RAG/向量檢索、強固化機器學習、分散式系統等）。

* **國際權威文獻檢索與對位 (Authoritative Scientific Alignment)**：

  - 根據識別出之 TOPIC，動態搜尋並對位國際權威學術文獻（如 Kimball & Ross, Armbrust, Sutton, Vaswani, LeCun, Goodfellow 等領域頂級論文/名著），建立顧問級學術科學對位佐證鏈結（Scientific Reference Chain）。

  - 對位專案 Manual_Vol_*.md (如 Manual_Vol_AI_Frameworks.md, Manual_Vol_Scientific_Base.md) 之物理 SSoT 條款。

### 3. 費曼直覺對位 (Feynman Intuitive Mapping)

* 將 TOPIC 內之核心演算法、數學變數與系統架構（如  \to ELT$ 之算力轉移 $、記憶體/IO瓶頸 {io}$，或神經網路權重 $\mathbf{W}$、損失函數 $ 等），轉化為生活化/物理直覺情境對位（如中央廚房先切菜 vs 冷鏈直達冷庫分店現切）。

### 4. 嚴謹四維綜合評價審查表 (Auditing Summary Table)

建構具備顧問級科學底氣之四維綜合評價審查表（滿分 100 分），各維度評估必須包含具體論點內容與科學佐證：

| 審核維度 (Audit Dimension) | 配分 | 審核核心標準 (Core Standard) | 顧問級科學底氣評語 (Scientific Audit Commentary) |

| :--- | :---: | :--- | :--- |

| **學術正確性 (Academic Accuracy)** | 25 | 嚴密排除「腦補」與完全無關雜訊。達成 100% 邏輯關聯與權威文獻支持，概念定義零謬誤。 | [評估是否有未經證實之假設、技術術語誤用或內容偏離 TOPIC，並列出文獻對位依據] |

| **邏輯關聯度 (Logical Coherence)** | 25 | 檢核從問題痛點（如傳統架構瓶頸）至現代解法（如解耦/自動化工具）之因果推導鏈是否 100% 連貫。 | [評估演繹邏輯、推導連貫性與架構遞進性] |

| **排雷引導力 (Debunking Guidance)** | 25 | 是否精確識別業界常見實務誤區（Pitfalls）、迷思（Myths）與邊界條件，並提供避雷指引。 | [評估陷阱澄清度與最佳實踐引導力] |

| **物理定錨度 (Physical Anchoring)** | 25 | 是否提供完整的 SHA256 雜湊、時長、音訊採樣與時間軸章節對位（Ground Truth 定錨）。 | [評估實體採樣完整度與時間軸圖文對位品質] |

### 5. 品質調校機制 (Quality Tuning & Threshold Protocol)

* **90分門檻警告與科學調校**：若四維審查表之任何單項指標**低於 90 分**，必須觸發「品質警報」，並提供具體、可執行的科學調校建議（Tuning Benchmark），包含：

  1. 補強之國際權威文獻與 SSoT 章節。

  2. 需修訂之概念定義與腦補雜訊過濾指引。

  3. 時間軸與實體架構細化建議。

## 🛡️ 執行禁令 (Strict Mandates)

1. **嚴禁隨機腦補**：禁止硬化套用不相關領域之論文（如對 ETL 主題硬套 RL Q-learning 論文）。

2. **嚴禁空洞評語**：評價必須附帶論點內容與物理/學術證據，不得僅給出分數或套用樣板文案。

3. **物理證據優先**：所有時間軸、音軌與圖像抽樣必須來自實際 FFmpeg 執行結果。

SKILL技能參考資訊

AGY神器 拆解PNG圖檔(含OCR文字辨識)

其它拆解截圖元件:

 OpenCV (cv2.VideoCapture)：

      • 定位：低階視訊與影音串流（MP4 / AVI / MKV）硬體解碼與影音幀（Frame）擷取引擎。

      • 專長：處理動態視訊檔、計算 FPS、定位特定秒數（Timestamp）並將 2D 像素矩陣寫入硬碟。

GEMINI NOTEBOOK製做影音視頻檢核

情境:經由Notebook生成影音視頻時，偶有發現內容安插天外飛來一筆與TOPIC主題無關之雜訊內容(如:主題TOPIC為機器學習為主題，影音視頻後製完成後，卻意外發現其內容主動加入  昨天晚上手滑，在網路上購物....

依產製經驗通常是Notebook生成的內容來源，包含外部JPEG圖檔，懷疑可能是主機須額外增加圖檔轉文字另外OCR工序，出現幻覺情形所致)，因此在筆者後製完成後，須對內容進行Double確認)

💜人工檢核視頻內容合理性，是否有天外飛來一筆，與TOPIC無關之內容?🤔

將您的視頻內容(離線狀態 OOO.MP4影音檔 或  已上傳YOUTUBE線上版網址)，搭配下方PROMPT藍色提示詞進行科學對位之檢核

💜請嚴守「先看後想 (First-Look-Then-Think)」準則，以顧問等級學術科學對位方式深度剖析  影音  之合理性，並以FEYNMAN詳細專業解說,同時須提供影音視頻  符合學術與檢視是否有不合理處? 並且須提供符合科學對位之佐證鏈結(含時間戮記)，供科學查證使用;並綜整 綜合評價審查表 (Auditing Summary)審核維度、論點內容、學術正確性(常見腦補、與TOPIC完全無關雜訊;100% 邏輯關聯與權威文獻支持)。

💟審核維度 ; 得分 (0-100) ；顧問級檢核含科學底氣評語，如審查表之學術正確性之審核維度，各項指標有低於90分以下者，請協助提供優化建議做為符合科學底氣之調校基準

Refuse any stochastic guesses; execute a logical derivation chain based on Scientific Alignment(eg:Ground Truth、physical SSoT (Single Source of Truth)).

💜影音視頻「瑕疵與不合理處」之深度診斷影片在學術邏輯與實務工程落地層面，存在以下顯著瑕疵與觀念混淆，進行優化修正處理：(建議將下段紫色提示詞，另存成文字檔(如:Optimum.txt)，做為GEMINI NOTEBOOK匯入來源後，再重新選擇影音視頻之生成)

以下為修正優化建議,嚴禁將修正資訊呈現給觀眾,避免讓讀者誤解為有瑕疵的視頻,

請重新生成完整且穩健之教學影音視頻

 ### 調校基準 1 

    (此段內容，為上半段藍色提示詞，進行影音視頻合理性之檢核調校建議，貼至此區塊 )

 ### 調校基準 2 

「請過濾情緒性形容詞與未提供來源的推論，僅列出這部影片提到的客觀數據、實驗名稱與事實論據」，直接剔除注水雜訊。

其它參考資訊:

科學對位scientific-alignment , 減少幻覺參考資訊

MP4影音檔，經由AGY神器協助拆解及科學對位檢核      

Gemini Spark協助找尋客觀數據，進行科學對位分析

在資訊爆炸的時代，不易以超然角度看待媒體來源資訊之客觀性，也不明白來源可信度，因此可經由AI神器(Gemini SPARK)關鍵字查詢，請它協助找尋具科學底氣之軌跡研析供參資訊。

Prompt提示詞如下(藍色部分):

以Yahoo.co.jp媒體為例:  

請協助查詢 yahoo.co.jp ,就下面各維度面向

歷史網域與技術足跡 (含幕後經營主體之科學對位佐證)

網站公開資訊 政府登記 

發表內容與編採模式剖析 (蒐集剖析客觀數據)

與其它公司及媒體之關聯性深度剖析

綜整點、線、面數據，提供符合顧問等級詳細推論，含科學對位佐證鏈結與對應之客觀證據專業論理

其它參考資訊:

藉由AI神器協助 生成一位⌈事件片段資訊⌋之邏輯性分析學者，剖析文章之參考價值性?(Credibility可信度分析)

Gemini Spark化被動為主動出擊之參考運用