15 / 90

學習日 15：重現、評估並交接文字專案

完整執行真實專案，使用保留行為檢查，並記錄可重複使用的決定性資料準備。

自主學習與 Python 480 分鐘主動學習時間（不含休息與無人值守執行）
01 120 分鐘

重現完整專案

只有在帶有命令、權限和輸出複核的情況下，才允許代理協助執行。

先決條件

第 13–14 天和一個乾淨的暫時環境。

學習目標

從無關的工作目錄執行真實的 text_tools CLI，重新產生統計、詞彙、分割和清單產物。

操作說明

必做：對 names.txt 或已記錄的本地語料庫執行 stats 和 split 命令，記錄版本/種子，並比較輸出。選做：再執行第二個語料庫。

練習與預測

在執行前預測產物名稱、分割計數和清單欄位。解釋哪個時間戳記欄位使清單無法逐位元組一致，而分割檔案仍可重現。

Learning Project Submission & Evidence

0 / 4096 位元組
Declared Assistance Condition

Current Submitted Evidence Details

No submission recorded yet.
獨立掌握標準

學習者能夠重現公開命令，並能根據程序隔離的執行解釋觀察到的產物。

來源資源與出處

original_explanation Apache-2.0 AND CC-BY-SA-4.0 share-alike

Text and Data Tools Learning Project

作者 / 機構: Curriculum team (delivered in Ticket 16) | 原始出處連結 ↗

對應章節 / 時間戳: cli.py --stats/--split output artifacts: train.txt, val.txt, test.txt, stats.json, vocab.json, manifest.json

驗證版本與日期: Verified against the checked-in implementation on 2026-10-30

入選理由:

Reproduction must target the actual project and its real artifact names so later tokenizer and model experiments can consume the same outputs.

來源前置條件:

Days 13–14 evidence: CLI usage and disposable Git workflows

安全回退方案（離線彈性）:

A clean temporary corpus and output directory reproduce all artifacts offline.

對比候選資源與選型分析 (2)
Names corpus (Karpathy makemore names.txt) ↗ compared_alternative [MIT]

A natural example corpus for the reproduction run; any documented local corpus also works, so it is not a required download.

tinyshakespeare corpus (karpathy/char-rnn) ↗ compared_alternative [MIT]

Another natural local corpus for reproduction; any documented corpus satisfies the exercise.

02 120 分鐘

獨立保留評估

獨立掌握檢查：首次執行不允許 AI 或參考實作。

先決條件

全新的保留語料庫，且看不到參考答案。

學習目標

用獨立樣例測試 Unicode、空輸入、損毀編碼、重複記錄、比例驗證和可重現性。

操作說明

必做：預測結果，執行 CLI，記錄結束碼/標準錯誤/產物，並誠實地把結果分類為通過、失敗或不確定。選做：只在理解行為之後新增測試。

練習與預測

解釋為什麼空檔案可以以零值統計成功，為什麼嚴格解碼應當失敗，以及為什麼相同行使僅基於內容的洩漏檢查不充分。

獨立掌握標準

無協助評估包含期望與觀察結果，並區分決定性檢查與實質評審。

來源資源與出處

original_explanation Apache-2.0 AND CC-BY-SA-4.0 share-alike

Text and Data Tools Learning Project

作者 / 機構: Curriculum team (delivered in Ticket 16) | 原始出處連結 ↗

對應章節 / 時間戳: CLI edge behavior: empty input, strict/replace decoding, ratio validation, seed determinism

驗證版本與日期: Verified against the checked-in implementation on 2026-10-30

入選理由:

Held-out cases are chosen against the real CLI seams (encoding, ratios, seeds) rather than imagined behavior.

來源前置條件:

Completion of day-15-act-01

安全回退方案（離線彈性）:

All held-out inputs are small local files created by the learner in a temporary directory.

對比候選資源與選型分析 (2)
Python unittest/pytest documentation ↗ compared_alternative [PSF License Version 2]

Useful for formalizing cases later, but the evaluation is intentionally run at the CLI boundary first.

Hypothesis property-based testing ↗ compared_alternative [MPL-2.0]

Property-based generation could extend held-out coverage later; manual edge cases keep the evaluation transparent first.

03 120 分鐘

資料出處與未來模型重複使用

代理協助的工程檢查：代理可以質疑報告，但證據與主張由學習者核實。

先決條件

已完成的保留評估和清單產物。

學習目標

解釋決定性資料準備如何成為後續分詞器、語言模型和評估實驗的契約。

操作說明

必做：追蹤 來源雜湊→有序記錄→種子→分割雜湊→後續使用者，並說明洩漏或分布漂移仍可能發生的環節。選做：草擬一個分詞器輸入契約。

練習與預測

為什麼後續模型實驗應當使用已記錄的訓練分割和未動的驗證/測試分割，而不是在看到指標後重新洗牌？

Learning Project Submission & Evidence

0 / 4096 位元組
Declared Assistance Condition

Current Submitted Evidence Details

No submission recorded yet.
獨立掌握標準

學習者能給出可追蹤的重複使用解釋，包含至少三條假設和三條侷限。

來源資源與出處

original_explanation Apache-2.0 AND CC-BY-SA-4.0 share-alike

Text and Data Tools Learning Project

作者 / 機構: Curriculum team (delivered in Ticket 16) | 原始出處連結 ↗

對應章節 / 時間戳: Generated manifest.json provenance fields: source_sha256 → decoded_text_sha256 → total_lines → seed → split_counts → split_sha256 (plus leakage_check); consumer/reuse metadata is not in manifest.json but in project.json reusable_by_projects (makemore, minbpe, nanogpt)

驗證版本與日期: Verified against the checked-in implementation on 2026-10-30

入選理由:

The reuse contract is declared by the project's own manifest and project.json, preserving attribution and provenance for later study days.

來源前置條件:

Completion of day-15-act-02

安全回退方案（離線彈性）:

The manifest generated in earlier activities carries all required provenance fields.

對比候選資源與選型分析 (2)
Datasheets for Datasets (Gebru et al.) ↗ compared_alternative [arXiv non-exclusive distribution]

The academic framing of dataset documentation; the project manifest already implements the subset needed for deterministic reuse.

Croissant dataset metadata format (MLCommons) ↗ compared_alternative [Apache-2.0]

Richer dataset-metadata schema; the project manifest already records the needed provenance subset.

04 120 分鐘

獨立作品集交接

獨立最終交接：先保存封存的無協助原件及其證據；之後的文字協助須披露、不計評估，且不能產生或覆蓋掌握證據。

先決條件

所有專案、Git 和評估證據均已保留。

學習目標

產出一份 PR 式交接，包含需求、命令、結果、評審意見、假設、侷限和未解決的阻塞項。

操作說明

必做：先記錄你預測/期望的證據，執行自己的檢查以收集真實觀察到的證據（自己的檢查屬於無協助嘗試的一部分）；然後在任何文字、參考或 AI 評審之前，把完成的首次無協助報告連同其真實證據一起鎖定（提交、註明日期）並保存。只連結本地/一次性證據；聲明對外發布和付費算力未獲授權。選做：隨後可做單獨標註「不計評估」的潤飾，但不得覆蓋封存原件；若之後發現實質性缺漏，須做一次新的無協助補救檢查。

練習與預測

完整的交接必須讓後來的學習者不必信任你的敘述就能重跑專案。列出確切命令、種子、語料庫身分、預期輸出和已知侷限。

獨立掌握標準

作品集完整且誠實：封存的無協助原件及真實證據先於任何文字/AI 對照保存，評審者能重跑專案，並區分已測試行為、人工評審和不可用證據。

來源資源與出處

original_explanation Apache-2.0 AND CC-BY-SA-4.0 share-alike

Text and Data Tools Learning Project

作者 / 機構: Curriculum team (delivered in Ticket 16) | 原始出處連結 ↗

對應章節 / 時間戳: project.json license and supported_languages attribution carried into the handoff

驗證版本與日期: Verified against the checked-in implementation on 2026-10-30

入選理由:

The handoff must cite the real project, its license, and its reproducible commands so a reviewer can rerun without trusting the narrative.

來源前置條件:

Completion of day-15-act-03

安全回退方案（離線彈性）:

All linked evidence is local or disposable by design; external publication is not required or authorized.

對比候選資源與選型分析 (2)
Choose a License guidance ↗ compared_alternative [CC BY 3.0 (site content) / MIT (site code)]

Helpful for understanding the Apache-2.0 AND CC-BY-SA-4.0 attribution carried in project.json; not required to complete the handoff.

SPDX License List ↗ compared_alternative [spdx.org site copyright (All Rights Reserved footer; list license not verified) / linked reference]

Standard license identifiers behind the project's Apache-2.0 AND CC-BY-SA-4.0 declaration.