# ระบบวิวัฒนาการอัจฉริยะ EvoX และการปฏิบัติการวิจัยแบบ AI Native — เอกสารประกอบการสอน

เวลาเรียน: 1 · หน้าเอกสาร: 16

## แนวทางการอ่าน

- [บทที่ 6 | หัวข้อ: วิวัฒนาการต่อเนื่องระดับระบบ: Genesis และการตกผลึกของโลกซอฟต์แวร์](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## บทที่ 6 | หัวข้อ: วิวัฒนาการต่อเนื่องระดับระบบ: Genesis และการตกผลึกของโลกซอฟต์แวร์

<a id="lecture-page-1"></a>

### วิวัฒนาการต่อเนื่องระดับระบบ: Genesis และการตกผลึกของโลกซอฟต์แวร์

*หน้า 1*

> **เป้าหมายหน้า:** เรียนรู้ว่า Genesis ใช้การทำงานร่วมกันของหลาย Agent และกลไกการตรวจสอบที่เข้มงวด เพื่อให้โค้ดโปรเจกต์สะสมและวิวัฒนาการอย่างต่อเนื่องตลอดวงจรชีวิตได้อย่างไร

> **เป้าหมายหน้า**
>
> โปรเจกต์หนึ่งจะไม่เพียงแค่เขียนโค้ดเสร็จครั้งเดียว แต่ให้โค้ดสะสมและวิวัฒนาการอย่างต่อเนื่องตลอดวงจรชีวิตได้อย่างไร แนวทางหลักมีสองเส้น: หนึ่งคือรูปแบบวิศวกรรมที่เกิดจากการทำงานร่วมกันของหลาย Agent และการแบ่งงานแบบเรียกซ้ำ สองคือกลไกที่การคอมไพล์ การทดสอบ และการตรวจรับ ทำให้การแก้ไขที่มีประสิทธิภาพตกผลึกเป็นประวัติของโปรเจกต์

**ประเด็นการสอน**

- 1. เริ่มจากชี้ความหมายของ "วิวัฒนาการต่อเนื่อง" ซอฟต์แวร์ไม่ใช่ผลิตภัณฑ์ที่เขียนเสร็จแล้วก็定型 แต่เป็นสิ่งที่ถูกแก้ไข เสริม และ重构 อย่างต่อเนื่องตามเวลา จุดยืนของ Genesis คือการจัดเตรียมรูปแบบการจัดองค์กรที่สามารถดำเนินการได้สำหรับวิวัฒนาการระยะยาวนี้ ไม่ใช่เทคนิคการสร้างโค้ดครั้งเดียว 2. การทำงานร่วมกันของหลาย Agent แก้ปัญหา "ใครแบ่งงาน" เมื่อเผชิญกับโปรเจกต์จริง ขนาดของภามักเกินความสามารถในการจัดการครั้งเดียว จึงต้องมีการแบ่งบทบาท มีกระบวนการทำงานร่วมกัน เพื่อให้ความรับผิดชอบในแต่ละส่วนชัดเจนและตรวจสอบได้ 3. การแบ่งงานแบบเรียกซ้ำแก้ปัญหา "จะเริ่มอย่างไร" แบ่งเป้าหมายใหญ่เป็นงานย่อยที่สามารถดำเนินการได้ทีละชั้น จนแต่ละงานย่อยเฉพาะเจาะจงพอที่จะทำเสร็จและตรวจสอบได้อย่างอิสระ ซึ่งลดความยากของแต่ละขั้นตอนและทำให้ผลลัพธ์ของแต่ละขั้นตอนสามารถประเมินแยกได้ 4. การตรวจสอบที่เข้มงวดแก้ปัญหา "凭什么จึงจะนับ" การคอมไพล์ผ่าน การทดสอบผ่าน การตรวจรับผ่าน เป็นสามด่านที่เข้มงวดขึ้นตามลำดับ เฉพาะการแก้ไขที่ผ่านด่านเหล่านี้才有资格ถูกบันทึกเข้าประวัติโปรเจกต์
- การแก้ไขที่ไม่ผ่านจะถูกทิ้งหรือส่งกลับไปแก้ การทำงานร่วมกันและการแบ่งงานสร้างการแก้ไขที่เป็นตัวเลือกจำนวนมาก การตรวจสอบรับผิดชอบคัดกรอง ผลลัพธ์ที่ผ่านการคัดกรองตกผลึกเป็นประวัติโปรเจกต์ และประวัติโปรเจกต์กลายเป็นจุดเริ่มต้นของวิวัฒนาการรอบถัดไป นี่คือวงจรที่สมบูรณ์ของ "วิวัฒนาการต่อเนื่องระดับระบบ"

**ตรวจสอบความเข้าใจ**

ให้นักเรียนพูดด้วยคำพูดของตนเองถึงความสัมพันธ์ตามลำดับของ "แบ่งงาน—ตรวจสอบ—ตกผลึก" และตอบว่า: หากการแก้ไขหนึ่งผ่านการคอมไพล์แต่ไม่ผ่านการทดสอบ มันจะอยู่ในสถานะใดในกลไกที่อธิบายในหน้านี้? ครูยืนยันจากคำตอบว่านักเรียนเข้าใจบทบาทของด่านตรวจสอบจริงหรือเพียงจำชื่อ

> **คำแนะนำการเชื่อมต่อ**
>
> หน้านี้สร้างกรอบภาพรวม เนื้อหาต่อไปจะเข้าสู่วิธีการและตัวอย่างที่เฉพาะเจาะจงมากขึ้น หลังจากยืนยันว่านักเรียนสามารถทบทวนวงจรนี้ได้แล้ว จึงดำเนินการลงลึกในขั้นตอนเฉพาะ

<a id="lecture-page-2"></a>

### ขอบเขตความสามารถของโมเดลขนาดใหญ่และความจำเป็นของวิวัฒนาการระดับระบบ

*หน้า 2*

> **เป้าหมายหน้า:** เข้าใจขอบเขตความสามารถของโมเดลขนาดใหญ่ในปัจจุบันในการพัฒนาระบบที่ซับซ้อน และความจำเป็นในการสร้างระบบที่พัฒนาอย่างต่อเนื่อง

> **เป้าหมายหน้า**
>
> เข้าใจขอบเขตความสามารถของโมเดลขนาดใหญ่ในการพัฒนาระบบที่ซับซ้อน และเหตุใดจึงต้องฝังองค์ประกอบอัจฉริยะเข้าสู่วงจรระบบที่สามารถวิวัฒนาการต่อเนื่องข้ามวงจรชีวิต

> **ลำดับการสอน**
>
> โมเดลขนาดใหญ่เป็นองค์ประกอบอัจฉริยะที่ทรงพลัง แต่ไม่ใช่ระบบที่สามารถดำรงตนได้เอง มันมีความสามารถที่ใช้งานได้ในการเข้าใจ สร้าง สรุปเหตุผล และเรียกใช้เครื่องมือ สามารถทำหน้าที่เป็นผู้เสนอสมมติฐานและผู้ผลิตโค้ดที่มีคุณภาพสูง แต่ขาดสถานะ เป้าหมาย และกลไกตอบสนองที่จำเป็นสำหรับวิวัฒนาการต่อเนื่องข้ามวงจรชีวิต
>
> การเข้าใจ การสร้าง การสรุปเหตุผล การเรียกใช้เครื่องมือ สุดท้ายได้ภาพนิ่ง เมื่อเซสชันสิ้นสุดสถานะถูกล้างเป็นศูนย์ ทางขวาคือการฝังโมเดลขนาดใหญ่เป็นโมดูลเล็กๆ เข้าสู่วงจรวิวัฒนาการระดับระบบ: เสนอ ประเมิน เลือก ตกผลึก โมเดลขนาดใหญ่รับผิดชอบการเสนอ โมเดลตัวแทนใช้ลดต้นทุนการประเมิน ขั้นตอนการเลือกจัดการการ权衡หลายเป้าหมาย การตกผลึกสร้างความทรงจำข้ามเซสชัน ปัญญาฝูงรักษาความหลากหลายของตัวเลือก และกลับสู่การเสนอรอบถัดไป
>
> ขอบเขตสถานะ — หน้าต่างบริบทจำกัด ขาดความทรงจำถาวรข้ามเซสชัน โปรเจกต์ระยะยาวไม่สามารถดำรงตนได้ ขอบเขตเป้าหมาย — ปัญหาจริงมักเกี่ยวข้องกับความขัดแย้งหลายเป้าหมายและการ权衡ตามความ偏好 โมเดลยากที่จะให้เกณฑ์การ取舍ที่สามารถป้องกันได้อย่างอิสระ ขอบเขตตอบสนอง — ขาดกลไกการประเมิน การเลือก และการคัดออกที่สามารถดำเนินการได้ แผนที่สร้างขึ้นไม่สามารถตรวจสอบและทำซ้ำได้อย่างเป็นภววิสัย
>
> ความสามารถของโมเดลที่เพิ่มขึ้นไม่เท่ากับความสามารถของระบบที่เพิ่มขึ้น ความสามารถคือภาพนิ่ง สภาพแวดล้อมคือกระบวนการ เฉพาะเมื่อฝังโมเดลขนาดใหญ่เข้าสู่วงจรวิวัฒนาการ "สร้าง—ประเมิน—เลือก—ตกผลึก" โดยใช้ปัญญาฝูงรักษาความหลากหลาย ใช้โมเดลตัวแทนบีบอัดต้นทุนการประเมิน ใช้การเลือกและการตกผลึกเก็บประสบการณ์ที่มีประสิทธิภาพ ปัญญาจึงจะรักษาความสามารถในการปรับตัวในสภาพแวดล้อมพลวัตได้ นี่คือจุดยืนของ EvoX

**ประเด็นการสอน**

- โมเดลขนาดใหญ่มีความสามารถในการเข้าใจและสร้างที่ทรงพลัง แต่ไม่สามารถวิวัฒนาการระบบได้อย่างอิสระ ระบบที่ซับซ้อนในโลกจริงต้องการความสามารถในการวิวัฒนาการต่อเนื่องข้ามวงจรชีวิต ภาพนิ่งไม่เพียงพอต่อการเปลี่ยนแปลงของสภาพแวดล้อม องค์ประกอบอัจฉริยะต้องทำงานร่วมกับกลไกวิวัฒนาการจึงจะปรับตัวเข้ากับสภาพแวดล้อมพลวัตได้ กลไกหลักได้แก่วงจรวิวัฒนาการ ปัญญาฝูง และโมเดลตัวแทน ขอบเขตสถานะ ขอบเขตเป้าหมาย ขอบเขตตอบสนอง

**การจัดการแบบฝึกหัด**

คำถามแนวคิดหลักควรเลือก "เข้าใจขอบเขตความสามารถของโมเดลขนาดใหญ่ในปัจจุบันในการพัฒนาระบบที่ซับซ้อน และความจำเป็นในการสร้างระบบที่พัฒนาอย่างต่อเนื่อง"

คำถามถูกผิดที่เหลือควรเลือกตัวเลือกที่ "สามารถอธิบายด้วยหลักฐานหรือตัวอย่าง" การตัดสินเพียงตามความรู้สึก การข้ามการทบทวนเอกสาร หรือการเปลี่ยนปัจจัยทั้งหมดพร้อมกันเพื่อเปรียบเทียบ ล้วนไม่สอดคล้องกับข้อกำหนดของหน้านี้

เมื่อตอบถูก สามารถชื่นชมว่าสามารถเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้ เมื่อตอบผิด ให้แนะนำกลับไปหาหลักฐานหรือตัวอย่างสำคัญในคำอธิบาย โดยเน้นทบทวนขอบเขตสามประเภทและวงจร "เสนอ—ประเมิน—เลือก—ตกผลึก"

เริ่มจากอธิบายความหมายหลักว่า "โมเดลขนาดใหญ่มีความสามารถในการเข้าใจและสร้างที่ทรงพลัง แต่ไม่สามารถวิวัฒนาการระบบได้อย่างอิสระ" จากนั้นยกตัวอย่างว่าทำไมระบบที่ซับซ้อนจึงต้องการความสามารถในการวิวัฒนาการต่อเนื่องข้ามวงจรชีวิต

**ตรวจสอบความเข้าใจ**

ให้นักเรียนอธิบายด้วยคำพูดของตนเองว่า "ทำไมความสามารถของโมเดลที่เพิ่มขึ้นจึงไม่เท่ากับความสามารถของระบบที่เพิ่มขึ้น" และระบุอย่างน้อยสองในสามขอบเขต: สถานะ เป้าหมาย ตอบสนอง หากนักเรียนสามารถอธิบายความสัมพันธ์จากความสามารถเดี่ยวไปสู่วิวัฒนาการแบบวงจรได้ ก็สามารถไปหน้าถัดไปได้ หากไม่ ให้กลับไปทบทวนแผนภาพเปรียบเทียบเส้นทางซ้ายขวาอีกครั้ง

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถพูดความสัมพันธ์หลัก "โมเดลขนาดใหญ่คือองค์ประกอบ วงจรวิวัฒนาการคือระบบ" ได้แล้ว จึงเข้าสู่เนื้อหาต่อไปเกี่ยวกับวิวัฒนาการต่อเนื่องระดับระบบ Genesis และการตกผลึกของโลกซอฟต์แวร์

<a id="lecture-page-3"></a>

### การขยายขอบเขตวิวัฒนาการจากพารามิเตอร์ตัวเลขสู่ระบบโปรแกรม

*หน้า 3*

> **เป้าหมายหน้า:** เชี่ยวชาญว่าโมเดลขนาดใหญ่ขยายวัตถุวิวัฒนาการจากพารามิเตอร์ตัวเลขแบบดั้งเดิมไปสู่โปรแกรม โครงสร้างโมเดล และสถานะระบบได้อย่างไร

> **เป้าหมายหน้า**
>
> เชี่ยวชาญว่าโมเดลขนาดใหญ่ขยายวัตถุวิวัฒนาการจากพารามิเตอร์ตัวเลขแบบดั้งเดิมไปสู่โปรแกรม โครงสร้างโมเดล และสถานะระบบได้อย่างไร และเข้าใจเงื่อนไขผลักดันของการขยายขอบเขตนี้รวมถึงการเปลี่ยนแปลงของการประเมิน

> **ลำดับการสอน**
>
> วัตถุมักเป็นเวกเตอร์พารามิเตอร์ตัวเลขมิติต่ำที่กำหนดไว้ล่วงหน้า เช่น ไฮเปอร์พารามิเตอร์ น้ำหนัก ตัวแปรต่อเนื่อง พื้นที่ค้นหาถูกจำกัดโดยโครงสร้างและวิธีการเข้ารหัสที่มนุษย์กำหนดไว้ล่วงหน้า
>
> หลังจากขนาดการคำนวณและฐานวิศวกรรมขยายตัว การค้นหาวัตถุมิติสูง ไม่ต่อเนื่อง และมีโครงสร้าง จากที่เป็นไปไม่ได้กลายเป็นที่จัดการได้ ขอบเขตการค้นหาขยายออกพร้อมกับพลังการคำนวณและเครื่องมือ
>
> มีความสามารถในการเข้าใจโค้ด การสรุปเหตุผลตามบริบท และการสร้างตัวเลือก สามารถสร้าง แก้ไข และประเมินวัตถุระดับโปรแกรมได้โดยตรง ลดการพึ่งพาการออกแบบการเข้ารหัสและตัวดำเนินการกลายพันธุ์ด้วยมือ
>
> หากวิธีการสร้างตัวเลือกยังถูกกำหนดโดยมนุษย์ ระบบจะเพียงทำซ้ำรูปแบบที่กำหนดไว้ การนำวิธีการสร้างตัวเลือกเองเข้าเป็นวัตถุวิวัฒนาการ เช่น กลยุทธ์การกลายพันธุ์และการตั้งค่าพารามิเตอร์ของ差分วิวัฒนาการ นี่คือการแสดงออกของการขยายขอบเขต
>
> จากล่างขึ้นบนคือ พารามิเตอร์ตัวเลข → โครงสร้างโมเดล → กลไกอัลกอริทึม → โปรแกรมและสถานะวิศวกรรมซอฟต์แวร์ เมื่อขึ้นไปมิติของพื้นที่ค้นหาและความซับซ้อนทางความหมายเพิ่มขึ้น ทางขวาคือการสนับสนุนจากความสามารถของโมเดลขนาดใหญ่ ด้านบนคือข้อจำกัดการตรวจสอบที่สามารถดำเนินการได้และต้นทุนวิศวกรรม
>
> ยิ่งระดับสูงขึ้น ข้อจำกัดทางความหมายยิ่งแข็งแกร่ง ห่วงโซ่การประเมินยิ่งยาว ตัวเลือกต้องสามารถดำเนินการได้ ตรวจสอบได้ การประเมินความเหมาะสมเปลี่ยนจากฟังก์ชันสเกลาร์เป็นการตัดสินร่วมของผลลัพธ์การรันและข้อจำกัดวิศวกรรม
>
> นี่ไม่ใช่การแทนที่การปรับพารามิเตอร์ แต่เป็นการนำการปรับพารามิเตอร์เข้าสู่วงจรวิวัฒนาการโปรแกรมและระบบที่ใหญ่ขึ้น สร้างสเปกตรัมต่อเนื่องจาการปรับพารามิเตอร์เฉพาะที่ไปสู่การปรับปรุงระดับระบบ

**ประเด็นการสอน**

- ขนาดการคำนวณที่ขยายตัวนำมาซึ่งขอบเขตการค้นหาที่กว้างขึ้น โมเดลขนาดใหญ่สามารถเข้าใจโค้ดและบริบทและสร้างตัวเลือกที่ซับซ้อนได้ วัตถุวิวัฒนาการขยายจากพารามิเตอร์ตัวเลขไปสู่โปรแกรมและสถานะวิศวกรรมซอฟต์แวร์ โดยผ่านโครงสร้างโมเดลและกลไกอัลกอริทึม หนึ่งคือพลังการคำนวณและฐานวิศวกรรมที่ขยายตัว สองคือโมเดลขนาดใหญ่มีความสามารถในการเข้าใจโค้ด สรุปเหตุผลตามบริบท และสร้างตัวเลือก

**ความครอบคลุมคำสำคัญ**

- พารามิเตอร์ตัวเลข โครงสร้างโมเดล กลไกอัลกอริทึม โปรแกรมและสถานะวิศวกรรมซอฟต์แวร์ ขอบเขตการค้นหา การเข้าใจโค้ด การสรุปเหตุผลตามบริบท การสร้างตัวเลือก การตรวจสอบที่สามารถดำเนินการได้ ต้นทุนวิศวกรรม การประเมินความเหมาะสม สเปกตรัมต่อเนื่อง การจัดการแบบฝึกหัดและผลตอบกลับ: โมเดลขนาดใหญ่ขยายวัตถุวิวัฒนาการจากพารามิเตอร์ตัวเลขแบบดั้งเดิมไปสู่โปรแกรม โครงสร้างโมเดล และสถานะระบบ หากตอบเบี่ยงเบน ให้แนะนำกลับไปที่ประโยคแนวคิดแล้วลองใหม่ โมเดลขนาดใหญ่สามารถเข้าใจโค้ดและบริบทการรัน และสร้าง แก้ไขตัวเลือกที่ซับซ้อนระดับโปรแกรมได้
- ตัวเลือกที่ผิดมักจำกัดโมเดลขนาดใหญ่ไว้ในพารามิเตอร์ตัวเลขที่เข้ารหัสด้วยมือ ทิศทางที่ถูกต้องของแบบฝึกหัด 3, 4, 5 ไม่ใช่การท่องจำ การตัดสินตามความรู้สึก หรือการเปลี่ยนปัจจัยทั้งหมดพร้อมกัน แต่เป็นการอธิบายข้อสรุปที่เกี่ยวข้องด้วยหลักฐานหรือตัวอย่าง ผลตอบกลับสามารถเน้น: การเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้จึงจะถือว่าเข้าใจจริง ทีมเริ่มต้นด้วยการปรับเฉพาะไฮเปอร์พารามิเตอร์ตัวเลข เช่น อัตราการเรียนรู้ ขนาดแบตช์ จำนวนชั้นเครือข่าย
- จากนั้นให้โมเดลขนาดใหญ่อ่านสคริปต์การฝึกและบันทึกการรัน เขียนใหมการใช้งาน optimizer ท่อข้อมูล และโฟลวควบคุมอัลกอริทึมโดยตรง แล้วส่งตัวเลือกให้รันไทม์ดำเนินการและส่งคืนตัวชี้วัด สำหรับวิวัฒนาการระดับโปรแกรมรอบถัดไป สามารถถามได้: ความหมายหลักคืออะไร? เงื่อนไขสองประการที่ผลักดันการขยายคืออะไร? ประเด็นคำตอบ: วิวัฒนาการแบบดั้งเดิมมีวัตถุเป็นเวกเตอร์พารามิเตอร์ตัวเลขมิติต่ำ พื้นที่ค้นหาถูกจำกัดโดยการกำหนดล่วงหน้าของมนุษย์
- พลังการคำนวณและฐานวิศวกรรมขยายตัว ทำให้การค้นหามิติสูง ไม่ต่อเนื่อง มีโครงสร้างสามารถจัดการได้
- โมเดลขนาดใหญ่สามารถสร้างและเขียนวัตถุระดับโปรแกรมใหม่ ดังนั้นวัตถุวิวัฒนาการจึงขยายทีละชั้นไปสู่โครงสร้างโมเดล กลไกอัลกอริทึม และโปรแกรมหรือสถานะวิศวกรรมซอฟต์แวร์ ถามต่อ: โมเดลขนาดใหญ่มีส่วนร่วมในการสร้างและประเมินตัวเลือกระดับโปรแกรมอย่างไร? ประเด็นคำตอบ: อ่านสคริปต์และบริบทการรัน เขียน optimizer หรือโฟลวควบคุมใหม่เพื่อสร้างตัวเลือกที่สามารถดำเนินการได้
- รันไทม์ดำเนินการและตรวจสอบว่าสามารถรันได้หรือไม่ จากนั้นเปรียบเทียบกับข้อจำกัดวิศวกรรมเช่นทรัพยากรและงบประมาณเวลา ตัวชี้วัดที่ส่งคืนขับเคลื่อนวิวัฒนาการรอบถัดไป

**ตรวจสอบความเข้าใจ**

ให้นักเรียนทบทวนด้วยคำพูดของตนเองถึงห่วงโซ่การขยายระดับ และเติมความสามารถของโมเดลขนาดใหญ่ทางขวาและข้อจำกัดการตรวจสอบและต้นทุนด้านบน สามารถถามต่อ: "ทำไมยิ่งระดับสูงขึ้น การประเมินความเหมาะสมยิ่งเหมือนการตัดสินร่วมของผลลัพธ์การรันและข้อจำกัดวิศวกรรม?" ยืนยันว่านักเรียนสามารถพูดเหตุผลเช่นสามารถดำเนินการได้ ตรวจสอบได้ ห่วงโซ่การประเมินยาวขึ้น

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะความสัมพันธ์ระหว่างการปรับพารามิเตอร์กับวิวัฒนาการระดับโปรแกรมหรือระบบได้แล้ว จึงเข้าสู่เนื้อหาหน้าถัดไปเกี่ยวกับการทำงานร่วมกันของหลาย Agent และการตกผลึกของการตรวจสอบ

<a id="lecture-page-4"></a>

### ความท้าทายที่ซับซ้อนในโลกจริง: การ权衡หลายเป้าหมายและการรักษาความหลากหลาย

*หน้า 4*

> **เป้าหมายหน้า:** เข้าใจเป้าหมายที่ซับซ้อนซึ่งขัดแย้งกันในปัญหาจริง และความสำคัญของการเก็บตัวเลือกที่หลากหลาย

**ประเด็นการสอน**

- ภายใต้หลายเป้าหมายไม่มีลำดับรวมโดยธรรมชาติ เมื่อเห็นกลุ่มตัวเลือก ให้ถามก่อนว่า "เปรียบเทียบภายใต้ความ偏好อะไร" แล้วจึงพูดถึงข้อดีข้อเสีย มิฉะนั้นอาจเข้าใจผิดว่าความ偏好ส่วนตัวเป็นข้อสรุปที่เป็นภววิสัย
- การเก็บเฉพาะสิ่งที่ดีที่สุดในปัจจุบันจะทำให้ประชากรบรรจบก่อนเวลาและรูปแบบ崩塌 สามารถใช้กลไกเช่นระยะห่างการแออัด niche การเก็บถาวรภายนอก เพื่อให้ตัวเลือกกระจายอยู่ในพื้นที่ต่างๆ ของแนวหน้าครอบคลุมช่วงการ权衡มากขึ้น
- อัลกอริทึมรับผิดชอบสร้างตัวเลือกที่ใช้งานได้ซึ่งมีความแตกต่าง ผู้เชี่ยวชาญในสาขารับผิดชอบประเมินและ取舍ตามความ偏好และข้อจำกัด อย่าสับสนระหว่าง "สร้างตัวเลือก" กับ "ตัดสินใจแทนคน"

เป้าหมายหน้า

เข้าใจธรรมชาติของเป้าหมายที่ขัดแย้งกันในปัญหาจริง และอธิบายว่าทำไมระบบจึงควรเก็บกลุ่มตัวเลือกที่มีความแตกต่าง แทนที่จะบรรจบเป็น "คำตอบที่ดีที่สุด" เพียงหนึ่งเดียว

ลำดับการสอน

ปัญหาจริงแทบไม่มีคำตอบที่ดีที่สุดเพียงหนึ่งเดียว เป้าหมายหลายอย่างขัดแย้งกัน การปรับปรุงตัวชี้วัดหนึ่งมักแลกมาด้วยการเสื่อมลงของตัวชี้วัดอื่น ดังนั้นระบบควรเก็บกลุ่มตัวเลือกที่ไม่ถูกครอบงำซึ่งมีความแตกต่าง ให้ความสัมพันธ์การ权衡ปรากฏชัด และให้การตัดสินใจยังคงอยู่ในการตัดสินของมนุษย์

จุดสีเทาหมายถึงแผนที่เป็นไปได้ จุดสีหมายถึงตัวเลือกที่ไม่ครอบงำกัน ซึ่งร่วมกัน構成แนวหน้า ในภาพ A เน้นความแข็งแกร่ง B สมดุล C เน้นประสิทธิภาพ D ความต้านทานต่ำมาก แนวหน้า Pareto สามารถเข้าใกล้ได้เท่านั้น ไม่สามารถกำจัดได้

3. ขยายความเข้าใจหลักสี่ประการ ประการแรก ความขัดแย้งของเป้าหมายเป็นเชิงโครงสร้าง ไม่ใช่ปัญหาการปรับพารามิเตอร์: อัตราส่วนแรงยกต่อแรงต้าน ความแข็งแกร่งของโครงสร้าง ต้นทุน ความสามารถในการผลิต เป้าหมายเหล่านี้ไม่มีจุดที่ดีที่สุดพร้อมกัน ประการที่สอง ภายใต้หลายเป้าหมายไม่มีลำดับรวม: สองแผนใดๆ อาจไม่ครอบงำกัน "ดีที่สุด" ต้องมีทิศทางความ偏好ประกอบจึงจะนิยามได้ เมื่อเห็นกลุ่มตัวเลือก ให้ถามก่อนว่า "เปรียบเทียบภายใต้ความ偏好อะไร" แล้วจึงพูดถึงข้อดีข้อเสีย ประการที่สาม ผลตอบกลับเบาบางเป็นเรื่องปกติ: การประเมินทางวิศวกรรมจริงพึ่งพาการจำลองหรือการวัดที่มีต้นทุนสูง ผลตอบกลับน้อย สัญญาณรบกวนมาก เกรเดียนต์ไม่สามารถใช้ได้ การค้นหาแบบปีนเขาจุดเดียว难以มีประสิทธิผล อัลกอริทึมวิวัฒนาการผ่านการรักษาประชากร สำรวจหลายทิศทางพร้อมกันภายใต้การประเมินจำนวนน้อย

การมุ่งเฉพาะสิ่งที่ดีที่สุดในปัจจุบันจะทำให้ประชากรบรรจบก่อนเวลาและรูปแบบ崩塌 สุดท้ายสูญเสียช่วงการ权衡ที่ยังไม่ได้สำรวจทั้งหมด สามารถใช้กลไกเช่นระยะห่างการแออัด niche การเก็บถาวรภายนอก เพื่อให้ตัวเลือกกระจายอยู่ในพื้นที่ต่างๆ ของแนวหน้า

อัลกอริทึมรับผิดชอบ "สร้างกลุ่มตัวเลือกที่ใช้งานได้ซึ่งมีความแตกต่าง" ผู้เชี่ยวชาญในสาขารับผิดชอบ "ประเมินและ取舍ตามความ偏好และข้อจำกัด" กลุ่มตัวเลือกไม่ใช่การตัดสินใจแทนคน แต่เป็นการนำตัวเลือกที่เปรียบเทียบได้มาวางบนโต๊ะ

ในการออกแบบปีกอากาศยานเหนือวิกฤต ประสิทธิภาพทางอากาศพลศาสตร์ ลักษณะการแยกตัวของแรงต้าน ความแข็งแกร่งของโครงสร้าง และต้นทุนการผลิตขัดแย้งกัน คุณค่าของ EvoX ไม่ได้อยู่ที่การให้ "ปีกที่ดีที่สุด" เพียงหนึ่งเดียว แต่อยู่ที่การส่งออกกลุ่มปีกตัวเลือกที่ครอบคลุมช่วงการ权衡ต่างๆ ให้วิศวกรเลือกตามสภาพการบินและข้อจำกัดกระบวนการเฉพาะ

ประเด็นการสอน

ใชทิศทางความ偏好นิยาม "ดีที่สุด" รักษาความหลากหลายอย่างเชิงรุก แยกการสร้างออกจากการ取舍 ภายใต้หลายเป้าหมายไม่มีลำดับรวมโดยธรรมชาติ การเก็บเฉพาะสิ่งที่ดีที่สุดในปัจจุบันจะทำให้ประชากร崩塌 อัลกอริทึมสร้างตัวเลือกที่มีความแตกต่าง ผู้เชี่ยวชาญตัดสินขั้นสุดท้ายตามความ偏好และข้อจำกัด ภาพเล็กสองภาพทางขวาแสดงความแตกต่างระหว่างการบรรจบจุดเดียวกับการกระจายที่หลากหลายอย่างชัดเจน: แบบแรก崩塌เป็นก้อนเดียว แบบหลังแผ่เป็นแนวหน้า

การจัดการแบบฝึกหัด

การไม่มีลำดับรวมหมายความว่าทิศทางความ偏好ต้องมีส่วนในการนิยาม ผลตอบกลับเบาบางทำให้การค้นหาจุดเดียว难以มีประสิทธิผลเพราะการประเมินมีต้นทุนสูง สัญญาณรบกวนมาก เกรเดียนต์ไม่สามารถใช้ได้ คุณค่าของการกระจายตัวเลือกคือการเก็บสิทธิ์การเลือกและความรู้เฉพาะทางไว้กับผู้เชี่ยวชาญ การมุ่งเฉพาะสิ่งที่ดีที่สุดในปัจจุบันนำไปสู่การบรรจบก่อนเวลาและรูปแบบ崩塌 ในกรณีออกแบบปีกอากาศยานเหนือวิกฤต จุดยืนของ EvoX คือการส่งออกกลุ่มปีกตัวเลือกที่ครอบคลุมช่วงการ权衡ต่างๆ เมื่อนักเรียนเลือกผิด สามารถแนะนำให้กลับไปที่คำสำคัญสามคำ: "ทิศทางความ偏好" "ผลตอบกลับเบาบาง" "ความหลากหลายคือสินทรัพย์"

แนวทางการศึกษา กรณีศึกษา

ในสถานการณ์รถแท็กซี่ทางอากาศในเมือง สามารถระบุความขัดแย้งระหว่างพิสัยบินกับน้ำหนักบรรทุกที่มีประโยชน์ ความขัดแย้งระหว่างเสียงรบกวนกับประสิทธิภาพทางอากาศพลศาสตร์ ความขัดแย้งระหว่างความซ้ำซ้อนด้านความปลอดภัยกับต้นทุนการผลิต เป้าหมายเหล่านี้ขัดแย้งกัน จึงไม่มีsingleการออกแบบที่ดีที่สุดพร้อมกัน มีเพียงแนวหน้า Pareto ที่ไม่ครอบงำกัน EvoX สามารถใช้พิสัยบิน น้ำหนักบรรทุกที่มีประโยชน์ เสียงรบกวน ความซ้ำซ้อนด้านความปลอดภัย ต้นทุน เป็นเป้าหมายหลายอย่าง รันการค้นหาประชากร ส่งออกตัวเลือกที่กระจายอยู่ในพื้นที่ต่างๆ ของแนวหน้าที่ไม่ครอบงำกัน ผู้เชี่ยวชาญในสาขาจึงทำการจำลองความเที่ยงตรงสูงหรือวัดจริงตามสถานการณ์ปฏิบัติการ ข้อจำกัดทางกฎหมาย และเงื่อนไขกระบวนการ ประเมินและ取舍ขั้นสุดท้ายตามทิศทางความ偏好

ตรวจสอบความเข้าใจ

ให้นักเรียนยกตัวอย่างหลายเป้าหมายในชีวิตประจำวัน เช่น การ权衡ระหว่างประสิทธิภาพ ราคา น้ำหนัก และอายุแบตเตอรี่เมื่อซื้อแล็ปท็อป และตอบว่า "เปรียบเทียบภายใต้ความ偏好อะไร" หากนักเรียนสามารถอธิบายว่ากลุ่มตัวเลือกเดียวกันภายใต้ความ偏好ต่างกันจะได้ตัวเลือกที่สมเหตุสมผลต่างกัน ก็แสดงว่าเข้าใจแก่นของหน้านี้

คำแนะนำการเชื่อมต่อ

หลังจากยืนยันว่านักเรียนสามารถแยกแยะ "สร้างตัวเลือก" กับ "ตัดสินใจแทนคน" ได้แล้ว จึงเข้าสู่เนื้อหาหน้าถัดไปเกี่ยวกับการปรับปรุงวิธีการคำนวณหรือวิธีการ หน้านี้ตอบ "ทำไมต้อง权衡หลายเป้าหมายและตัวเลือกที่หลากหลาย" เนื้อหาต่อไปจะตอบ "จะคำนวณเร็วขึ้นได้อย่างไร" และ "จะปรับปรุงวิธีการเองได้อย่างไร"

<a id="lecture-page-5"></a>

### การคำนวณแบบเทนเซอร์และสถาปัตยกรรมแบบรวมเพื่อสนับสนุนการสำรวจแบบขนาน

*หน้า 5*

> **เป้าหมายหน้า:** เข้าใจว่า EvoX ใช้การคำนวณเทนเซอร์แบบแบตช์เพื่อสนับสนุนการสำรวจวิวัฒนาการแบบขนานที่มีความเข้มข้นสูงได้อย่างไร

> **เป้าหมายหน้า**
>
> เข้าใจว่า EvoX ใช้การคำนวณเทนเซอร์แบบแบตช์เพื่อสนับสนุนการสำรวจวิวัฒนาการแบบขนานที่มีความเข้มข้นสูงได้อย่างไร และเข้าใจเส้นทางหลักสองเส้นที่สนับสนุนกันคือกราฟการคำนวณแบบเทนเซอร์และสถาปัตยกรรมแบบรวมที่เปิดและแยกส่วน
>
> ลำดับการสอนที่แนะนำ:
>
> เมื่อประชากรขยายจากไม่กี่สิบเป็นหลายพันหลายหมื่น ปัญหาหลักของการคำนวณวิวัฒนาการไม่ใช่ "สามารถหาคำตอบที่ดีได้หรือไม่" อีกต่อไป แต่เป็น "สามารถประเมินตัวเลือกได้มากพอในเวลาจำกัดหรือไม่" ความหลากหลายขึ้นอยู่กับปริมาณงาน การรักษาความหลากหลาย本质上เป็นปัญหาพลังการคำนวณ
>
> การคำนวณแบบเทนเซอร์รับผิดชอบ "รันเร็ว" สถาปัตยกรรมแบบรวมรับผิดชอบ "เปลี่ยนได้"
>
> การวนลูป CPU แบบอนุกรมแบบดั้งเดิมดำเนินการ "ประเมิน—บันทึก—อัปเดต" ทีละตัว สร้างต้นทุนสามประเภท: ต้นทุนการจัดตารางสูง ตัวดำเนินการกระจัดกระจาย การใช้ GPU ไม่เต็มที่ วิธีการแบบเทนเซอร์คือจัดระเบียบการรักษาประชากร การประเมินแบบแบตช์ และการอัปเดตสถานะเป็นOperationsเทนเซอร์แบบแบตช์ทั้งหมด ให้ตัวเลือกในรุ่นเดียวกันหรือหลายรุ่นคำนวณพร้อมกัน ตัวอย่างเช่น เมื่อมี N ตัวเลือกแบบอนุกรมคือวนทีละตัว แบบเทนเซอร์คือจัดระเบียบประชากรเป็นเทนเซอร์เดียว ทำการประเมินแบบแบตช์และการอัปเดตสถานะแบบขนานในครั้งเดียว ลดต้นทุนการจัดตาราง เพิ่มอัตราการใช้ GPU
>
> การเขียนลูปใหม่เพียงอย่างเดียวไม่เพียงพอ หากอัลกอริทึม ปัญหา และตรรกะการจัดตาราง耦合กัน การเปลี่ยนอัลกอริทึมหรือเปลี่ยนงานต้องเขียนใหม่ สถาปัตยกรรมแบบรวมแยกอัลกอริทึม ปัญหา เวิร์กโฟลว์ การจัดตาราง Runtime ออกจากกัน และจัดการ CPU/GPU ระดับงานแบบแบตช์ด้วยการจัดตารางพลังการคำนวณต่างชนิด ทำให้กลไกการขนานชุดเดียวกันสามารถใช้ซ้ำในสถานการณ์วิวัฒนาการวิธีการเช่น MetaDE, AutoPSO
>
> ทางซ้ายคือการวนลูป CPU แบบอนุกรมแบบดั้งเดิม ทีละตัวแบบอนุกรม GPU ใช้งานต่ำ ทางขวาคือการคำนวณเทนเซอร์แบบแบตช์บน GPU เทนเซอร์ประชากร → การประเมินแบบแบตช์ → การอัปเดตสถานะแบบขนาน ด้านล่างคือฐานแบบรวมที่เปิดและแยกส่วน ประกอบด้วยอัลกอริทึม ปัญหา เวิร์กโฟลว์ การจัดตาราง Runtime

**ประเด็นการสอน**

- EvoX ไม่เพียงแก้ปัญหา แต่ยังนำวิธีการสร้างตัวเลือกเองเข้าเป็นวัตถุวิวัฒนาการ MetaDE ให้อัลกอริทึมชั้นนอกวิวัฒนาการการตั้งค่าและกลยุทธ์ของอัลกอริทึมชั้นใน AutoPSO, EvoGO รวมองค์ประกอบเพิ่มเติม ใช้ผลตอบกลับในอดีตเรียนรู้วิธีการสร้างตัวเลือก จาก "เปลี่ยนพารามิเตอร์" ไปสู่ "เปลี่ยนโครงสร้างอัลกอริทึม" วิวัฒนาการสองชั้นภายในภายนอกแบบนี้ต้องการให้งานชั้นในจำนวนมากถูกประเมินแบบแบตช์และอัปเดตสถานะโดยธรรมชาติ สิ่งที่มันเปลี่ยนคือรูปแบบการจัดองค์กรของการคำนวณ นำเส้นทาง "ประชากร—ประเมิน—อัปเดต" ทั้งหมดแปลงเป็นOperationsเทนเซอร์แบบแบตช์ ไม่ใช่แทนที่ตัวดำเนินการใดตัวหนึ่งหรือเปลี่ยนวิธีการเข้ารหัส หากการวิเคราะห์ประสิทธิภาพปรากฏ "ตัวดำเนินการเล็กมากเกินไป อัตราการใช้ GPU ต่ำ สัดส่วนการจัดตาราง CPU สูง" มักหมายความว่าระบบยังวนลูปแบบอนุกรมทีละตัว นี่คือสัญญาณเข้าสู่การนำกราฟการคำนวณแบบเทนเซอร์มาใช้ ทำเฉพาะเทนเซอร์ เปลี่ยนอัลกอริทึมหรือเปลี่ยนงานต้องเขียนใหม่
- ทำเฉพาะสถาปัตยกรรมแบบรวม ขาดการขนานแบบแบตช์ก็ยังเร็วไม่ขึ้น

**การจัดการแบบฝึกหัด**

การเปลี่ยนแปลงหลักของเทนเซอร์คือการเขียนการรักษาประชากร การประเมินแบบแบตช์ และการอัปเดตสถานะใหม่เป็นOperationsเทนเซอร์แบบแบตช์ ต้นทุนหลักของการวนลูป CPU แบบอนุกรมแบบดั้งเดิมคือต้นทุนการจัดตารางสูง ตัวดำเนินการกระจัดกระจาย การใช้ GPU ไม่เต็มที่ การเปิดและแยกส่วนสถาปัตยกรรมแบบรวมเพื่อให้กลไกการขนานสามารถใช้ซ้ำในอัลกอริทึมและงานต่างๆ ได้ เมื่อมี N ตัวเลือกในรุ่นเดียวกัน ผลประโยชน์หลักคือการประเมินแบบแบตช์และการอัปเดตสถานะแบบขนานในครั้งเดียว ฐานที่นำโดย GPU และโมเดลขนาดใหญ่ทำให้การคำนวณแบบแบตช์ยกระดับจาการปรับปรุงเฉพาะที่สู่ความสามารถพื้นฐานของการสำรวจวิวัฒนาการระดับระบบ ผลตอบกลับการตอบควรแนะนำนักเรียนกลับไปที่คำสำคัญสองคำ "การขนานแบบแบตช์" และ "การแยกส่วนเพื่อใช้ซ้ำ" หลีกเลี่ยงการเลือกตัวเลือกรบกวนเช่น "บีบอัดประชากร" "การประเมินโดยประมาณ" "เวิร์กโฟลว์คงที่"

คำถามกรณีศึกษาต้องการย้าย差分วิวัฒจากเครื่องเดียวแบบอนุกรมไปสู่ฐานแบบขนานแบบแบตช์ ประเด็นคำตอบคำถามที่ 1: การวนลูปทีละตัวนำมาซึ่งต้นทุนการจัดตารางสูง ตัวดำเนินการกระจัดกระจาย การใช้ GPU ไม่เต็มที่ เทนเซอร์บรรเทาโดยการจัดระเบียบประชากรเป็นเทนเซอร์ รวมการประเมินแบบแบตช์และการอัปเดตสถานะ พร้อมรักษาความหมายของการกลายพันธุ์ การผสมข้าม การเลือกไว้เหมือนเดิม ประเด็นคำตอบคำถามที่ 2: สถาปัตยกรรมแบบรวมแยกตามชั้นอัลกอริทึม ชั้นปัญหา ชั้นเวิร์กโฟลว์ ชั้นการจัดตาราง Runtime
ชั้นอัลกอริทึมอธิบายเฉพาะความหมายของการสร้างตัวเลือกและการอัปเดต ชั้นปัญหาห่อหุ้มอินเทอร์เฟซการประเมินแบบแบตช์ ชั้นเวิร์กโฟลว์จัดเรียงงานชั้นในและชั้นนอก ชั้นการจัดตาราง Runtime รับผิดชอบการจัดตารางพลังการคำนวณต่างชนิดและการจัดการระดับงานแบบแบตช์ ทำให้ฐานเดียวกันใช้ซ้ำในสถานการณ์วิวัฒนาการวิธีการเช่น MetaDE, AutoPSO

**ตรวจสอบความเข้าใจ**

ให้นักเรียนอธิบายด้วยคำพูดของตนเองว่า "กราฟการคำนวณแบบเทนเซอร์แก้ปัญหาอะไร สถาปัตยกรรมแบบรวมแก้ปัญหาอะไร" และยกตัวอย่างว่าทำไมทั้งสองจึงต้องทำงานร่วมกัน

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะ "รันเร็ว" กับ "เปลี่ยนได้" ได้แล้ว จึงเข้าสู่ตัวอย่างเฉพาะหรือกลไกวิศวกรรมของวิวัฒนาการต่อเนื่องระดับระบบในหน้าถัดไป

<a id="lecture-page-6"></a>

### วิวัฒนาการของอัลกอริทึมเอง: จากการแก้คำตอบสู่การปรับปรุงวิธีการ

*หน้า 6*

> **เป้าหมายหน้า:** เข้าใจหลักการพื้นฐานของการนำวิธีการสร้างตัวเลือกเองเข้าเป็นวัตถุการปรับให้เหมาะสมเพื่อให้อัลกอริทึมวิวัฒนาการตนเอง

**ประเด็นการสอน**

- ชั้นในหาคำตอบ ชั้นนอกรีดวิธีการ เห็น "กลยุทธ์ พารามิเตอร์ ตัวดำเนินการ องค์ประกอบถูกนำเข้าสู่การค้นหา" คือวิวัฒนาการวิธีการ เห็น "เฉพาะตัวเลือกเปลี่ยน กฎการสร้างไม่เคยเปลี่ยน" คืออัลกอริทึมวิวัฒนาการแบบดั้งเดิม
- สัญญาณความ偏好เข้าสู่การประเมินคำตอบก่อน จากนั้นผ่านการรวมข้ามงานและการตรวจสอบความเสถียร จึงได้รับอนุญาตให้เข้าสู่การเลือกวิธีการ หากข้ามขั้นตอนนี้ ชั้นนอกจะวิ่งตามผลลัพธ์ที่น่าพอใจแต่ไม่สามารถทำซ้ำได้
- พื้นที่วิธีการใหญ่แค่ไหน? แต่ละรอบต้องรันงานชั้นในกี่ครั้ง? ใช้ชุดงานอิสระอะไรตรวจสอบว่าการปรับปรุงชั้นนอก generalize จริง? สามบัญชีนี้คำนวณไม่ชัด การค้นหาสองชั้นง่ายที่จะเสื่อมเป็นารปรับพารามิเตอร์แบบสุ่มที่มีต้นทุนสูงกว่า

เป้าหมายหน้า

อัลกอริทึมวิวัฒนาการแบบดั้งเดิมค้นหาภายใต้กลไกการสร้างที่คงที่ สิ่งที่ถูกปรับให้เหมาะสมเสมอคือตัวเลือก วิวัฒนาการวิธีการนำวิธีการสร้างตัวเลือกเองเข้าเป็นวัตถุการค้นหา ทำให้เกิดวิวัฒนาการจาก "แก้คำตอบ" สู่ "ปรับปรุงวิธีการ"

ลำดับการสอน

1. เปรียบเทียบความแตกต่างระหว่างอัลกอริทึมวิวัฒนาการแบบดั้งเดิมกับวิวัฒนาการวิธีการก่อน ชี้ให้เห็นว่า "วัตถุที่ถูกปรับให้เหมาะสม" เกิดการเคลื่อนย้าย

2. นำเสนอนิยามของวิวัฒนาการวิธีการ และอธิบายว่า EvoX เดินหน้าตามเส้นทางนี้นำวิธีการสร้างตัวเลือกเองเข้าเป็นวัตถุวิวัฒนาการ

ชั้นในหาคำตอบ ชั้นนอกรีดวิธีการ

4. ระบุตำแหน่งว่าการปรับให้เหมาะสมตามความ偏好ควรอยู่ในชั้นใด เน้นว่าเป้าหมายสองประเภทไม่สามารถสับสนได้

5. ยกตัวอย่าง MetaDE, AutoPSO และ EvoGO เป็นรูปแบบทั่วไป

6. สรุปถึงผลประโยชน์และต้นทุน จัดการแบบฝึกหัดและกรณีศึกษา

ประเด็นการสอน

กฎ "วิธีสร้างคำตอบ" เช่น การเลือก การผสมข้าม การกลายพันธุ์ ถูกเขียนไว้ล่วงหน้าโดยมนุษย์ การค้นหาเคลื่อนที่เฉพาะในพื้นที่คำตอบ เมื่อขนาดพลังการคำนวณเปิดออก กลไกการสร้างที่คงที่กลับกลายเป็นเพดาน

อัลกอริทึมไม่เพียงส่งออกคำตอบที่ดีขึ้น แต่ยังปรับปรุงกลยุทธ์ พารามิเตอร์ และองค์ประกอบที่สร้างคำตอบอย่างต่อเนื่องผ่านการค้นหาชั้นนอก EvoX เป็นงานบนเส้นทางนี้ เช่น นำกลยุทธ์การกลายพันธุ์และการตั้งค่าพารามิเตอร์ของ差分วิวัฒนาการเข้าเป็นวัตถุวิวัฒนาการ

ชั้นในใช้วิธีการปัจจุบันแก้ปัญหาเฉพาะ สร้างตัวเลือก ชั้นนอกเปรียบเทียบ เลือก อัปเดตวิธีการที่ใช้ในรอบถัดไปตามผลตอบกลับเช่นคุณภาพคำตอบ สัญญาณความ偏好 ความเสถียร หรือต้นทุน วัตถุที่ถูกย้ายขึ้นสู่พื้นที่ค้นหาไม่ใช่คำตอบใดคำตอบหนึ่ง แต่เป็นกลไกการสร้างตัวเลือกเอง ดังนั้นจึงกลายเป็นวัตถุที่สามารถประเมินได้ เลือกได้ อัปเดตได้

ชั้นบนคือ "วิธีการสร้างตัวเลือกวิวัฒนาการ" ประกอบด้วยกลยุทธ์/พารามิเตอร์/องค์ประกอบตัวดำเนินการ การค้นหาวิวัฒนาการชั้นนอก วิธีการสร้างที่ปรับปรุงแล้ว ชั้นล่างคือ "แก้ปัญหาเฉพาะ" ประกอบด้วยวิธีการปัจจุบัน ตัวเลือก การประเมินคุณภาพคำตอบ สองวงจรแสดงผลลัพธ์ชั้นนอกส่งกลับชั้นใน และผลตอบกลับคุณภาพคำตอบ/ความ偏好/ต้นทุนขับเคลื่อนสองชั้น เมื่อเขียนกระดานสามารถวาดสองชั้นบนล่างก่อน จากนั้นใช้ลูกศรทำเครื่องหมาย "อัปเดตวิธีการสร้าง" และ "สัญญาณตอบกลับ"

สามารถมีส่วนร่วมในผลตอบกลับชั้นบน แต่ต้องแยก "ประเมินคำตอบปัจจุบัน" กับ "ปรับปรุงวิธีการสร้างคำตอบ" ออกจากกัน การอ่าน "คำตอบนี้น่าพอใจกว่า" เป็น "กลยุทธ์นี้ดีกว่า" โดยตรง คือการใช้ความ偏好ของคำตอบปลอมเป็นข้อดีข้อเสียของวิธีการ ชั้นนอกจะถูกสัญญาณรบกวนของผลลัพธ์ครั้งเดียวพาไป สัญญาณความ偏好เข้าสู่การประเมินคำตอบก่อน จากนั้นผ่านการรวมข้ามงานและการตรวจสอบความเสถียร จึงได้รับอนุญาตให้เข้าสู่การเลือกวิธีการ

MetaDE ให้ชั้นนอกวิวัฒนาการกลยุทธ์การกลายพันธุ์และพารามิเตอร์ของ差分วิวัฒนาการ ชั้นในแก้ปัญหาตามปกติ AutoPSO และ EvoGO รวมองค์ประกอบอนุภาคเพิ่มเติม ใช้ผลตอบกลับในอดีตเรียนรู้วิธีการสร้างตัวเลือก บรรลุการก้าวข้ามจาก "เปลี่ยนพารามิเตอร์" สู่ "เปลี่ยนโครงสร้างอัลกอริทึม"

ผลประโยชน์คือการนำการออกแบบอัลกอริทึมจาการปรับพารามิเตอร์ด้วยมือครั้งเดียวไปสู่การปรับตัวที่ยั่งยืน ต้นทุนมีสามประการ: พื้นที่ค้นหาขยาย พื้นที่วิธีการใหญ่กว่าพื้นที่คำตอบมาก ต้นทุนการประเมินเพิ่มขึ้น แต่ละชุดวิธีการตัวเลือกต้องรันงานชั้นใน มักพึ่งพาการประเมินแบบแบตช์ขนานบน GPU เพื่อ分摊 ความซับซ้อนในการตรวจสอบเพิ่มขึ้น การปรับปรุงชั้นนอก generalize จริงหรือไม่ ต้องการการออกแบบการตรวจสอบที่เป็นอิสระ

แนวทางแบบฝึกหัดและคำแนะนำคำตอบ

1. เมื่อเทียบกับอัลกอริทึมวิวัฒนาการแบบดั้งเดิม ความแตกต่าง本质ที่สุดของวิวัฒนาการวิธีการใน "วัตถุที่ถูกปรับให้เหมาะสม" คืออะไร? ทิศทางที่ถูกต้องคือ: นำกลยุทธ์ พารามิเตอร์ และองค์ประกอบตัวดำเนินการของ "วิธีสร้างคำตอบ" เองเข้าเป็นวัตถุการค้นหา หากนักเรียนเลือก "ขนาดประชากรใหญ่ขึ้น" หรือ "ยกเลิกการประเมินความเหมาะสม" ให้แนะนำกลับไปที่การเคลื่อนย้ายวัตถุที่ถูกปรับให้เหมาะสม: สิ่งที่ถูกปรับให้เหมาะสมไม่ใช่เพียงคำตอบ แต่เป็นกลไกที่สร้างคำตอบ

ผลตอบกลับเช่นคุณภาพคำตอบ สัญญาณความ偏好 ความเสถียร หรือต้นทุนจากประสิทธิภาพของงานชั้นใน หากนักเรียนเลือกผิด "สัญญาณรบกวนแบบสุ่ม" หรือ "วิศวกรกำหนดด้วยมือ" ให้แนะนำให้追问: ชั้นนอก凭什么ตัดสินว่ากลยุทธ์หนึ่งดีกว่าอีกกลยุทธ์? "凭什么" นั้นคือสัญญาณตอบกลับ

ให้สัญญาณความ偏好มีส่วนร่วมในผลตอบกลับชั้นบน แต่จัดการ "ประเมินคำตอบปัจจุบัน" กับ "ปรับปรุงวิธีการสร้าง" เป็นเป้าหมายสองประเภทแยกกัน หากนักเรียนใช้ความ偏好ของคำตอบเป็นข้อดีข้อเสียของวิธีการโดยตรง เตือนว่า: ความ偏好ต้องผ่านการรวมข้ามงานและการตรวจสอบความเสถียร จึงจะยกระดับจาก "ความ偏好ของคำตอบ" เป็น "เกณฑ์ของวิธีการ"

พื้นที่วิธีการขยาย ทุกชุดวิธีการต้องเสียต้นทุนการประเมินชั้นใน และความยากในการตรวจสอบเพิ่มขึ้น สามารถสรุปเป็นแรงกดดันสามประการ: พื้นที่ พลังการคำนวณ การตรวจสอบ วิวัฒนาการวิธียกวัตถุการค้นหาขึ้นหนึ่งชั้น ต้นทุนก็เพิ่มขึ้นตาม

5. เกี่ยวกับ MetaDE กับ AutoPSO ข้อใดถูกต้อง? ทิศทางที่ถูกต้องคือ: MetaDE ใช้ชั้นนอกวิวัฒนาการกลยุทธ์การกลายพันธุ์และพารามิเตอร์ของ差分วิวัฒนาการ ชั้นในยังรับผิดชอบการแก้ตัวเลือกของงานเฉพาะ AutoPSO กับ EvoGO ก้าวหน้าไปสู่การรวมองค์ประกอบและการปรับปรุงระดับโครงสร้างมากขึ้น ทิศทางคือจากเปลี่ยนพารามิเตอร์ไปสู่เปลี่ยนโครงสร้าง

การจัดการกรณีศึกษา

สถานการณ์คือทีมปรับปรุงการจัดวางชิปบนคลัสเตอร์ GPU มี差分วิวัฒนาการ solver อยู่แล้ว แต่กลยุทธ์การกลายพันธุ์และพารามิเตอร์พึ่งพาประสบการณ์ของมนุษย์ ประสิทธิภาพผันผวนชัดเจน วางแผนนำMetaDEประเภทการปรับให้เหมาะสมสองชั้นมาใช้ และใช้ความ偏好ของผู้ใช้แนะนำการค้นหา

อินพุตชั้นในคือวิธีการปัจจุบัน (กลยุทธ์การกลายพันธุ์และการตั้งค่าพารามิเตอร์) และอินสแตนซ์ปัญหาการจัดวางเฉพาะ เอาต์พุตคือการจัดวางตัวเลือกและคุณภาพคำตอบ อินพุตชั้นนอกคือสถิติสรุปของประสิทธิภาพงานชั้นใน เอาต์พุตคือกลยุทธ์และพารามิเตอร์ที่อัปเดตแล้ว สัญญาณตอบกลับต้องรวมข้ามงาน ข้ามการรันซ้ำ เช่น ค่าเฉลี่ยหลายงาน ควอนไทล์ หรือตัวชี้วัดความเสถียร ไม่สามารถ取自การรันครั้งเดียว เหตุผลคือคุณภาพของคำตอบเดียวขึ้นอยู่กับอินสแตนซ์เฉพาะและความสุ่มอย่างมาก มันวัด "คำตอบครั้งนี้ดีหรือไม่" ไม่ใช่ "วิธีการชุดนี้ดีหรือไม่" หากใช้ผลลัพธ์ครั้งเดียวขับเคลื่อนชั้นนอกโดยตรง ชั้นนอกจะถูกความแตกต่างของอินสแตนซ์และสัญญาณรบกวนครอบงำ

ชั้นในสามารถใช้ฟังก์ชันการประเมินแบบถ่วงน้ำหนักตามความ偏好筛选การจัดวางตัวเลือก ชั้นนอกต้องแปลงเป็นเกณฑ์การเปรียบเทียบที่เสถียรข้ามงานก่อน เช่น คะแนนถ่วงน้ำหนักของตัวชี้วัดความยาวเส้นและการจราจรติดขัดและความแปรปรวน แล้วจึงใช้เลือกการตั้งค่าวิธีการ หลีกเลี่ยงการใช้ความ偏好ของคำตอบครั้งเดียวเป็นข้อดีข้อเสียของวิธีการโดยตรง

การขยายพื้นที่ค้นหาสามารถใช้การจัดกลุ่มพารามิเตอร์ การค้นหาแบบชั้น การหยาบก่อนละเอียดเพื่อควบคุมขนาด ต้นทุนการประเมินที่เพิ่มขึ้นสามารถใช้การประเมินแบบแบตช์ขนานบน GPU การประเมินโดยประมาณด้วยตัวอย่างจำนวนน้อยและกลไกหยุดก่อนกำหนดเพื่อลดต้นทุน ความซับซ้อนในการตรวจสอบที่เพิ่มขึ้นต้องเก็บชุดงานตรวจสอบอิสระและรันซ้ำ ตรวจสอบว่าการปรับปรุงชั้นนอก generalize จริงหรือไม่

ตรวจสอบความเข้าใจและการเชื่อมต่อ

ชั้นในหาคำตอบ ชั้นนอกรีดวิธีการ เห็น "กลยุทธ์ พารามิเตอร์ ตัวดำเนินการ องค์ประกอบถูกนำเข้าสู่การค้นหา" คือวิวัฒนาการวิธีการ เห็น "เฉพาะตัวเลือกเปลี่ยน กฎการสร้างไม่เคยเปลี่ยน" คืออัลกอริทึมวิวัฒนาการแบบดั้งเดิม หลังจากยืนยันว่านักเรียนสามารถอธิบาย "วัตถุที่ถูกปรับให้เหมาะสมเปลี่ยนไป" และ "ความ偏好ไม่สามารถปลอมเป็นข้อดีข้อเสียของวิธีการโดยตรง" ได้แล้ว จึงเข้าสู่ตัวอย่าง แอปพลิเคชัน หรือสรุปในหน้าถัดไป

<a id="lecture-page-7"></a>

### MetaDE และ AutoPSO: สถาปัตยกรรมสองชั้นของวิวัฒนาการวิธีการ

*หน้า 7*

> **เป้าหมายหน้า:** เชี่ยวชาญว่า MetaDE และ AutoPSO บรรลุการวิวัฒนาการอัตโนมัติของตัวแปรอัลกอริทึมและพารามิเตอร์ผ่านการปรับให้เหมาะสมสองชั้นภายในภายนอกได้อย่างไร

> **เป้าหมายหน้า**
>
> เข้าใจว่า MetaDE และ AutoPSO บรรลุการวิวัฒนาการอัตโนมัติของการตั้งค่าและโครงสร้างอัลกอริทึมผ่านสถาปัตยกรรมการปรับให้เหมาะสมสองชั้นภายในภายนอกได้อย่างไร และเข้าใจโครงสร้างต้นทุนและการ权衡ทางวิศวกรรม

> **ลำดับการสอน**
>
> อัลกอริทึมไม่เพียงหาคำตอบ แต่ยังปรับปรุง "วิธีหาคำตอบของตัวเอง"
>
> 2. แสดงนามธรรมทั่วไปของสถาปัตยกรรมสองชั้นภายในภายนอก เน้นว่าชั้นนอกค้นหาพื้นที่อัลกอริทึม ชั้นในแก้ปัญหาเป้าหมาย ประสิทธิภาพชั้นในส่งคืนเป็นสัญญาณความเหมาะสมสร้างวงจร
>
> 3. อธิบายเส้นทางการนำไปใช้สองเส้นของ MetaDE และ AutoPSO แยกกัน อธิบายว่าแบบแรกจัดการชั้นการตั้งค่า แบบหลังจัดการชั้นโครงสร้าง/องค์ประกอบ
>
> 4. วิเคราะห์ผลการคูณของต้นทุนการปรับให้เหมาะสมสองชั้น นำไปสู่การ权衡ทางวิศวกรรมเช่นการจัดสรรงบประมาณ การประเมินโดยประมาณ การหยุดก่อนกำหนด การขนาน
>
> จากการออกแบบอัลกอริทึมเดียวด้วยมือไปสู่การออกแบบพื้นที่อัลกอริทึมที่สามารถวิวัฒนาการและกลไกการประเมิน

**ประเด็นการสอน**

- วิวัฒนาการวิธีการ (Meta-Evolution) นำ "วิธีการสร้างตัวเลือก" เองเป็นวัตถุการปรับให้เหมาะสม ชั้นนอกค้นหาการตั้งค่าอัลกอริทึม การรวมองค์ประกอบ หรือกลยุทธ์ ไม่ใช่คำตอบของงาน ชั้นนอกรับผิดชอบค้นหาพื้นที่อัลกอริทึม (ไฮเปอร์พารามิเตอร์ กลยุทธ์ การรวมองค์ประกอบ ฯลฯ "นิยามของอัลกอริทึม")
- ชั้นในใช้อัลกอริทึมตัวเลือกแก้ปัญหาเป้าหมายจริง ได้ประสิทธิภาพที่วัดได้
- ประสิทธิภาพชั้นในถูกรวมเป็นความเหมาะสมส่งคืนชั้นนอก ชั้นนอกคัดออกการตั้งค่าที่ด้อยกว่า เก็บและกลายพันธุ์การตั้งค่าที่มีคุณภาพ สร้างวงจรการปรับปรุงต่อเนื่อง เก็บ差分วิวัฒนาการเป็น solver ชั้นใน มอบการตั้งค่าของ DE เองให้ชั้นนอกค้นหา — กลยุทธ์การกลายพันธุ์ อัตราการผสมข้าม ปัจจัยการขยาย ฯลฯ ปรับตัวตามปัญหาและระยะการปรับให้เหมาะสม มันตอบ "การตั้งค่าชุดนี้ควรตั้งอย่างไรในระยะงานปัจจุบัน" เป็นวิวัฒนาการวิธีการระดับการตั้งค่า นำพารามิเตอร์หลักและกลไกการเรียนรู้ของ PSO เป็นองค์ประกอบที่สามารถรวมได้ — น้ำหนักความเฉื่อย ปัจจัยการเรียนรู้ และการจับคู่ต่างๆ ของกลไกการเรียนรู้ส่วนบุคคลและส่วนรวม ให้ชั้นนอกค้นหาและรวมตัวแปร PSO ที่เหมาะกับปัญหาต่างๆ โดยอัตโนมัติ มันเปลี่ยน "เลือกอัลกอริทึม" เป็น "ค้นหาโครงสร้างอัลกอริทึม" บรรลุการก้าวข้ามจาการปรับตัวพารามิเตอร์สู่การสร้างกลไกเอง MetaDE เน้นการปรับแต่งอัตโนมัติระดับการตั้งค่าและไฮเปอร์พารามิเตอร์ AutoPSO เน้นการรวมอัตโนมัติระดับโครงสร้างและองค์ประกอบ ร่วมกันครอบคลุมช่วงวิวัฒนาการจาการปรับตัวพารามิเตอร์สู่การสร้างกลไกเอง ต้นทุนหลักของการปรับให้เหมาะสมสองชั้นอยู่ที่ผลการคูณ — ทุกครั้งที่ชั้นนอกประเมินอัลกอริทึมตัวเลือกหนึ่ง มักต้องการการรันชั้นในหลายครั้ง (การประเมินซ้ำเนื่องจากความสุ่ม การตรวจสอบร่วมหลายงาน ฯลฯ) งบประมาณการคำนวณถูกขยายอย่างมีนัยสำคัญ ปริมาณการคำนวณจริงประมาณเท่ากับ "จำนวนอัลกอริทึมตัวเลือกชั้นนอก × จำนวนการรันชั้นในต่อตัวเลือก" การจัดสรรงบประมาณ การประเมินโดยประมาณ การหยุดก่อนกำหนด การขนาน การดำเนินการที่มีประสิทธิภาพพึ่งพาการขนานแบบเทนเซอร์ การจัดตาราง Runtime และความสามารถในการรวมของอัลกอริทึม
- การขนานสามารถบรรเทาเวลานาฬิกาได้ แต่ไม่ลดปริมาณการคำนวณทั้งหมด นักวิจัยส่งมอบไม่ใช่อัลกอริทึมคงที่อีกต่อไป แต่เป็นพื้นที่ค้นหาและกฎผลตอบกลับที่ให้อัลกอริทึมปรับปรุงตัวเองอย่างต่อเนื่อง

**ตรวจสอบความเข้าใจ**

สามารถถามตามลำดับและให้ประเด็นคำตอบ:

1. วัตถุโดยตรงของการค้นหาชั้นนอกคืออะไร?

การตั้งค่า โครงสร้าง และการรวมองค์ประกอบของอัลกอริทึมเอง สาระสำคัญของวิวัฒนาการวิธีการคือการนำอัลกอริทึมเองเป็นวัตถุที่ถูกปรับให้เหมาะสม ชั้นนอกค้นหาการตั้งค่าและโครงสร้างในพื้นที่อัลกอริทึม ไม่ใช่ค้นหาคำตอบของงานโดยตรง สังเกตความแตกต่างสองชั้น: ชั้นในค้นหาคำตอบโดยตรง ชั้นนอกค้นหา "ใช้อัลกอริทึมอะไร ตั้งค่าอัลกอริทึมอย่างไร"

2. MetaDE ชั้นนอกวิวัฒนาการวัตถุกลุ่มใดเป็นหลัก?

กลยุทธ์การกลายพันธุ์ อัตราการผสมข้าม และปัจจัยการขยายของ差分วิวัฒนาการ MetaDE ให้การตั้งค่าของ DE ปรับตัวตามปัญหาและระยะ เป็นวิวัฒนาการวิธีการระดับการตั้งค่า/ไฮเปอร์พารามิเตอร์ ไม่ใช่โครงสร้างของอัลกอริทึมอื่น

3. การแบ่งงานระหว่าง AutoPSO กับ MetaDE ข้อใดอธิบายได้แม่นยำที่สุด?

AutoPSO เน้นการรวมอัตโนมัติของพารามิเตอร์และกลไกการเรียนรู้ เปลี่ยน "เลือกอัลกอริทึม" เป็น "ค้นหาโครงสร้างอัลกอริทึม" MetaDE เน้นวิวัฒนาการระดับการตั้งค่า ทั้งสองเสริมกัน: MetaDE ครอบคลุมระดับการตั้งค่าและไฮเปอร์พารามิเตอร์ AutoPSO ครอบคลุมระดับโครงสร้างและองค์ประกอบ ร่วมกัน構成ช่วงวิวัฒนาการจาการปรับตัวพารามิเตอร์สู่การสร้างกลไกเอง และทั้งหมดต้องผ่านการประเมินชั้นใน

4. เกี่ยวกับโครงสร้างต้นทุนของการปรับให้เหมาะสมสองชั้น ข้อใดถูกต้อง?

ทุกครั้งที่ชั้นนอกประเมินอัลกอริทึมตัวเลือกหนึ่งมักต้องการการรันชั้นในหลายครั้ง งบประมาณถูกขยายอย่างมีนัยสำคัญ ต้องการการจัดสรรงบประมาณ การประเมินโดยประมาณ หรือการหยุดก่อนกำหนด ต้นทุนหลักของสถาปัตยกรรมสองชั้นคือผลการคูณ การขนานเพียงบรรเทา ไม่สามารถกำจัดต้นทุนทั้งหมด

5. หลังจากใช้สถาปัตยกรรมสองชั้นของวิวัฒนาการวิธีการ การเปลี่ยนแปลงการรับรู้บทบาทของนักวิจัยคืออะไร?

จาการออกแบบอัลกอริทึมเดียวด้วยมือ ไปสู่การออกแบบพื้นที่ที่อัลกอริทึมสามารถวิวัฒนาการและกลไกการประเมิน สิ่งที่ส่งมอบไม่ใช่อัลกอริทึมคงที่อีกต่อไป แต่เป็น "พื้นที่อัลกอริทึมที่สามารถวิวัฒนาการได้ + กฎการประเมินความเหมาะสม" การค้นหาชั้นนอกและการแก้ปัญหาชั้นในจึงสร้างวงจรการปรับปรุงต่อเนื่อง แม้ไม่กำหนดอัลกอริทึมเดียวด้วยมืออีกต่อไป แต่งานหลักกลายเป็นการออกแบบพื้นที่ค้นหาและกลไกการประเมิน ความรับผิดชอบกลับหนักขึ้น

**การจัดการแบบฝึกหัด**

กรณี "สร้างบริการวิวัฒนาการสองชั้นสำหรับงานที่เปลี่ยนแปลงตลอดเวลา" สามารถใช้หลังจากอธิบายสถาปัตยกรรมและต้นทุนเสร็จ ให้นักเรียนตอบอย่างอิสระก่อน แล้วจึงอภิปรายร่วมกัน

อธิบายว่าชั้นในและชั้นนอกรับผิดชอบอะไร และสัญญาณไหลอย่างไร

ชั้นนอกค้นหาอัลกอริทึมตัวเลือกในพื้นที่อัลกอริทึม — สามารถวิวัฒนาการกลยุทธ์การกลายพันธุ์ อัตราการผสมข้าม ปัจจัยการขยายของ DE (เส้นทาง MetaDE) หรือรวมอัตโนมัติองค์ประกอบเช่นน้ำหนักความเฉื่อย ปัจจัยการเรียนรู้ และกลไกการเรียนรู้ของ PSO (เส้นทาง AutoPSO) ชั้นในใช้อัลกอริทึมตัวเลือกแต่ละตัวรันและประเมินบนงานเป้าหมายของวัน ส่งออกประสิทธิภาพที่เปรียบเทียบได้ ประสิทธิภาพชั้นในถูกรวมเป็นความเหมาะสมส่งคืนชั้นนอก ชั้นนอกคัดออกตัวเลือกที่ด้อยกว่า เก็บและกลายพันธุ์การตั้งค่าที่มีคุณภาพ ทำซ้ำอย่างต่อเนื่อง สร้างวงจร "ชั้นนอกค้นหาพื้นที่อัลกอริทึม ชั้นในแก้ปัญหาเป้าหมาย ผลตอบกลับประสิทธิภาพขับเคลื่อนการปรับปรุง"

เมื่อเผชิญกับแรงกดดันงบประมาณ "การประเมินชั้นนอกหนึ่งครั้งต้องการการรันชั้นในหลายครั้ง" ให้มาตรการ权衡อย่างน้อยสองข้อและอธิบายต้นทุนหรือความเสี่ยง

① การจัดสรรงบประมาณ — กำหนดวงเงินการคำนวณสำหรับชั้นนอกและชั้นในแยกกันและจำกัดจำนวนการรันซ้ำชั้นใน ต้นทุนคือความแปรปรวนการประเมินเพิ่มขึ้น อาจเลือกผิด ② การประเมินโดยประมาณ — ใช้ชุดย่อยข้อมูลหรือการรันระยะสั้นประมาณความเหมาะสม ต้นทุนคือสัญญาณรบกวนมาก ตัวเลือกที่ดีที่สุดอาจถูกประเมินต่ำ ③ การหยุดก่อนกำหนด — หยุดการรันชั้นในก่อนกำหนดสำหรับตัวเลือกที่ด้อยชัดเจน ต้นทุนคืออาจคัดออกการตั้งค่าที่เริ่มช้าแต่ทำงานได้ดีในภายหลังก่อนเวลา ④ การขนานแบบเทนเซอร์และการจัดตาราง Runtime — รันชั้นในแบบขนานเป็นชุด สามารถบรรเทาเวลานาฬิกาได้อย่างมีนัยสำคัญ แต่ไม่ลดปริมาณการคำนวณทั้งหมด และถูกจำกัดด้วยหน่วยความจำและการจัดตาราง คำตอบต้องอธิบายความสัมพันธ์ระหว่างมาตรการแต่ละข้อกับต้นทุนหรือความเสี่ยง และสะท้อนการประมาณการคูณ "ขนาดการค้นหาชั้นนอก × จำนวนการรันชั้นในแต่ละครั้ง"

ภาษาผลตอบกลับ:

ถูกต้อง คำตอบนี้สามารถเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้

กรุณากลับไปที่คำอธิบายของหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน

สังเกตความแตกต่างของ "ชั้น" — ชั้นในค้นหาคำตอบโดยตรง ชั้นนอกค้นหา "ใช้อัลกอริทึมอะไร ตั้งค่าอัลกอริทึมอย่างไร" วัตถุของ MetaDE คือการตั้งค่าของ差分วิวัฒนาการเอง ไม่ใช่โครงสร้างของอัลกอริทึมอื่น ต้นทุนหลักของสถาปัตยกรรมสองชั้นคือผลการคูณ การขนานเพียงบรรเทา ไม่สามารถกำจัดต้นทุนทั้งหมด แม้ไม่กำหนดอัลกอริทึมเดียวด้วยมืออีกต่อไป แต่งานหลักของนักวิจัยกลายเป็นการออกแบบพื้นที่ค้นหาและกลไกการประเมิน ความรับผิดชอบกลับหนักขึ้น

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะ "วิวัฒนาการระดับการตั้งค่า" กับ "วิวัฒนาการระดับโครงสร้าง/องค์ประกอบ" ด้วยคำพูดของตนเอง และสามารถพูดวงจรสัญญาณชั้นในชั้นนอกและผลการคูณงบประมาณได้แล้ว จึงเข้าสู่ตัวอย่าง แอปพลิเคชัน หรือสรุปในหน้าถัดไป

<a id="lecture-page-8"></a>

### กรณีปฏิบัติหลายเป้าหมายในการออกแบบปีกอากาศยานเหนือวิกฤต

*หน้า 8*

> **เป้าหมายหน้า:** เรียนรู้วิธีใช้ EvoX จัดการข้อจำกัดทางวิศวกรรมที่ซับซ้อนและสร้าง方案การ权衡ที่หลากหลายในการออกแบบปีก

> **เป้าหมายหน้า**
>
> เข้าใจว่าทำไมการออกแบบปีกอากาศยานเหนือวิกฤตจึงเป็นปัญหาหลายเป้าหมาย และเชี่ยวชาญวิธีใช้ EvoX สร้าง方案การ权衡ที่หลากหลายภายใต้ข้อจำกัดทางวิศวกรรมที่เข้มงวด

> **ลำดับการสอน**
>
> การออกแบบปีกอากาศยานเหนือวิกฤตเป็นการปฏิบัติหลายเป้าหมายของ EvoX ในวิศวกรรมจริง พารามิเตอร์รูปร่างเช่นความโค้ง ความหนา ขอบท้ายของปีก耦合กัน การเปลี่ยนรูปร่างส่งผลต่อตัวชี้วัดทางอากาศพลศาสตร์หลายอย่างพร้อมกัน
>
> การปรับปรุงตัวชี้วัดหนึ่งมักแลกมาด้วยอีกตัวชี้วัด ดังนั้นไม่สามารถจัดการเป็นการหาค่าที่เหมาะสมเป้าหมายเดียว ต้องการการ权衡หลายเป้าหมาย
>
> ข้อกำหนดเช่นแรงยก มุมปะทะ ความหนา กำหนดโดเมนการออกแบบที่เป็นไปได้ การค้นหาต้องดำเนินการภายใต้การปฏิบัติตามข้อจำกัด จึงจะรับประกันว่าตัวเลือก方案สามารถใช้ในวิศวกรรมได้
>
> EvoX สร้างกลุ่มตัวเลือก方案ที่หลากหลายซึ่งคำนึงถึงตัวชี้วัดต่างๆ ไม่ใช่คำตอบที่ดีที่สุดเพียงหนึ่งเดียว กลุ่มตัวเลือกให้ผู้เชี่ยวชาญในสาขาเปรียบเทียบผลประโยชน์และต้นทุนต่างๆ และทำการ取舍
>
> กรณีนี้แปลงปัญหาจริงที่ซับซ้อนเป็นกระบวนการที่สามารถสำรวจและประเมินได้ ค้นหา方案การ权衡ที่อธิบายได้ในความขัดแย้งระหว่างข้อจำกัดและเป้าหมาย

**ประเด็นการสอน**

- การเปลี่ยนแปลงรูปร่างของปีกอากาศยานเหนือวิกฤตส่งผลต่อตัวชี้วัดทางอากาศพลศาสตร์หลายอย่าง เป้าหมายมักขัดแย้งกัน ต้องการการ权衡หลายเป้าหมาย การออกแบบต้องปฏิบัติตามข้อจำกัดที่เข้มงวดหลายข้อเช่นแรงยก มุมปะทะ และความหนา การค้นหาควรดำเนินการในโดเมนการออกแบบที่เป็นไปได้ สร้างตัวเลือก方案ที่หลากหลาย ช่วยผู้เชี่ยวชาญประเมินผลประโยชน์และต้นทุนต่างๆ และทำการ取舍 สำรวจต่อเนื่องในพื้นที่พารามิเตอร์ปีก (ความโค้ง ความหนา ขอบท้าย) ก่อน จากนั้นเข้าใกล้แนวหน้าการ权衡หลายเป้าหมาย (ตัวชี้วัด A กับตัวชี้วัด B) สุดท้ายสร้างกลุ่มตัวเลือก方案 ปีกอากาศยานเหนือวิกฤต การ权衡หลายเป้าหมาย โดเมนการออกแบบที่เป็นไปได้ กลุ่มตัวเลือก方案 EvoX

> **แนวทางแบบฝึกหัด**
>
> - รากเหง้าของปัญหาหลายเป้าหมาย บทบาทของข้อจำกัด เอาต์พุตปฏิบัติของ EvoX ความหมายของตัวเลือกที่หลากหลาย คุณค่าของวิธีการ ความเข้าใจที่ถูกต้องควรอยู่ที่: พารามิเตอร์รูปร่างส่งผลต่อตัวชี้วัดหลายอย่างพร้อมกันทำให้เกิดความขัดแย้งของเป้าหมาย
> - ข้อจำกัดกำหนดโดเมนการออกแบบที่เป็นไปได้
> - เอาต์พุตคือกลุ่มตัวเลือก方案ที่หลากหลาย
> - ตัวเลือกต่างๆ เป็นตัวแทนของผลประโยชน์และต้นทุนต่างๆ
> - คุณค่าของวิธีการอยู่ที่การแปลงปัญหาจริงที่ซับซ้อนเป็นกระบวนการที่สามารถสำรวจและประเมินได้

**การจัดการแบบฝึกหัด**

หากนักเรียนเลือกผิด "เพียงปรับปรุงแรงยก" "หาคำตอบที่ดีที่สุดเพียงหนึ่งเดียว" ให้แนะนำกลับไปที่การ耦合ของพารามิเตอร์รูปร่างและความขัดแย้งของเป้าหมาย

หากนักเรียนเลือกผิด "ข้อจำกัดสามารถผ่อนปรนได้ตามใจ" หรือ "ไม่เกี่ยวข้องกับการใช้งานในวิศวกรรม" ให้แนะนำว่าข้อจำกัดกำหนดโดเมนการออกแบบที่เป็นไปได้ ไม่สามารถผ่อนปรนได้ตามใจ

หากนักเรียนเลือกผิด "ปีกที่ดีที่สุดเพียงหนึ่งเดียว" หรือ "รูปร่างแบบสุ่ม" ให้แนะนำว่าเอาต์พุตควรเป็นกลุ่มตัวเลือก方案ที่หลากหลายซึ่งคำนึงถึงตัวชี้วัดต่างๆ

ถูกต้อง คำตอบนี้สามารถเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้

กรุณากลับไปที่คำอธิบายของหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน

**กิจกรรมในชั้นเรียน**

เนื่องจากการเปลี่ยนแปลงพารามิเตอร์รูปร่างส่งผลต่อตัวชี้วัดทางอากาศพลศาสตร์หลายอย่างพร้อมกัน การปรับปรุงอย่างหนึ่งมักแลกมาด้วยอีกอย่าง ต้องการการ权衡หลายเป้าหมาย ข้อจำกัดกำหนดโดเมนการออกแบบที่เป็นไปได้ รับประกันว่าตัวเลือก方案สามารถใช้ในวิศวกรรมได้

**ตรวจสอบความเข้าใจ**

EvoX ในการออกแบบปีกอากาศยานเหนือวิกฤต สร้างกลุ่มตัวเลือก方案ที่หลากหลายภายใต้ข้อจำกัดที่เข้มงวดได้อย่างไร ให้ผู้เชี่ยวชาญประเมินผลประโยชน์และต้นทุน ครูเสริมคำสำคัญที่ขาดตามคำตอบ: ความขัดแย้งของเป้าหมาย โดเมนการออกแบบที่เป็นไปได้ กลุ่มตัวเลือก方案 การ权衡หลายเป้าหมาย

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะการหาค่าที่เหมาะสมเป้าหมายเดียวกับการ权衡หลายเป้าหมาย และอธิบายประโยชน์ของกลุ่มตัวเลือก方案ได้แล้ว จึงเข้าสู่ตัวอย่าง แอปพลิเคชัน หรือสรุปในหน้าถัดไป

<a id="lecture-page-9"></a>

### ความท้าทายข้ามวงจรชีวิต: บริบทหมดและความคงทนระดับโปรเจกต์

*หน้า 9*

> **เป้าหมายหน้า:** เข้าใจความขัดแย้งระหว่างข้อจำกัดบริบทของโมเดลขนาดใหญ่กับโปรเจกต์วิศวกรรมจริงที่ดำเนินต่อเนื่องหลายเดือนหรือหลายปี

**ประเด็นการสอน**

- บริบทครั้งเดียวคือโต๊ะทำงาน คลังโปรเจกต์คือความทรงจำระยะยาว อย่าเก็บสถานะประชากร การตั้งค่าที่ล้มเหลว และเหตุผลการตัดสินใจไว้เพียงในหน้าต่างเซสชัน ก่อนปิดเซสชันควรเขียนเป็นชิ้นงานระดับโปรเจกต์ เซสชันถัดไปอ่านก่อนแล้วจึงดำเนินต่อ
- ความคงทนที่สืบทอดได้ต้องการให้ชิ้นงานสามารถทำเวอร์ชันได้ ค้นหาได้ อธิบายได้: โค้ด การทดสอบ บันทึกการทดลอง บันทึกการตัดสินใจ ตัวชี้วัดการประเมิน และข้อสรุปการตรวจรับ ต้องตอบได้ว่าทำไมจึงเลือกเช่นนี้ อะไรล้มเหลวแล้ว อะไรยังขัดแย้งอยู่
- Agent ชั้นบนแบ่งเป้าหมาย Agent ชั้นล่างดำเนินการและทดสอบ ก่อนสิ้นสุดแต่ละเซสชันตั้งจุดตรวจ: อัปเดตบันทึกการตัดสินใจและตัวชี้วัดการประเมิน เมื่อเริ่มเซสชันใหม่สืบทอดจุดตรวจก่อน แล้วจึงตัดสินการดำเนินการเฉพาะที่ ข้ามวงจรชีวิตที่จำกัดหลายรอบ

> **เป้าหมายหน้า**
>
> เข้าใจความขัดแย้งระหว่างข้อจำกัดบริบทของ Agent โมเดลขนาดใหญ่กับโปรเจกต์วิศวกรรมจริงที่ดำเนินต่อเนื่องหลายเดือน乃至หลายปี สร้างความจำเป็นของความคงทนระดับโปรเจกต์ การตัดสินหลัก: หน้าต่างบริบทครั้งเดียว Cสูงสุด เป็นทรัพยากรจำกัด วงจรชีวิตโปรเจกต์ Tโปรเจกต์ สามารถดำเนินต่อเนื่องหลายเดือน乃至หลายปี ดังนั้น Tโปรเจกต์ ≫ Cสูงสุด ความยากจริงไม่ใช่ความสามารถในการสรุปเหตุผลครั้งเดียวไม่เพียงพอ แต่เป็นประสบการณ์ไม่สามารถข้ามวงจรชีวิต Agent ได้
>
> ลำดับการสอน
>
> บริบทของ Agent ครั้งเดียวสามารถ容纳เป้าหมายปัจจุบัน การสังเกตเฉพาะที่ และการสรุปเหตุผลล่าสุดเท่านั้น หลังปิดเซสชันสถานะถูกล้าง ข้อสรุปและประสบการณ์ชั่วคราวไม่สามารถใช้ได้อีกต่อไป หากขาดความคงทน เซสชันต่อไปสามารถเพียงสำรวจซ้ำ
>
> ความคงทนระดับโปรเจกต์ นำการตั้งค่าที่ล้มเหลว กระบวนการ权衡 ตัวเลือก方案 และข้อสรุปการตรวจรับ ออกมาเป็นชิ้นงานระดับโปรเจกต์ที่มีอยู่อย่างต่อเนื่อง รวมถึงโค้ด การทดสอบ บันทึกการทดลอง บันทึกการตัดสินใจ ตัวชี้วัดการประเมิน และข้อสรุปการตรวจรับ Agent ต่อมาไม่ต้องเริ่มจากศูนย์ แต่อ่านประสบการณ์ก่อนหน้า ตัดสินว่าทิศทางใดได้รับการยืนยันแล้ว ความขัดแย้งใดยังไม่แก้ไข ตัวชี้วัดใดบรรลุแล้ว
>
> วัตถุวิวัฒนาการไม่ใช่เพียงพารามิเตอร์ตัวเลขครั้งเดียวหรือตัวเลือก แตเป็นโลกซอฟต์แวร์ที่มีอยู่อย่างต่อเนื่อง สามารถทำเวอร์ชันได้ สืบทอดได้ ชิ้นงานใหม่ที่เกิดจากแต่ละเซสชันเปลี่ยนสถานะของโลกนี้ เซสชันถัดไปวิวัฒนาการต่อบนโลกที่อัปเดตแล้ว กระบวนการปรับให้เหมาะสมจึงกลายเป็นวิวัฒนาการต่อเนื่องระดับโปรเจกต์
>
> Agent หลายตัวที่มีวงจรชีวิตจำกัดสามารถทำงานร่วมกันได้ ผู้บริหารชั้นบนเข้าใจเป้าหมายและแบ่งงาน ผู้บริหารชั้นล่างทำการใช้งานเฉพาะที่และการทดสอบ หากจำเป็นแบ่งต่อแบบเรียกซ้ำ เขียนสถานะสำคัญก่อนปิด Agent ใหม่เริ่มต้นอ่านความทรงจำโปรเจกต์ก่อน แล้วจึงตัดสินการดำเนินการเฉพาะที่
>
> โปรเจกต์ระยะยาวมักมีเป้าหมายขัดแย้งกัน เช่น ประสิทธิภาพ ต้นทุน ความทนทาน难以ดีที่สุดพร้อมกัน ผลตอบกลับอาจเบาบาง การทดลองหนึ่งครั้งต้องรอหลายชั่วโมง乃至หลายวัน บันทึกการตัดสินใจและตัวชี้วัดการประเมินที่คงทนสามารถแปลงผลตอบกลับเบาบางเป็นประสบการณ์ที่สืบทอดได้ หลีกเลี่ยง Agent ต่อมาซ้ำ踩坑
>
> ประเด็นการสอน
>
> บริบทครั้งเดียวคือโต๊ะทำงาน คลังโปรเจกต์คือความทรงจำระยะยาว อย่าเก็บสถานะประชากร การตั้งค่าที่ล้มเหลว และเหตุผลการตัดสินใจไว้เพียงในหน้าต่างเซสชัน ก่อนปิดเซสชันควรเขียนเป็นชิ้นงานระดับโปรเจกต์ เซสชันถัดไปอ่านก่อนแล้วจึงดำเนินต่อ
>
> ความคงทนไม่ใช่การสะสมบันทึก ความคงทนที่สืบทอดได้ต้องการให้ชิ้นงานสามารถทำเวอร์ชันได้ ค้นหาได้ อธิบายได้: โค้ด การทดสอบ บันทึกการทดลอง บันทึกการตัดสินใจ ตัวชี้วัดการประเมิน และข้อสรุปการตรวจรับ ต้องตอบได้ว่าทำไมจึงเลือกเช่นนี้ อะไรล้มเหลวแล้ว อะไรยังขัดแย้งอยู่
>
> ก่อนสิ้นสุดแต่ละเซสชันอัปเดตบันทึกการตัดสินใจและตัวชี้วัดการประเมิน เมื่อเริ่มเซสชันใหม่สืบทอดจุดตรวจก่อน แล้วจึงตัดสินการดำเนินการเฉพาะที่ ข้ามวงจรชีวิตที่จำกัดหลายรอบ
>
> วิวัฒนาการต่อเนื่องระดับโปรเจกต์ คือการย้ายกระบวนการสร้างตัวเลือก ประเมินตัวเลือก บันทึกการ权衡 และข้อสรุปการตรวจรับ จากบริบท Agent ครั้งเดียวไปสู่ชิ้นงานคงทนระดับโปรเจกต์ ทำให้โปรเจกต์ทำซ้ำอย่างต่อเนื่องข้ามวงจรชีวิต Agent หลายรอบ
>
> แนวทางแบบฝึกหัด
>
> ควรเลือก "หน้าต่างบริบทจำกัด และหลังปิดเซสชันสถานะและประสบการณ์ไม่สามารถพึ่งพาได้" ผลตอบกลับเน้น: ขอบเขตแข็งอยู่ที่ความยาวจำกัดและการล้างสถานะหลังปิดเซสชัน ไม่ใช่ขนาดพารามิเตอร์ ระดับการขนาน หรือฟังก์ชันเป้าหมาย
>
> ควรเลือก "โค้ด การทดสอบ บันทึกการทดลอง บันทึกการตัดสินใจ ตัวชี้วัดการประเมิน และข้อสรุปการตรวจรับ" ผลตอบกลับอธิบายว่าชิ้นงานเหล่านี้ร่วมกัน構成ความทรงจำโปรเจกต์
>
> ควรเลือก "จากพารามิเตอร์ตัวเลข/ตัวเลือกครั้งเดียวขยายเป็นโลกซอฟต์แวร์ที่มีอยู่อย่างต่อเนื่อง สามารถทำเวอร์ชันได้ สืบทอดได้" ผลตอบกลับแยกความแตกต่างระหว่างการเปลี่ยนแปลงกระบวนทัศน์การฝึกกับการเปลี่ยนแปลงขอบเขตวัตถุวิวัฒนาการ
>
> ควรเลือก "ชั้นบนเข้าใจเป้าหมายและแบ่งงาน ชั้นล่างทำการใช้งานเฉพาะที่และการทดสอบ หากจำเป็นแบ่งต่อแบบเรียกซ้ำ" ผลตอบกลับเน้นความต่อเนื่องข้ามวงจรชีวิตได้รับการประกันโดยความคงทนระดับโปรเจกต์
>
> ควรเลือก "หลังปิดเซสชันแต่ละครั้งสถานะประชากร การตั้งค่าที่ล้มเหลว และเหตุผลการตัดสินใจสูญหาย Agent ต่อมาสำรวจซ้ำ" ผลตอบกลับอธิบายว่าการขาดความคงทนไม่สามารถแก้ความขัดแย้งของเป้าหมายหรือขยายบริบทโดยอัตโนมัติ
>
> เมื่อถูกต้องสามารถชื่นชม "สามารถเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้" เมื่อผิดให้นักเรียนกลับไปที่คำอธิบายของหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน
>
> การจัดการแบบฝึกหัด
>
> เป้าหมายประกอบด้วยประสิทธิภาพทางอากาศพลศาสตร์ ความแข็งแกร่งของโครงสร้าง และต้นทุนการผลิต ทั้งสามขัดแย้งกัน ผลตอบกลับการจำลองเบาบาง ทีมต้องการ Agent หลายตัวที่มีวงจรชีวิตสั้นทำงานร่วมกันอย่างต่อเนื่อง คำถามแรกต้องการอธิบายว่าทำไมไม่สามารถเก็บความทรงจำโปรเจกต์ไว้ในบริบทครั้งเดียวได้ และระบุชิ้นงานที่ควรคงทนอย่างน้อยสามประเภท ประเด็นคำตอบ: หน้าต่างบริบทครั้งเดียวจำกัดและหลังปิดเซสชันสถานะถูกล้าง ขณะที่โปรเจกต์ข้ามเดือน Tโปรเจกต์ ≫ Cสูงสุด การพึ่งพาบริบทครั้งเดียวจะสูญเสียสถานะประชากร ผลการจำลอง การตั้งค่าที่ล้มเหลว ความขัดแย้งของตัวชี้วัด และเหตุผลการตัดสินใจ ควรคงทนอย่างน้อยรวมถึงโค้ดและสคริปต์การฝึกโมเดลตัวแทน การบันทึกการทดสอบและตัวชี้วัดการประเมิน บันทึกการทดลองและการตั้งค่าที่ล้มเหลว บันทึกการตัดสินใจและเหตุผลการ权衡 ตัวเลือก方案และข้อสรุปการตรวจรับ
>
> การเริ่มเซสชันอ่านบันทึกการตัดสินใจ ตัวชี้วัดการประเมิน บันทึกการทดลอง และตัวเลือก方案 ก่อน กู้คืนสถานะประชากรและความขัดแย้งที่ยังไม่แก้ ระหว่างเซสชันเขียนโมเดลตัวแทนใหม่ ผลการจำลอง การประเมินตัวเลือก และการวิเคราะห์การ权衡 ก่อนปิดอัปเดตบันทึกการตัดสินใจ บันทึกการตั้งค่าที่ล้มเหลวของรอบนี้ ความขัดแย้งของตัวชี้วัด เหตุผลการทิ้ง และข้อเสนอแนะขั้นถัดไปและส่งเวอร์ชัน เซสชันต่อมาสืบทอดการตั้งค่าที่ล้มเหลวและเหตุผลการตัดสินใจผ่านการอ่านชิ้นงานเหล่านี้ หลีกเลี่ยงการสำรวจซ้ำ

**ตรวจสอบความเข้าใจ**

ให้นักเรียนสรุปด้วยคำพูดของตนเอง "ทำไมความทรงจำโปรเจกต์จึงไม่สามารถเก็บไว้ในบริบท Agent ครั้งเดียวเท่านั้น" และพูดวัตถุคงทนระดับโปรเจกต์อย่างน้อยสามประเภท คำแนะนำการเชื่อมต่อ: ยืนยันว่านักเรียนสามารถพูดความสัมพันธ์หลักของหน้านี้ — Tโปรเจกต์ ≫ Cสูงสุด ความคงทนระดับโปรเจกต์นำประสบการณ์ออกมาเป็นโลกซอฟต์แวร์ที่สืบทอดได้ — แล้วจึงเข้าสู่ตัวอย่าง แอปพลิเคชัน หรือสรุปในหน้าถัดไป

<a id="lecture-page-10"></a>

### สถาปัตยกรรม Genesis และกระบวนทัศน์การตกผลึกของโลกซอฟต์แวร์

*หน้า 10*

> **เป้าหมายหน้า:** เชี่ยวชาญว่า Genesis ทำให้โค้ดโปรเจกต์สะสมและวิวัฒนาการต่อเนื่องข้ามวงจรชีวิตได้อย่างไร

> **เป้าหมายหน้า**
>
> ช่วยนักเรียนเข้าใจว่า Genesis นำความฉลาดจากกระบวนการเซสชันที่สูญเสียง่ายกลับมาผูกกับโลกซอฟต์แวร์ที่สะสมได้อย่างไร ทำให้โค้ดโปรเจกต์และผลลัพธ์ทางวิศวกรรมสามารถสะสม วิวัฒนาการ และสืบทอดข้ามหน้าต่างบริบทเดียวและวงจรชีวิตเดียวได้อย่างต่อเนื่อง

> **ลำดับการสอน**
>
> เริ่มจากโยนเกณฑ์ตัดสิน "เซสชันสูญเสียง่าย คลังคือความทรงจำระยะยาว" ก่อน จากนั้นขยายความแตกต่าง本质ของกระบวนทัศน์การตกผลึก การแบ่งงานของสินทรัพย์ที่ตกผลึกได้สี่ประเภท เงื่อนไขอินเทอร์เฟซที่เสถียร วงจรการตกผลึกและการตรวจรับเป็นผู้เฝ้าประตู การสืบทอดข้ามวงจรชีวิต สุดท้ายใช้ประโยคเดียวชี้ขอบเขตการแบ่งงานระหว่าง EvoX กับ Genesis

**ประเด็นการสอน**

- 1. ตัดสินว่างานหนึ่งมีคุณค่าตกผลึกหรือไม่ ถามเพียงคำถามเดียว — คนถัดไปสามารถทำซ้ำได้โดยไม่ต้องมาถามคำถามใดๆ หรือไม่? หากไม่ มันยังไม่กลายเป็นสินทรัพย์ กระแสงานแบบสนทนาระเหยเมื่อบริบทสิ้นสุด ผลผลิต停留在 "เซสชันครั้งนี้"
- โลกซอฟต์แวร์ใช้คลัง เวอร์ชัน และชิ้นงานเป็นสื่อ มีความเป็นสะสมโดยธรรมชาติ Genesis ทำให้สื่อนี้เป็นทางการเป็นชั้นความทรงจำระยะยาวของระบบวิวัฒนาการ มันจำไม่ใช่บทสนทนา แต่เป็นผลลัพธ์ทางวิศวกรรมที่ผ่านการตรวจสอบแล้ว โค้ดจัดการ "รันได้" วิธีการจัดการ "เลือกอย่างไร" สถานะจัดการ "ถึงไหนแล้ว" หลักฐานจัดการ "凭什么เชื่อ" โค้ด承载ความสามารถที่สามารถดำเนินการได้ เป็นกระบวนการแก้ปัญหาที่สามารถรันและทำซ้ำได้โดยตรง
- วิธีการ承载การตัดสินใจด้านอัลกอริทึมและกลยุทธ์ เช่น การเลือกการตั้งค่าและการรวมองค์ประกอบของวิวัฒนาการสองชั้น
- สถานะ承载บริบทโปรเจกต์และความทรงจำการรัน บันทึกความคืบหน้าปัจจุบัน ข้อจำกัด และขอบเขตที่ทราบ
- หลักฐาน承载บันทึกการทดลองและข้อสรุปการตรวจรับ ตอบว่าทำไมผลลัพธ์จึงเชื่อถือได้ สี่อย่างขาดหนึ่ง การตกผลึกก็ไม่สามารถทำซ้ำหรือสืบทอดได้: มีเพียงโค้ดแต่ไม่มีหลักฐาน ข้อสรุปไม่สามารถเชื่อถือได้
- มีเพียงวิธีการแต่ไม่มีสถานะ ผู้สืบทอดไม่รู้ว่าจะดำเนินต่อจากไหน ดังนั้นสินทรัพย์สี่ประเภทต้อง固化เป็นชุด ไม่ใช่กระจัดกระจายแยกกัน 3. เงื่อนไขของการตกผลึกคืออินเทอร์เฟซที่เสถียร เฉพาะเมื่อขอบเขตโมดูลและสัญญาซึ่งกันและกันเสถียร ผลผลิตใหม่จึงเป็นสินทรัพย์
- มิฉะนั้นทุกการเปลี่ยนแปลงจะส่งผลต่อการใช้งานรอบข้าง การตกผลึกจะกลายเป็นหนี้สินการบำรุงรักษาอย่างรวดเร็ว สิ่งนี้สอดคล้องกับารออกแบบฐานที่เปิดและแยกส่วนของ Genesis: อินเทอร์เฟซที่เสถียรทำให้การตกผลึกสามารถสืบทอดได้อย่างปลอดภัย การแยกส่วนทำให้การสืบทอดไม่ต้องเขียนประวัติใหม่ ก่อนตกผลึก固化สัญญาก่อน มักมีคุณค่ามากกว่าการเขียนเอกสารหลายฉบับ 4. การสำรวจ → ผลผลิต → การตรวจรับที่เข้มงวด → ตกผลึกเป็นสินทรัพย์ → วิวัฒนาการรอบถัดไปสืบทอดโดยตรง การตรวจรับเป็นผู้เฝ้าประตูของการตกผลึก — ผลผลิตที่ยังไม่ผ่านการตรวจสอบไม่เข้าสู่ชั้นสินทรัพย์ หลีกเลี่ยงการตกผลึกสัญญาณรบกวน ปรากฏการณ์บังเอิญ และข้อสรุปที่ผิดเป็น "ประสบการณ์" ของโปรเจกต์ การตกผลึกที่ไม่มีผู้เฝ้าประตู คลังจะยิ่งยาวยิ่งไม่น่าเชื่อถือ 5. กุญแจของการสืบทอดข้ามวงจรชีวิตอยู่ที่การแยกส่วนสินทรัพย์ออกจากอินสแตนซ์การรันเฉพาะ ทำให้เซสชันใหม่ Agent ใหม่ งานใหม่สามารถกู้คืนการรับรู้ระดับโปรเจกต์ด้วยวิธี "อ่านคลัง" โดยไม่ต้องพึ่งพาการเล่นซ้ำบทสนทนาประวัติ ต้นทุนการสืบทอดลดจาก "เล่าโปรเจกต์ใหม่ทั้งหมด" เป็น "checkout และโหลด" การรับรู้โปรเจกต์ไม่ถูกจำกัดด้วยความจุของหน้าต่างบริบทใดอีกต่อไป Genesis รับผิดชอบ "ตกผลึกอะไร ในรูปแบบใด สืบทอดอย่างไร"
- การทำงานร่วมกันของหลาย Agent และการแบ่งงานแบบเรียกซ้ำรับผิดชอบ "ผลิตผลผลิตอย่างไร"
- กลไกการตรวจรับและการสืบทอดประวัติรับผิดชอบ "ผลผลิตถูกตัดสินว่าเชื่อถือได้อย่างไร" สามอย่างรวมกันจึง構成ความสามารถวิวัฒนาการต่อเนื่องระดับโปรเจกต์ที่สมบูรณ์ — ขาดส่วนใดส่วนหนึ่ง โปรเจกต์ก็เพียงทำซ้ำที่เดิม

**ความครอบคลุมคำสำคัญ**

- Genesis วิวัฒนาการต่อเนื่องระดับโปรเจกต์ สถาปัตยกรรมระบบ EvoX โค้ด/วิธีการ/สถานะ/หลักฐาน ผู้เฝ้าประตูการตรวจรับ การสืบทอดข้ามวงจรชีวิต หน้านี้จัดเนื้อหาด้วย "แผนภาพสถาปัตยกรรมสามชั้นของ Genesis และวงจรการตกผลึก" ทางซ้ายจากบนลงล่างคือชั้นสินทรัพย์ (โค้ด·วิธีการ·สถานะ·หลักฐาน) กลไกการตกผลึก (การทำเวอร์ชัน·เกตเวย์การตรวจรับ·การค้นหาและการสืบทอด) และ EvoX Runtime (การขนานแบบเทนเซอร์·พลังการคำนวณต่างชนิด·โมดูลอัลกอริทึม)
- ทางขวาเป็นแผนภาพวงกลมแสดงวงจรการสำรวจ ผลผลิต การตรวจรับ การ固化 การใช้ซ้ำ การวิวัฒนาการใหม่ และระบุ "สินทรัพย์เพิ่มความหนาขึ้นตามวงจรชีวิตที่เพิ่มขึ้น" หน้ายังมีคำแนะนำสามข้อ: อย่าใช้เซสชันเป็นความทรงจำ สินทรัพย์สี่ประเภทขาดไม่ได้ อินเทอร์เฟซไม่เสถียรการตกผลึกกลายเป็นหนี้สิน เมื่ออธิบายสามารถใช้แผนภาพนี้แนะนำนักเรียนทบทวนวงจรตามลูกศร แล้วชี้ว่าการตรวจรับอยู่หลังผลผลิต ก่อนการ固化

> **แนวทางแบบฝึกหัด**
>
> - หน้ามีคำถามเลือกตอบห้าข้อและกรณีศึกษาหนึ่งกรณี ข้อ 1 ชี้ไปที่โลกซอฟต์แวร์ที่สะสมได้ (คลัง เวอร์ชัน และชิ้นงาน) หากนักเรียนเลือกผิดหน้าต่างบริบท ให้แนะนำกลับไปที่จุดเริ่มต้น "ปิดเซสชันแล้วไม่เหลืออะไร"
> - ข้อ 2 ทดสอบการจับคู่ความรับผิดชอบของสินทรัพย์สี่ประเภท ตัวเลือกที่ถูกต้องคือโค้ด承载ความสามารถที่สามารถดำเนินการได้
> - ข้อ 3 ทดสอบเส้นแบ่งระหว่างสินทรัพย์กับหนี้สินการบำรุงรักษา ตัวเลือกที่ถูกต้องคือ "ขอบเขตโมดูลและสัญญาซึ่งกันและกันเสถียร" ต้องเน้นว่ากุญแจไม่ใช่มูลค่าผลผลิตหรือเครื่องมือใหม่แค่ไหน
> - ข้อ 4 ทดสอบผู้เฝ้าประตูในวงจร ตัวเลือกที่ถูกต้องคือการตรวจรับที่เข้มงวด
> - ข้อ 5 ทดสอบการสืบทอดข้ามวงจรชีวิต ตัวเลือกที่ถูกต้องคือ "สินทรัพย์แยกส่วนจากอินสแตนซ์การรัน เซสชันใหม่สามารถกู้คืนการรับรู้โปรเจกต์ผ่านการอ่านคลัง" เมื่อตอบถูกชื่นชมว่าสามารถเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้ เมื่อตอบผิดให้นักเรียนกลับไปหาหลักฐานหรือตัวอย่างสำคัญในคำอธิบายแล้วจึงตัดสิน หลังจากการสำรวจหลายเป้าหมายของปีกอากาศยานเหนือวิกฤตสิ้นสุด ทีมเหลือการตั้งค่าสองชั้น MetaDE และสคริปต์การฝึกโมเดลตัวแทนที่สามารถรันได้ นิยามตัวชี้วัดการประเมิน สถานะกลางที่ครอบคลุมช่วงพารามิเตอร์ปีกและข้อจำกัดสภาพเรขาคณิต และข้อสรุปการตรวจรับของรอบนี้ คำถามแรกต้องการจัดระเบียบสินทรัพย์ตามสี่ประเภท: โค้ด วิธีการ สถานะ หลักฐาน และอธิบายบทบาทผู้เฝ้าประตูของการตรวจรับ — เฉพาะผลผลิตที่ผ่านการตรวจรับที่เข้มงวดจึงได้รับอนุญาตให้เข้าสู่ชั้นสินทรัพย์ สินทรัพย์สี่ประเภทต้อง固化เป็นชุด ขาดหนึ่งก็ไม่สามารถทำซ้ำหรือสืบทอดได้ คำถามที่สองต้องการเปรียบเทียบ "การเล่นซ้ำบทสนทนาประวัติ" กับ "การอ่านคลัง": แบบแรกพึ่งพาหน้าต่างบริบท ต้นทุนเพิ่มขึ้นเชิงเส้นตามโปรเจกต์ เมื่อบทสนทนาถูกตัดการรับรู้ก็สูญหาย
> - แบบหลังลดต้นทุนการสืบทอดเป็น checkout และโหลด ผลลัพธ์สามารถทำเวอร์ชันได้ ทำซ้ำได้ ตรวจสอบได้ ต้นทุนการลองผิดลองถูกซ้ำของรอบนี้จึงตกผลึกเป็นจุดเริ่มต้นการใช้ซ้ำของรอบถัดไป

**กิจกรรมในชั้นเรียน**

ให้นักเรียนทบทวนเนื้อหาหน้านี้ด้วยตัวอย่างที่ใกล้เคียงกับประสบการณ์ของตนเอง และอธิบายความสัมพันธ์ระหว่างตัวอย่างนั้นกับเกณฑ์ตัดสิน "คนถัดไปสามารถทำซ้ำได้โดยไม่ต้องมาถามคุณหรือไม่"

**ตรวจสอบความเข้าใจ**

สุ่มนักเรียนหนึ่งคนสรุปจุดสำคัญของหน้านี้ด้วยคำพูดของตนเอง ครูเสริมคำสำคัญที่ขาดตามคำตอบ เน้นยืนยันว่านักเรียนสามารถพูดทั้งสองจุดได้พร้อมกัน: "การแบ่งงานของสินทรัพย์สี่ประเภท" และ "การตรวจรับเป็นผู้เฝ้าประตูของการตกผลึก"

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถพูดความสัมพันธ์หลักของหน้านี้ — การตกผลึกเกิดขึ้นบนสัญญาที่เสถียร ถูกควบคุมโดยการตรวจรับ สุดท้ายถูกสืบทอดด้วยวิธีอ่านคลัง — แล้วจึงเข้าสู่แอปพลิเคชันหรือสรุปในหน้าถัดไป

<a id="lecture-page-11"></a>

### รูปแบบวิศวกรรมของการทำงานร่วมกันหลาย Agent และการแบ่งงานแบบเรียกซ้ำ

*หน้า 11*

> **เป้าหมายหน้า:** เข้าใจว่า Agent หลายตัวที่มีวงจรชีวิตจำกัดทำงานร่วมกันเพื่อพัฒนาโปรเจกต์ที่ซับซ้อนและแบ่งงานได้อย่างไร

**ประเด็นการสอน**

- เมื่อแบ่งงาน ให้ถามก่อนว่า "ชั้นนี้ต้องส่งมอบอะไรที่ตรวจสอบได้" ไม่ใช่คิดก่อนว่า "มอบให้ Agent ตัวไหน" เมื่อ交付物 (ชุดข้อมูล อินเทอร์เฟซ จุดตรวจ รายงานการประเมิน) นิยามชัดเจน ขอบเขตความรับผิดชอบและการแบ่งชั้นจะปรากฏขึ้นเอง
- จุดหยุดของการแบ่งงานแบบเรียกซ้ำไม่ใช่ "แบ่งจนเล็กที่สุด" แต่เป็น "แบ่งจนสามารถดำเนินการได้ ตรวจสอบได้ สามารถปิดวงจรได้ในบริบทเดียวของ Agent ตัวเดียว" แบ่งตื้นเกินจะเกินความสามารถชั้นล่าง แบ่งลึกเกินจะนำมาซึ่งต้นทุนการประสานงานและการส่งมอบเพิ่มเติม
- ความซับซ้อนของความรับผิดชอบจะทำให้ Agent หลายตัวใช้งานสิ่งเดียวกันซ้ำ และสร้างผลลัพธ์ที่ขัดแย้งกัน ใช้นิยามอินเทอร์เฟซที่ชัดเจนและเกณฑ์การตรวจรับ固化ขอบเขต พร้อมตกลงว่าเนื้อหาใดให้ชั้นล่างตัดสินเองได้ เนื้อหาใดต้องรายงานให้งานพ่อตัดสิน

เป้าหมายหน้า

เมื่อความจุบริบทและความสามารถในการจัดการของผู้บริหารคนเดียวไม่เพียงพอต่อเป้าหมายวิศวกรรมทั้งหมด จะย่อยปัญหใหญ่เป็นกลุ่มปัญหาเล็กที่ส่งมอบได้อย่างไร และทำให้ผลลัพธ์การทำงานร่วมกันของแต่ละชั้นตรวจสอบได้ กู้คืนได้

ลำดับการสอน

เริ่มจาก "ย่อยปัญหาหนึ่งใหญ่เป็นกลุ่มปัญหาเล็กที่ส่งมอบได้" ชี้ประเด็น จากนั้นขยายตามโครงสร้างสามชั้น อธิบายแรงจูงใจและเงื่อนไขสิ้นสุดของการแบ่งงานแบบเรียกซ้ำ สุดท้ายลงที่ความสัมพันธ์การส่งมอบสองทิศทางของต้นไม้งานและคำแนะนำทางวิศวกรรมสามข้อ เมื่ออธิบายสามารถใช้แผนภาพชี้โหนดลงทีละชั้น ช่วยนักเรียนจับคู่การแบ่งงานนามธรรมกับต้นไม้งานจริง

ประเด็นการสอน

1. โครงสร้างสามชั้นและความรับผิดชอบของแต่ละชั้น ผู้บริหารชั้นบนมุ่งเป้าหมายโดยรวม ตอบ "ต้องทำอะไร" ส่งออกงานย่อยที่มอบหมายได้ เงื่อนไขข้อจำกัด และเกณฑ์การตรวจรับ ผู้บริหารชั้นกลางรับงานย่อยที่ยังใหญ่เกินไปแบ่งต่อแบบเรียกซ้ำ รวบรวมเป้าหมายใหญ่ที่หลวมเป็นลำดับชั้นงานที่เสถียร ผู้บริหารชั้นล่างทำการใช้งานเฉพาะที่และการทดสอบภายในขอบเขตความรับผิดชอบ ส่งออกผลลัพธ์ที่ตรวจสอบได้และส่งมอบขึ้น สร้างวงจรเฉพาะที่ ในแผนภาพ Agent ชั้นบนแบ่งเป็นโมดูลงาน A, B, C โมดูล B เนื่องจากยังหนักเกินไปถูกแบ่งต่อเป็นงานย่อย B1, B2 สี่โหนดใบสุดท้ายตกถึงการใช้งานเฉพาะที่และการทดสอบของ Agent ชั้นล่างแต่ละตัว

ชั้นบนยืนที่โหนดราก ส่งออกงานที่มอบหมายได้และเกณฑ์การตรวจรับ ไม่ใช่ทำการใช้งานด้วยตัวเอง

2. ทำไมต้องแบ่งงานแบบเรียกซ้ำ หน้าต่างบริบทของนักปฏิบัติ เครื่องมือที่เรียกใช้ได้ และขนาดงานที่จัดการได้ครั้งเดียวล้วนจำกัด หากให้นักปฏิบัติคนเดียวถือบริบททั้งหมดของโปรเจกต์ทั้งหมดเป็นเวลานาน ต้นทุนจะเพิ่มขึ้นตามขนาด ยัง容易出现การเบี่ยงเบนเป้าหมาย การปนเปื้อนสถานะ และข้อมูลสำคัญถูกเจือจาง การแบ่งงานแบบเรียกซ้ำกระจายแรงกดดันนี้ไปยังแต่ละชั้น: นักปฏิบัติแต่ละคนเพียงต้องเข้าใจเป้าหมายและข้อจำกัดของชั้นตนเอง เป้าหมายที่ซับซ้อนถูกย่อยทีละชั้นเป็นหน่วยงานที่ดำเนินการได้ ส่งมอบได้ ความสอดคล้องโดยรวมได้รับการประกันโดยลำดับชั้นงาน

ต้นไม้งานและการส่งมอบสองทิศทาง งานพ่อและงานลูก構成ต้นไม้งานแบบเรียกซ้ำหนึ่งต้น ทิศทางลงคือการมอบหมายงาน — เป้าหมาย ข้อจำกัดขอบเขต และเกณฑ์การตรวจรับ ทิศทางขึ้นคือการกู้คืนผลลัพธ์ — ผลผลิต หลักฐานการตรวจสอบ และปัญหาที่ยังไม่แก้ การทำงานร่วมกันจะ成立จริงหรือไม่ขึ้นอยู่กับสามสิ่ง: ลำดับชั้นงานชัดเจนหรือไม่ ขอบเขตความรับผิดชอบ互斥หรือไม่ ผลิตภัณฑ์การส่งมอบ (นิยามอินเทอร์เฟซ ชุดข้อมูล กรณีทดสอบ จุดตรวจ) ถูกตกลงชัดเจนหรือไม่ ขาดสิ่งใดสิ่งหนึ่ง นักปฏิบัติหลายตัวจะเสื่อมเป็นการทำงานซ้ำและผลลัพธ์ที่ขัดแย้งกัน

ความลึกของการแบ่งงาน ความละเอียดของการมอบหมาย และกลยุทธ์การกู้คืนผลลัพธ์สามารถประเมินและปรับได้อย่างต่อเนื่อง เมื่อผลตอบกลับเช่นงานย่อยหนึ่งต้อง返工ซ้ำๆ ส่งผลต่อวิธีแบ่งงานครั้งถัดไป กระแสการทำงานร่วมกันนี้ก็เข้าสู่วงจรการปรับปรุงตัวเอง

5. คำแนะนำทางวิศวกรรม เงื่อนไขหยุดของการแบ่งงานแบบเรียกซ้ำไม่ใช่ "แบ่งจนเล็กที่สุด" แต่เป็น "แบ่งจนสามารถดำเนินการได้ ตรวจสอบได้ สามารถปิดวงจรได้ในบริบทเดียวของนักปฏิบัติคนเดียว" แบ่งตื้นเกินจะเกินความสามารถชั้นล่าง แบ่งลึกเกินจะนำมาซึ่งต้นทุนการประสานงานและการส่งมอบจำนวนมาก สามารถกำหนด交付物 ก่อน แล้วจึงตัดสินว่าใครทำ ขอบเขตไม่ชัดเจนมักเป็นต้นทุนที่ใหญ่ที่สุดของการทำงานร่วมกัน

การจัดการแบบฝึกหัด

หน้านี้มีคำถามถูกผิดแนวคิดชุดหนึ่ง แนะนำให้นักเรียนระบุเหตุผลหลังตอบ ไม่ใช่เพียงบอกตัวเลือก

คำตอบที่ถูกต้องคือ "เข้าใจเป้าหมายโดยรวม และแบ่งเป็นงานย่อยที่มอบหมายได้และเกณฑ์การตรวจรับ" หากนักเรียนเลือกผิด ให้แนะนำกลับไปที่ตำแหน่งของโหนดราก — ส่งออกงานและเกณฑ์การตรวจรับ ไม่ใช่โค้ดเอง

คำตอบที่ถูกต้องคือ "เมื่องานย่อยยังซับซ้อนเกินไป เกินขอบเขตการจัดการเดียว" ต้องเน้นว่าการเรียกซ้ำไม่ใช่การกระทำที่ไม่มีเงื่อนไข เงื่อนไขกระตุ้นคืองานย่อยยังใหญ่เกินไป ไม่สามารถเสร็จและตรวจสอบได้ในการจัดการครั้งเดียว

หากมีเพียงการส่งงานลงจะเป็นอย่างไร? หากมีเพียงการกู้คืนผลลัพธ์จะเป็นอย่างไร? จากนี้แสดงว่าการทำงานร่วมกันต้องเป็นสองทิศทาง

คำตอบที่ถูกต้องคือ "กระจายแรงกดดันบริบทและการจัดการไปยังแต่ละชั้น ลดภาระบริบทจุดเดียวและความเสี่ยงการเบี่ยงเบนเป้าหมาย" คำหลักคือ "กระจาย" ไม่ใช่ "รับประกันความสำเร็จครั้งเดียว"

คำตอบที่ถูกต้องคือ "ให้โหนดใบเก็บหน่วยงานที่ดำเนินการได้ ส่งมอบได้ และระบุอินเทอร์เฟซและผลผลิตการทดสอบ" สามารถทบทวน顺势: ขอบเขตคลุมเครือหรือยกเลิกลำดับชั้น จะนำไปสู่การใช้งานซ้ำและผลลัพธ์ขัดแย้ง

กิจกรรมในชั้นเรียน

กรณีศึกษา "การส่งมอบร่วมกันของระบบตรวจสอบคุณภาพบริการลูกค้าอัจฉริยะ" เหมาะเป็นกิจกรรมกลุ่ม ให้นักเรียนวาดต้นไม้งานแบบเรียกซ้ำก่อน: โหนดรากรับผิดชอบการเข้าใจเป้าหมายโดยรวมและส่งออกงานย่อย A, B, C และเกณฑ์การตรวจรับ โมดูล B แบ่งต่อโดยชั้นกลางเป็น B1, B2 และระบุอินเทอร์เฟซของทั้งสอง โหนดใบเป็นหน่วยงานสี่ประเภท A, B1, B2, C จากนั้นให้แต่ละกลุ่มระบุผลิตภัณฑ์การส่งมอบสองทิศทางลงและขึ้น เช่น ข้อกำหนดอินเทอร์เฟซข้อมูลและชุดข้อมูลบทสนทนาที่ทำความสะอาดแล้ว พจนานุกรมคุณลักษณะและข้อกำหนดการติดป้าย จุดตรวจโมเดลและรายงานการตรวจสอบ ตัวชี้วัดการประเมินและการตั้งค่าการ déploiement และอธิบายว่าทำไมโหนดใบจึงบรรลุเงื่อนไขหยุดแล้ว

สำหรับคำถามต่อที่ B1 พบ "ข้อกำหนดการติดป้าย" ขัดแย้งกับ "ตัวชี้วัดการประเมิน" สามารถแนะนำนักเรียนสรุปหลักการจัดการ: ความขัดแย้งขึ้น裁决 ไม่แก้เกณฑ์การตรวจรับเอง อินเทอร์เฟซและมาตรฐานรักษาแหล่งเดียว จัดการรวมโดยชั้นบน ก่อน裁决ยังคงวงจรเฉพาะที่ตรวจสอบได้ ผลการ裁决อัปเดตต้นไม้งานและอินพุตงานย่อยที่เกี่ยวข้องย้อนกลับ บันทึกความขัดแย้ง เหตุผลการ裁决 และมาตรฐานสุดท้ายตลอดเพื่อติดตาม

ตรวจสอบความเข้าใจ

ชั้นบนรับผิดชอบอะไร การเรียกซ้ำดำเนินต่อภายใต้เงื่อนไขใด สองทิศทางบนล่างส่งข้อมูลอะไร หากสามารถพูดเงื่อนไขหยุดและ "กำหนด交付物 ก่อนแล้วจึงกำหนดการแบ่งงาน" ได้พร้อมกัน ก็ถือว่าหน้านี้เข้าใจดี

คำแนะนำการเชื่อมต่อ

หลังจากยืนยันว่านักเรียนสามารถแยกแยะ "แบ่งงาน" กับ "ทำด้วยตัวเอง" และอธิบายการส่งมอบสองทิศทางของต้นไม้งานได้ชัดเจนแล้ว จึงเข้าสู่การอภิปรายเกี่ยวกับกลไกการตรวจสอบและการตกผลึกในหน้าถัดไป เพื่อเชื่อมโยงรูปแบบการแบ่งงานของหน้านี้กับขั้นตอนการคอมไพล์ การทดสอบ และการตรวจรับต่อไป

<a id="lecture-page-12"></a>

### กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ

*หน้า 12*

> **เป้าหมายหน้า:** เชี่ยวชาญวิธีตกผลึกการแก้ไขที่มีประสิทธิภาพเป็นประวัติโปรเจกต์ผ่านการคอมไพล์ การทดสอบ และเกตเวย์การตรวจรับ

> **ลำดับการสอน**
>
> เริ่มจากประโยคเดียวชี้ประเด็น "เมื่อเห็นระบบใดๆ ที่ 'สร้างอัตโนมัติและปรับปรุงอัตโนมัติ' ให้ถามสามคำถามก่อน: ผลผลิตของ Agent มีสถานะเริ่มต้นอะไร (ตัวเลือก?), ต้องผ่านการตรวจสอบอะไรจึงจะถูกนำมาใช้ (การตรวจรับ?), หลังนำมาใช้กลายเป็นฐานของใคร (เส้นฐาน?) แยกสามสิ่งนี้ออกจากกัน ตรรกะโดยรวมของกลไกจะไม่สับสน" จากนั้นผสมผสานกับตัวอย่าง แผนภาพ หรือคำสำคัญบนหน้าอธิบายว่าทำไมจึงสำคัญ

**ประเด็นการสอน**

- ผลผลิตของ Agent มีสถานะเริ่มต้นอะไร (ตัวเลือก?), ต้องผ่านการตรวจสอบอะไรจึงจะถูกนำมาใช้ (การตรวจรับ?), หลังนำมาใช้กลายเป็นฐานของใคร (เส้นฐาน?) แยกสามสิ่งนี้ออกจากกัน ตรรกะโดยรวมของกลไกจะไม่สับสน
- คอมไพล์ → ทดสอบ → ตรวจสอบพฤติกรรม → การตรวจรับชั้นบน เป็น "ทางลงเขาที่ต้นทุนจากต่ำไปสูง": ยิ่งถูกยิ่งอยู่ข้างหน้า ยิ่งแพงยิ่งอยู่ข้างหลัง จำ "อันถูกกรองก่อน อันมีค่าตรวจทีหลัง" จะไม่เสียการ评审ชั้นบนกับตัวเลือกขยะจำนวนมหาศาล
- การตรวจรับผ่านไม่เท่ากับดีขึ้นจริง เมื่อการครอบคลุมการทดสอบไม่เพียงพอหรือการตรวจสอบพฤติกรรมขาดหาย เกตเวย์จะปล่อยการแก้ไขที่เป็นอันตราย ฝึกนิสัยสองอย่าง: เติมกรณีการทดสอบถดถอยและนิยามความคลาดเคลื่อนสำหรับพฤติกรรมสำคัญ
- เก็บตัวชี้วัดที่สังเกตได้และการสุ่มตรวจด้วยมือไว้เสมอ เป็นแนวป้องกันสุดท้ายเมื่อมาตรฐานไม่สมบูรณ์

กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ

11

AI999

Genesis และการตกผลึกของโลกซอฟต์แวร์

การแก้ไขที่สร้างโดย Agent อัตโนมัติ凭什么สามารถเขียนเข้าสาขาหลักของโปรเจกต์ได้? กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติแยก "การสร้าง" กับ "การนำมาใช้" ออกจากกันอย่างสิ้นเชิง — โค้ดใดๆ ที่ Agent ส่งเป็นเพียง การแก้ไขตัวเลือก (candidate patch) ต้องผ่านกลุ่มเกตเวย์การตรวจสอบก่อน จึง才有资格ถูกรับรองเป็นส่วนหนึ่งของประวัติโปรเจกต์

การแก้ไขตัวเลือก → เกตเวย์การตรวจรับสี่ชั้น → การแยกสาขาหลัก/ปฏิเสธ คิวการแก้ไขตัวเลือก Agent ส่ง · เชื่อถือไม่ได้โดยค่าเริ่มต้น ตัวเลือก A รอตรวจสอบ ตัวเลือก B รอตรวจสอบ ตัวเลือก C รอตรวจสอบ ตัวเลือก D รอตรวจสอบ ① เกตเวย์การคอมไพล์ ไวยากรณ์และอินเทอร์เฟซสามารถ build ได้ · ต้นทุนต่ำสุด คัดออกเร็วสุด ② เกตเวย์การทดสอบ การทดสอบหน่วย/บูรณาการเขียวทั้งหมด · ครอบคลุมสัญญาที่มีอยู่ ③ เกตเวย์การตรวจสอบพฤติกรรม ความสอดคล้องทางความหมาย · ความคลาดเคลื่อนตัวเลขและความเท่าเทียม ④ การตรวจรับชั้นบน ประสิทธิภาพ · อัตราเร่ง · ความสามารถในการบำรุงรักษา ปฏิเสธ · พื้นที่เก็บถาวรความล้มเหลว · เก็บเป็นตัวอย่างลบและวัสดุวินิจฉัย · เก็บแยก ไม่ปนเปื้อนสาขาหลัก · การปฏิเสธเองคือการกรองสัญญาณรบกวน · หลีกเลี่ยงการสำรวจเส้นตายเดียวกันซ้ำ ประวัติเวอร์ชันสาขาหลัก (สะสมแบบโมโนโทนิก) เส้นฐาน v3 · สืบทอดได้ ติดตามได้ เส้นฐาน v2 เส้นฐาน v1 ผลตอบกลับการสืบทอดประวัติ: เส้นฐานที่รับแล้วกลายเป็นจุดเริ่มต้นการดำเนินการของ Agent ต่อมา

หลักการค่าเริ่มต้นของความเป็นตัวเลือก เอาต์พุตของ Agent ถูกมองเป็น อินพุตที่ไม่น่าเชื่อถือ โดยค่าเริ่มต้น: มันแยกอย่างเข้มงวดจากเวอร์ชันที่รับแล้วในสิทธิ์ การจัดเก็บ และการอ้างอิง ไม่สามารถอ่านเขียนสาขาหลักโดยตรง และไม่สามารถถูกโมดูลอื่นใช้เป็นการพึ่งพาที่เสถียร

จุดประสงค์เดียวของหลักการนี้คือการขจัด "สร้างแล้ว入库ทันที" เฉพาะหลังผ่านเกตเวย์ทั้งหมด การแก้ไขตัวเลือกจึงได้รับสถานะเทียบเท่าสาขาหลัก การกรองแบบเพิ่มขึ้นสี่ชั้น: ต้นทุนเพิ่มขึ้น ล้มเหลวเร็วที่สุด การคอมไพล์: ไวยากรณ์และอินเทอร์เฟซสามารถ build ได้ ต้นทุนต่ำสุด คัดออกเร็วสุด กันการแก้ไขที่ไม่成立ชัดเจนออกก่อน การทดสอบ: การทดสอบหน่วยและการทดสอบบูรณาการผ่าน ครอบคลุมสัญญาที่มีอยู่ การตรวจสอบพฤติกรรม: ความสอดคล้องทางความหมายและพฤติกรรม รวมถึงความคลาดเคลื่อนตัวเลข ความเท่าเทียม และการเปรียบเทียบถดถอย กัน "การทดสอบผ่านแต่พฤติกรรมเบี่ยงเบน" โดยเฉพาะ การตรวจรับชั้นบน: การตัดสินสุดท้ายที่มุ่งเป้าหมายงานและข้อจำกัดวิศวกรรม รวมถึงการตัดสินประสิทธิภาพ อัตราเร่ง ความสามารถในการบำรุงรักษา

เกตเวย์เรียงตามต้นทุนจากต่ำไปสูง ทำให้การแก้ไขที่ไม่ถูกต้องส่วนใหญ่ถูกตัดที่ขั้นตอนต้นทุนต่ำ เก็บการ评审ชั้นบนที่มีต้นทุนสูงไว้สำหรับตัวเลือกคุณภาพสูงจำนวนน้อย — นี่คือเศรษฐศาสตร์ของ "ล้มเหลวเร็วที่สุด" คุณค่าของการปฏิเสธและการสืบทอดประวัติ ความพยายามที่ไม่ผ่านไม่เข้าสาขาหลัก แต่สามารถเก็บเป็น พื้นที่เก็บถาวรความล้มเหลว/ตัวอย่างลบ สำหรับการวินิจฉัย การขจัดความซ้ำ และการหลีกเลี่ยงการสำรวจซ้ำ — การปฏิเสธเองคือการกรองสัญญาณรบกวนครั้งหนึ่ง และการแก้ไขที่ผ่านการตรวจรับกลายเป็น เส้นฐานเวอร์ชันใหม่ นักปฏิบัติต่อมาวิวัฒนาการต่อบนพื้นฐานนี้ สร้างห่วงโซ่วิววัฒนาการที่สะสมแบบโมโนโทนิก ไม่ใช่เริ่มจากศูนย์ทุกรอบ ในฐานะกฎการรวมและสัญญาคุณภาพของการทำงานร่วมกันหลาย Agent และการแบ่งงานแบบเรียกซ้ำ เกตเวย์การตรวจรับนิยาม "ใครสามารถเขียนเข้าประวัติ" จึงตัดสินว่าผลลัพธ์การทำงานร่วมกันลู่เข้าหรือเอนโทรปีเพิ่ม

ในสถานการณ์ข้อจำกัดความถูกต้องสูงเช่นการ重构คอมไพเลอร์และการอัปเกรดซอฟต์แวร์วิทยาศาสตร์ กลไกนี้แสดงความน่าเชื่อถือสูงมาก และนำมาซึ่งอัตราเร่งการรันที่可观 ขอบเขต失效 ความสมบูรณ์ของเกณฑ์การตรวจรับเองจะกลายเป็นคอขวดใหม่: เมื่อการครอบคลุมการทดสอบไม่เพียงพอหรือการตรวจสอบพฤติกรรมขาดหาย เกตเวย์จะปล่อยการแก้ไขที่ "ผ่านการตรวจรับแต่เป็นอันตรายจริง" ดังนั้นต้องใช้ตัวชี้วัดที่สังเกตได้และการสุ่มตรวจด้วยมือ兜底 และเสริมกรณีการทดสอบถดถอยและนิยามความคลาดเคลื่อนอย่างต่อเนื่อง

ในกลไกการตรวจรับที่เข้มงวด โค้ดที่ Agent ส่งมีสถานะเริ่มต้นอะไร?

ผลิตภัณฑ์สำเร็จรูปที่ผู้ส่งตัดสินเองว่าใช้งานได้

เวอร์ชันทางการที่สามารถรวมเข้าสาขาหลักได้โดยตรง

การแก้ไขตัวเลือกที่รอตรวจสอบ แยกอย่างเข้มงวดจากเวอร์ชันที่รับแล้วในสิทธิ์ การจัดเก็บ และการอ้างอิง

ผลพลอยได้ที่ใช้เพียงบันทึก log ไม่มีส่วนในกระบวนการใดๆ

ค่าเริ่มต้นของความเป็นตัวเลือกมองเอาต์พุตของ Agent เป็นอินพุตที่ไม่น่าเชื่อถือ แยกอย่างเข้มงวดจากสาขาหลัก ป้องกัน "สร้างแล้ว入库ทันที" ในเชิงระบบ

เอาต์พุตที่ยังไม่ผ่านการตรวจสอบไม่ควรมีสถานะเทียบเท่าเวอร์ชันที่รับแล้ว

ถูกต้อง คำตอบนี้สามารถเชื่อมโยงกับแนวคิดของหน้านี้และอธิบายเหตุผลได้

กรุณากลับไปที่คำอธิบายของหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน

เกตเวย์การตรวจรับสี่ชั้นเรียงตามลำดับใด เจตนาการออกแบบคืออะไร?

ตามต้นทุนจากสูงไปต่ำ ลงทุนทรัพยากรกับการ评审ชั้นบนที่แพงที่สุดก่อน

ตามเวลาการส่งตัวเลือก มาก่อนตรวจก่อน

ตามลำดับสุ่ม เพื่อเพิ่มความหลากหลายในการตรวจสอบ

คอมไพล์ → ทดสอบ → ตรวจสอบพฤติกรรม → การตรวจรับชั้นบน ให้การแก้ไขที่ไม่ถูกต้องส่วนใหญ่ถูกตัดที่ขั้นตอนต้นทุนต่ำ

เกตเวย์ถูกกรองแบบง่าย เกตเวย์แพงพบเฉพาะตัวเลือกคุณภาพสูงจำนวนน้อย

คิดว่าเกตเวย์ใดแพงที่สุด เกตเวย์ใดเร็วที่สุด ลำดับเกตเวย์ควรให้การ评审ที่แพงพบตัวเลือกขยะน้อยที่สุด

เกตเวย์การตรวจสอบพฤติกรรม (ชั้นที่สาม) กันปัญหาประเภทใดเป็นหลัก?

จำนวนกรณีทดสอบหน่วยเขียนไม่มากพอ

"การทดสอบผ่านแต่พฤติกรรมเบี่ยงเบน" คือการใช้งานใหม่และเก่าไม่สอดคล้องกันทางความหมายหรือเอาต์พุตตัวเลข

ข้อผิดพลาดไวยากรณ์โค้ดทำให้คอมไพล์ไม่ได้เลย

ประวัติเวอร์ชันสาขาหลักใช้พื้นที่จัดเก็บมากเกินไป

การตรวจสอบพฤติกรรมใช้ความคลาดเคลื่อนตัวเลข ความเท่าเทียม และการเปรียบเทียบถดถอยเปรียบเทียบความสอดคล้องทางความหมาย สกัดกั้นการเบี่ยงเบนพฤติกรรมที่การครอบคลุมการทดสอบไม่ถึง

ชั้นคอมไพล์จัดการ "build ได้หรือไม่" ชั้นทดสอบจัดการ "สัญญาเป็นที่พอใจหรือไม่" การตรวจสอบพฤติกรรมให้ความสนใจการเบี่ยงเบนทางความหมายที่ซ่อนเร้นกว่า

การแก้ไขตัวเลือกที่ถูกเกตเวย์ปฏิเสธ คุณค่าของมันควรเข้าใจอย่างไร?

ควรลบอย่างสิ้นเชิง เพื่อไม่ให้ใช้พื้นที่และรบกวนการตัดสินในภายหลัง

ควรเขียนเข้าสาขาหลักโดยตรง เป็นการเปรียบเทียบตรงข้ามเก็บไว้

สามารถเก็บเป็นพื้นที่เก็บถาวรความล้มเหลว/ตัวอย่างลบ สำหรับการวินิจฉัย การขจัดความซ้ำ และการหลีกเลี่ยงการสำรวจซ้ำ

ควรส่งซ้ำโดยไม่แก้ไขไปเรื่อยๆ จนกว่าจะผ่านอัตโนมัติ

ความพยายามที่ล้มเหลวถูกแยกออกจากสายหลัก แต่ยังสามารถใช้เป็นตัวอย่างลบได้ — การปฏิเสธเองคือการกรองสัญญาณรบกวนครั้งหนึ่ง

ความแตกต่างสำคัญคือมันได้รับอนุญาตให้ปนเปื้อนสาขาหลักหรือไม่ และสามารถแปลงเป็นข้อมูลวินิจฉัยที่ใช้ซ้ำได้หรือไม่

สถานการณ์ใดต่อไปนี้มีแนวโน้มมากที่สุดที่จะทำให้เกตเวย์การตรวจรับปล่อยการแก้ไขที่ "ผ่านการตรวจรับแต่เป็นอันตรายจริง"?

การครอบคลุมการทดสอบไม่เพียงพอหรือการตรวจสอบพฤติกรรมขาดหาย ทำให้เกณฑ์การตรวจรับเองไม่สมบูรณ์

การตรวจรับชั้นบนประเมินประสิทธิภาพ อัตราเร่ง และความสามารถในการบำรุงรักษาพร้อมกัน

ในคิวการแก้ไขตัวเลือกมีการส่งของ Agent ต่างกันหลายตัวพร้อมกัน

พื้นที่เก็บถาวรความล้มเหลวถูกเก็บไว้ระยะยาวเพื่อการวินิจฉัย

เกตเวย์สามารถสกัดกั้นได้เฉพาะปัญหาที่มันตรวจจับได้ เมื่อเกณฑ์การตรวจรับไม่สมบูรณ์ ต้องใช้ตัวชี้วัดที่สังเกตได้และการสุ่มตรวจด้วยมือ兜底

ความเสี่ยงมักไม่来自ผู้ส่ง แต่来自จุดบอดการครอบคลุมของเกณฑ์การตรวจรับเอง

การตรวจรับแพทช์เขียนเคอร์เนลคอมไพเลอร์ใหม่

อ่านสถานการณ์ ตอบสองคำถามด้านล่าง

ทีมหนึ่งใช้การทำงานร่วมกันหลาย Agent重构เคอร์เนลคอมไพเลอร์ Agent X ส่งแพทช์เขียนเคอร์เนลใหม่หนึ่งเวอร์ชัน อ้างว่าสามารถเพิ่มความเร็วการรันของ benchmark หนึ่งได้ประมาณ 1.4 เท่า ระบบจัดการแพทช์นี้ตาม "กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ": แพทช์เข้าคิวการแก้ไขตัวเลือกก่อน จากนั้นรับการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการตรวจรับชั้นบนตามลำดับ หากผ่านเขียนกลับสาขาหลักและกลายเป็นจุดเริ่มต้นของ Agent รุ่นถัดไป หากไม่ผ่านเข้าพื้นที่เก็บถาวรความล้มเหลวที่แยกออก

1. กรุณาอธิบายตามลำดับว่าแพทช์นี้ต้องผ่านการตรวจสอบใดตามลำดับ และอธิบายว่าทำไมจึงวางการตรวจรับชั้นบนไว้สุดท้าย

คอมไพล์ → ทดสอบ → ตรวจสอบพฤติกรรม → การตรวจรับชั้นบน การคอมไพล์ตรวจสอบไวยากรณ์และอินเทอร์เฟซว่า build ได้หรือไม่ ต้นทุนต่ำสุด คัดออกเร็วสุด การทดสอบตรวจสอบการทดสอบหน่วย/บูรณาการว่าเขียวทั้งหมดหรือไม่ ครอบคลุมสัญญาที่มีอยู่ การตรวจสอบพฤติกรรมเปรียบเทียบความสอดคล้องทางความหมายของการใช้งานใหม่และเก่า รวมถึงความคลาดเคลื่อนตัวเลข ความเท่าเทียม และการเปรียบเทียบถดถอย การตรวจรับชั้นบนมุ่งเป้าหมายงานและข้อจำกัดวิศวกรรมตัดสินสุดท้าย ตัดสินประสิทธิภาพ อัตราเร่ง และความสามารถในการบำรุงรักษา การวางการตรวจรับชั้นบนไว้สุดท้ายเพราะมีต้นทุนสูงสุด ต้องการการ评审ด้วยมือหรือระดับสูง介入 เฉพาะหลังจากด่านก่อนหน้าตัดตัวเลือกที่ไม่ถูกต้องส่วนใหญ่ออกแล้ว จึงสามารถลงทุนทรัพยากรที่มีค่าแพงนี้กับตัวเลือกคุณภาพสูงจำนวนน้อยได้ บรรลุ "ต้นทุนเพิ่มขึ้น ล้มเหลวเร็วที่สุด"

ในบางอินพุตเอาต์พุตตัวเลขของการใช้งานใหม่และเก่าเกินความคลาดเคลื่อนที่ตกลง ในขณะนี้ระบบควรจัดการอย่างไร? มันยังมีคุณค่าหรือไม่? หากยกเลิกการตรวจสอบพฤติกรรมจะเกิดอะไรขึ้น?

แพทช์นี้ไม่ควรเขียนเข้าสาขาหลัก ควรถูกปฏิเสธและย้ายไปพื้นที่เก็บถาวรความล้มเหลวที่แยกออก เนื่องจากผ่านทั้งการคอมไพล์และการทดสอบแล้ว จึงพอดีแสดงว่ามันเป็นประเภทอันตราย "การทดสอบผ่านแต่พฤติกรรมเบี่ยงเบน" มันยังมีคุณค่า: สามารถเก็บเป็นตัวอย่างลบ สำหรับการวินิจฉัยแหล่งที่มาความแตกต่าง หลีกเลี่ยง Agent ต่อมาสำรวจเส้นตายเดียวกันซ้ำ และเตือนทีมให้เพิ่มกรณีทดสอบถดถอยหรือทบทวนนิยามความคลาดเคลื่อนใหม่ หากยกเลิกการตรวจสอบพฤติกรรม แพทช์ประเภทนี้จะเข้าสู่การตรวจรับชั้นบน甚至เขียนกลับสาขาหลักได้โดยตรงในกรณีที่การทดสอบเขียวทั้งหมด นำการเบี่ยงเบนพฤติกรรมเข้าสู่เส้นฐานประวัติ นี่คือขอบเขต失效ของกลไกนี้ — เกตเวย์สามารถสกัดกั้นได้เฉพาะปัญหาที่มันตรวจจับได้ จึงต้องใช้ตัวชี้วัดที่สังเกตได้และการสุ่มตรวจด้วยมือ兜底

ตัวเลือก การตรวจรับ เส้นฐาน

ผลผลิตของ Agent มีสถานะเริ่มต้นอะไร (ตัวเลือก?), ต้องผ่านการตรวจสอบอะไรจึงจะถูกนำมาใช้ (การตรวจรับ?), หลังนำมาใช้กลายเป็นฐานของใคร (เส้นฐาน?) แยกสามสิ่งนี้ออกจากกัน ตรรกะโดยรวมของกลไกจะไม่สับสน

จำลำดับเกตเวย์เป็นทางลงเขา

คอมไพล์ → ทดสอบ → ตรวจสอบพฤติกรรม → การตรวจรับชั้นบน เป็น "ทางลงเขาที่ต้นทุนจากต่ำไปสูง": ยิ่งถูกยิ่งอยู่ข้างหน้า ยิ่งแพงยิ่งอยู่ข้างหลัง จำ "อันถูกกรองก่อน อันมีค่าตรวจทีหลัง" จะไม่เสียการ评审ชั้นบนกับตัวเลือกขยะจำนวนมหาศาล

เกตเวย์สามารถสกัดกั้นได้เฉพาะปัญหาที่มันทดสอบได้

การตรวจรับผ่านไม่เท่ากับดีขึ้นจริง เมื่อการครอบคลุมการทดสอบไม่เพียงพอหรือการตรวจสอบพฤติกรรมขาดหาย เกตเวย์จะปล่อยการแก้ไขที่เป็นอันตราย ฝึกนิสัยสองอย่าง: เติมกรณีการทดสอบถดถอยและนิยามความคลาดเคลื่อนสำหรับพฤติกรรมสำคัญ เก็บตัวชี้วัดที่สังเกตได้และการสุ่มตรวจด้วยมือไว้เสมอ เป็นแนวป้องกันสุดท้ายเมื่อมาตรฐานไม่สมบูรณ์

step-1

เชี่ยวชาญวิธีตกผลึกการแก้ไขที่มีประสิทธิภาพเป็นประวัติโปรเจกต์ผ่านการคอมไพล์ การทดสอบ และเกตเวย์การตรวจรับ

lesson_6

lesson_6_slide_11

จากร่าง EvoClass

> **เป้าหมายหน้า**
>
> เชี่ยวชาญกลไกการตกผลึกการแก้ไขที่มีประสิทธิภาพเป็นประวัติโปรเจกต์ผ่านการคอมไพล์ การทดสอบ และการตรวจรับ

**ประเด็นการสอน**

- กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ
- โค้ดที่ Agent ส่งเป็นเพียงการแก้ไขตัวเลือก ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการตรวจรับชั้นบน จึงจะเข้าสู่เวอร์ชันโปรเจกต์ที่รับแล้ว ความพยายามที่ล้มเหลวสามารถถูกปฏิเสธ ผลลัพธ์ที่ผ่านการตรวจสอบกลายเป็นพื้นฐานประวัติของนักปฏิบัติต่อมา ในการ重构คอมไพเลอร์และการอัปเกรดซอฟต์แวร์วิทยาศาสตร์ กลไกนี้แสดงความน่าเชื่อถือสูงและอัตราเร่งการรัน

**ประเด็นการสอน**

- กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ
- โค้ดที่ Agent ส่งเป็นเพียงการแก้ไขตัวเลือก ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการตรวจรับชั้นบน จึงจะเข้าสู่เวอร์ชันโปรเจกต์ที่รับแล้ว ความพยายามที่ล้มเหลวสามารถถูกปฏิเสธ ผลลัพธ์ที่ผ่านการตรวจสอบกลายเป็นพื้นฐานประวัติของนักปฏิบัติต่อมา ในการ重构คอมไพเลอร์และการอัปเกรดซอฟต์แวร์วิทยาศาสตร์ กลไกนี้แสดงความน่าเชื่อถือสูงและอัตราเร่งการรัน กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ
- โค้ดที่ Agent ส่งเป็นเพียงการแก้ไขตัวเลือก ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการตรวจรับชั้นบน จึงจะเข้าสู่เวอร์ชันโปรเจกต์ที่รับแล้ว lesson_id_distribution 86818163433546df25555ab4cb1c2d59fc1effedc37a25c4e84b74b7d294e704

**อ้างอิงเอกสาร**

จากร่าง EvoClass

> **แนวทางวัสดุ**
>
> - เชี่ยวชาญกลไกการตกผลึกการแก้ไขที่มีประสิทธิภาพเป็นประวัติโปรเจกต์ผ่านการคอมไพล์ การทดสอบ และการตรวจรับ
> - กลไกการตรวจรับที่เข้มงวดและการสืบทอดประวัติ
> - โค้ดที่ Agent ส่งเป็นเพียงการแก้ไขตัวเลือก ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการตรวจรับชั้นบน จึงจะเข้าสู่เวอร์ชันโปรเจกต์ที่รับแล้ว ความพยายามที่ล้มเหลวสามารถถูกปฏิเสธ ผลลัพธ์ที่ผ่านการตรวจสอบกลายเป็นพื้นฐานประวัติของนักปฏิบัติต่อมา ในการ重构คอมไพเลอร์และการอัปเกรดซอฟต์แวร์วิทยาศาสตร์ กลไกนี้แสดงความน่าเชื่อถือสูงและอัตราเร่งการรัน
> - โค้ดที่ Agent ส่งเป็นเพียงการแก้ไขตัวเลือก ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการตรวจรับชั้นบน จึงจะเข้าสู่เวอร์ชันโปรเจกต์ที่รับแล้ว

**กิจกรรมในชั้นเรียน**

ให้ทบทวนเนื้อหาหน้านี้ด้วยตัวอย่างที่ใกล้เคียงกับประสบการณ์ของนักเรียน และให้นักเรียนอธิบายความสัมพันธ์ระหว่างตัวอย่างนี้กับ "เมื่อเห็นระบบใดๆ ที่ 'สร้างอัตโนมัติและปรับปรุงอัตโนมัติ' ให้ถามสามคำถามก่อน: ผลผลิตของ Agent มีสถานะเริ่มต้นอะไร (ตัวเลือก?), ต้องผ่านการตรวจสอบอะไรจึงจะถูกนำมาใช้ (การตรวจรับ?), หลังนำมาใช้กลายเป็นฐานของใคร (เส้นฐาน?) แยกสามสิ่งนี้ออกจากกัน ตรรกะโดยรวมของกลไกจะไม่สับสน"

> **เป้าหมายที่เกี่ยวข้อง**
>
> - เข้าใจรูปแบบวิศวกรรมของการทำงานร่วมกันหลาย Agent และการแบ่งงานแบบเรียกซ้ำ
> - เชี่ยวชาญกลไกการตกผลึกการแก้ไขที่มีประสิทธิภาพเป็นประวัติโปรเจกต์ผ่านการคอมไพล์ การทดสอบ และการตรวจรับ

**ตรวจสอบความเข้าใจ**

สุ่มนักเรียนหนึ่งคนสรุปจุดสำคัญของหน้านี้ด้วยคำพูดของตนเอง ผู้สอนเสริมคำสำคัญที่ขาดตามคำตอบ

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถพูดความสัมพันธ์หลักของหน้านี้ได้แล้ว จึงเข้าสู่ตัวอย่าง แอปพลิเคชัน หรือสรุปในหน้าถัดไป

<a id="lecture-page-13"></a>

### กิจกรรมในชั้นเรียน: จำลองการทำงานร่วมกันหลาย Agent และเกตเวย์การตรวจรับอัตโนมัติ

*หน้า 13*

> **เป้าหมายหน้า:** เสริมความเข้าใจเกี่ยวกับการพัฒนาร่วมกันหลาย Agent และกลไกการตรวจรับอัตโนมัติผ่านการฝึกจำลอง

> **เป้าหมายหน้า**
>
> ผ่านการฝึกจำลองในชั้นเรียนหนึ่งครั้ง เข้าใจการแบ่งงานในการพัฒนาร่วมกันหลาย Agent การรวมการแก้ไขตัวเลือก และวิธีที่เกตเวย์การตรวจรับอัตโนมัติสกัดกั้นการแก้ไขที่ไม่ได้มาตรฐาน จุดสำคัญคือการรันวงจรวิศวกรรม "พัฒนาร่วมกัน—ตรวจรับอัตโนมัติ—สืบทอดประวัติ" ให้ครบ ไม่ใช่ให้ Agent อภิปรายกันหาคำตอบที่ถูกต้อง

> **ลำดับการสอน**
>
> แบ่งกลุ่มในชั้นเรียนเป็น Agent วางแผน/แบ่งงาน Agent ใช้งาน Agent สร้างการทดสอบ Agent ตรวจสอบ/ประสานงาน งานเดียวกันสามารถสร้างการแก้ไขตัวเลือกหลายรายการ แล้วให้เกตเวย์การตรวจรับตัดสินรวม
>
> การแบ่งงาน การใช้งานแบบขนาน การตรวจรับอัตโนมัติ การสืบทอดประวัติ การแบ่งงานต้องแบ่งเป้าหมายเป็นงานย่อยที่ตรวจสอบได้อย่างอิสระ เช่น "ตรวจสอบอินเทอร์เฟซ—แก้ไขอัลกอริทึม—ทดสอบถดถอย" ในขั้นการใช้งานแบบขนาน Agent ใช้งานหลายตัวส่งแพทช์ตัวเลือก Agent ทดสอบสร้างกรณีขอบ ในขั้นการตรวจรับอัตโนมัติรันการทดสอบอัตโนมัติ การตรวจสอบแบบสถิต และการตรวจสอบสัญญา ให้เกตเวย์ตัดสินตามเกณฑ์ที่ดำเนินการได้ ในขั้นการสืบทอดประวัติ การแก้ไขที่ผ่านรวมเข้าเส้นฐานประวัติ การแก้ไขที่ถูกปฏิเสธเก็บบันทึกเหตุผลความล้มเหลวและข้อมูลการทำซ้ำ สำหรับลองใหม่
>
> ทางซ้ายคือการแบ่งงานแบบเรียกซ้ำ ตรงกลางคือการแก้ไขตัวเลือกหลาย Agent ทางขวาคือการทดสอบอัตโนมัติและเกตเวย์การตรวจรับ หลังการรวมตัวเลือกเข้าสู่เกตเวย์ ผ่านก็รวมเข้าเส้นฐานประวัติ ปฏิเสธก็ตีกลับพร้อมผลตอบกลับที่ทำซ้ำได้ ผลตอบกลับไหลกลับสู่ขั้นการใช้งานและการทดสอบ
>
> เกณฑ์ต้องดำเนินการได้ ไม่สามารถ停留ที่ "ดูเหมือนถูกต้อง" เน้นสกัดกั้นการแก้ไขที่ไม่เป็นไปตามข้อตกลงอินเทอร์เฟซ นำการถดถอย ไม่ครอบคลุมเงื่อนไขขอบ หรือละเมิดข้อจำกัดคุณภาพ ผลตอบกลับที่ใช้ได้อย่างน้อยควรประกอบด้วยกรณีทดสอบที่ล้มเหลว log ขั้นตอนการทำซ้ำ พฤติกรรมที่คาดหวัง และข้อจำกัดที่เกี่ยวข้อง
>
> หลังการแก้ไขที่ผ่านเข้าสู่เส้นฐาน Agent ต่อมาไม่ต้องเริ่มจากศูนย์ การแก้ไขที่ถูกปฏิเสธกลายเป็นตัวอย่างลบที่ค้นหาได้ หลีกเลี่ยงการทำผิดซ้ำ เมื่อประเมินต้องสนใจว่ากฎการตรวจรับทำซ้ำได้หรือไม่ ผลตอบกลับดำเนินการได้หรือไม่ และความเสี่ยงต่างๆ ของการสกัดกั้นผิดและการสกัดกั้นพลาด
>
> หากเกตเวย์ขาดหายหรือมาตรฐานคลุมเครือ การทำงานร่วมกันหลาย Agent ไม่จำเป็นต้องมีประสิทธิภาพมากขึ้น แต่还可能สับสนเพราะขาดการ裁决รวม คุณค่าของประตูอัตโนมัติอยู่ที่การใช้หลักฐานที่ทำซ้ำได้แทนการอนุมัติตามอัตวิสัย

**ประเด็นการสอน**

- ก่อนตรวจรับเขียนการทดสอบที่รันได้ การยืนยันสัญญา และกรณีขอบ
- หากกฎหนึ่งทำซ้ำไม่ได้ ก็ไม่สามารถสกัดกั้นได้อย่างเสถียร ตัวเลือกที่ถูกปฏิเสธควรแนบ log ความล้มเหลว คำสั่งทำซ้ำ พฤติกรรมที่คาดหวัง และข้อจำกัดที่เกี่ยวข้อง ให้ Agent ถัดไปสามารถระบุตำแหน่งและแก้ไขได้โดยตรง การแบ่งงานละเอียดเกินไปจะเพิ่มต้นทุนการรวมและการตรวจรับ หยาบเกินไปจะทำให้การแก้ไขตัวเลือกทับซ้อนกัน
- แบ่งเป็นงานย่อยที่สามารถทดสอบและตรวจรับแยกได้ก่อน

> **แนวทางวัสดุ**
>
> - การแบ่งงานแบบเรียกซ้ำ การแก้ไขตัวเลือกหลาย Agent การทดสอบอัตโนมัติและเกตเวย์การตรวจรับ ในแผนภาพยังระบุ "การรวมตัวเลือก" "ผลตอบกลับไหลกลับ" "ผ่านเข้าสู่เส้นฐาน ปฏิเสธส่งคืนผลตอบกลับที่ทำซ้ำได้" เหมาะสำหรับชี้แผนภาพพร้อมอธิบายวงจร สามารถให้นักเรียน围绕กรณี "บริการชำระเงิน崩溃เมื่ออินพุตเป็นจำนวนลบหรือสตริงยาวเกิน" ออกแบบชุดกฎเกตเวย์การตรวจรับที่ดำเนินการได้ อย่างน้อยครอบคลุมอินเทอร์เฟซ การถดถอย ขอบ และข้อจำกัดคุณภาพ ทิศทางอ้างอิง: ชั้นอินเทอร์เฟซต้องการให้ฟิลด์จำนวนเงินปฏิเสธจำนวนลบและสตริงยาวเกิน ส่งคืนรหัสข้อผิดพลาด统一และทำการยืนยันสัญญา
> - ชั้นถดถอยต้องการให้กรณีการชำระเงินสำเร็จ การคืนเงิน และการกระทบยอดเดิมทั้งหมดผ่านและไม่มีความล้มเหลวใหม่
> - ชั้นขอบรวมกรณี 0 จำนวนลบ จำนวนเงินสูงสุดที่อนุญาต สตริงยาวเกิน สตริงว่าง และอักขระพิเศษ ยืนยันไม่崩溃และข้อผิดพลาดอธิบายได้
> - ข้อจำกัดคุณภาพรวมการตรวจสอบแบบสถิตผ่าน การครอบคลุมเส้นทางสำคัญไม่ต่ำกว่าเกณฑ์ที่ตกลง ไม่มีคำเตือนความเสี่ยงสูง กฎทั้งหมดควรแสดงด้วยการทดสอบหรือสคริปต์ที่รันได้ และสามารถทำซ้ำในการ intégration ต่อเนื่อง

> **แนวทางแบบฝึกหัด**
>
> - การสกัดกั้นผิดจะเสียงานของตัวเลือกที่ถูกต้องและลดประสิทธิภาพการทำงานร่วมกัน 还可能กระตุ้นให้ทีมผ่อนปรนมาตรฐาน
> - การสกัดกั้นพลาดจะทำให้ข้อบกพร่องเข้าสู่เส้นฐานประวัติ Agent ต่อมาทำงานบนเส้นฐานที่ผิด ขยายความเสี่ยงการถดถอย วิธีลดรวมถึงการเก็บหลักฐานความล้มเหลว การสุ่มตรวจผลการสกัดกั้น การตกผลึกกรณีทดสอบที่ล้มเหลวใหม่เป็นชุดถดถอย และใช้กรณีขอบ การตรวจสอบสัญญา และการตรวจสอบแบบ灰度รวมกันควบคุมความเสี่ยง

**ตรวจสอบความเข้าใจ**

สุ่มนักเรียนหนึ่งคนสรุปจุดสำคัญของหน้านี้ด้วยคำพูดของตนเอง ดูว่าสามารถพูดสามจุดสำคัญ "เกณฑ์ที่ดำเนินการได้" "ผลตอบกลับดำเนินการได้" "แบ่งตามขอบเขตที่ตรวจสอบได้อย่างอิสระ" ได้หรือไม่ หากสามารถยกตัวอย่างด้วยกรณีบริการชำระเงินได้ ถือว่าเข้าใจ หากตอบเพียง "ให้ Agent อภิปรายอัตโนมัติ" ให้แนะนำกลับไปที่มาตรฐานเกตเวย์การตรวจรับและกระแสวงจร

> **คำแนะนำการเชื่อมต่อ**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายความสัมพันธ์ระหว่างการทำงานร่วมกันหลาย Agent การตรวจรับอัตโนมัติ และการสืบทอดประวัติได้ชัดเจนแล้ว จึงเข้าสู่แอปพลิเคชัน ตัวอย่าง หรือสรุปในหน้าถัดไป

<a id="lecture-page-14"></a>

### วิธีทำงานแบบ AI Native และทางเข้าที่สะดวก

*หน้า 14*

> **เป้าหมายหน้า:** เรียนรู้วิธีเริ่มการทดลอง EvoX อย่างรวดเร็วผ่านทางเข้าและารตั้งค่าที่กระชับในเครื่องมือ AI

**ประเด็นการสอน**

- จำเส้นแบ่งงานนี้: ทางเข้า AI Native รับผิดชอบการติดตั้ง การตั้งค่าพื้นฐาน และการตรวจสอบสภาพแวดล้อม คุณรับผิดชอบการนิยามปัญหา การเลือกทิศทาง และเกณฑ์การประเมิน ลงทุนเวลาที่ประหยัดได้กับสิ่งหลัง ผลประโยชน์จึงจะตกถึงการวิจัยจริง มิฉะนั้นเพียงย้ายการรอจากขั้นการตั้งค่าไปสู่ขั้นการ返工
- คุณค่าของคำสั่งหนึ่งประโยคคือให้คุณเข้าสู่การทดลองอย่างรวดเร็ว ไม่ใช่ข้ามการตรวจสอบ หลังการติดตั้งเสร็จสิ้นให้ยืนยันเวอร์ชัน การพึ่งพา และการมองเห็น GPU อย่างเชิงรุก ปฏิบัติต่อสถานะที่เครื่องมือรายงานเป็น线索ไม่ใช่ข้อสรุป เพื่อให้การทดลองต่อมามีจุดอ้างอิงที่เชื่อถือได้
- ก่อนทำซ้ำข้ามเครื่องให้ตรวจทีละรายการ: รายการการพึ่งพาและเวอร์ชันสอดคล้องกันหรือไม่ รุ่น GPU และจำนวนอุปกรณ์ที่ใช้ได้เหมือนกันหรือไม่ เมล็ดสุ่มและไฮเปอร์พารามิเตอร์สำคัญคงที่หรือไม่ หลังสามข้อผ่านแล้วจึงขยายขนาดการทดลอง สามารถหลีกเลี่ยงต้นทุนการตรวจสอบภายหลังที่สูงกว่าต้นทุนการตั้งค่าก่อนหน้ามาก

เป้าหมายหน้า

วิธีทำงานแบบ AI Native เปลี่ยนอะไรจริงๆ และขอบเขตอยู่ที่ไหน หลังเรียนควรพูดสามจุดได้ชัดเจน: ทางเข้าปฏิสัมพันธ์จาการค้นหาเอกสารด้วยมือ ติดตั้งการพึ่งพา ตั้งค่าสภาพแวดล้อม เขียนโครงร่าง เปลี่ยนเป็นเริ่มการทดลองด้วยประโยคเดียวในเครื่องมือ AI การติดตั้ง การตั้งค่าพื้นฐาน และการตรวจสอบสภาพแวดล้อมเป็นหน้าที่ของเครื่องมือและรายงานสถานะ การนิยามปัญหา การเลือกทิศทาง และเกณฑ์การประเมินยังเป็นความรับผิดชอบของนักวิจัย

ประเด็นการสอน

1. การย้ายทางเข้าเป็นคุณลักษณะที่นิยาม เส้นทางดั้งเดิมคือ "ค้นหาเอกสาร → ติดตั้งการพึ่งพา → ตั้งค่าสภาพแวดล้อม → เขียนโครงร่าง → จึงเริ่มการทดลองครั้งแรก" แต่ละ環อาจผิดพลาด และทุกการสลับต้องสร้างบริบทใหม่ เส้นทาง AI Native คือ "คำสั่งหนึ่งประโยค → เครื่องมือ接管การติดตั้งและการตั้งค่า → การตรวจสอบสภาพแวดล้อมผ่าน → เข้าสู่การทดลอง" สิ่งที่เปลี่ยนคือวิธีที่คนเริ่มทำงาน ไม่ใช่วัตถุที่ถูกปรับให้เหมาะสมเอง

2. ธรรมชาติของแรงเสียดทานคือการย้าย ไม่ใช่การหายไป ภาระจริงมักไม่来自ารดำเนินการขั้นตอนเดียวที่ยากแค่ไหน แต่来自ารสลับบริบทบ่อยครั้ง: นักวิจัยควรจับตาการสร้างแบบจำลองปัญหา การออกแบบการทดลอง และการตีความผลลัพธ์ แต่ถูกขัดจังหวะอย่างต่อเนื่องด้วยความขัดแย้งเวอร์ชัน การพึ่งพาที่ขาดหาย และเส้นทางสภาพแวดล้อม ทางเข้าที่สะดวกย้ายสายโซ่วิศวกรรมทั้งหมดออกไป ให้ความสนใจกลับสู่การวิจัยเอง

เสร็จสิ้นการติดตั้งและการตั้งค่าพื้นฐานของ EvoX ภายในคำสั่งเดียว ตัวอย่างเช่น ป้อน "ติดตั้ง EvoX และเสร็จสิ้นการตั้งค่าพื้นฐาน" ให้เครื่องมือดำเนินการและรายงานผล นักวิจัยเข้าสู่การทดลองทันที สังเกตว่านี่เป็นเพียงจุดเริ่มต้น ไม่ใช่จุดสิ้นสุด — "การตั้งค่าเสร็จสิ้น" ที่เครื่องมือรายงานเป็นสถานะที่ต้องตรวจสอบ ไม่ใช่ข้อสรุปที่สามารถเชื่อถือได้โดยตรง

4. ยิ่งเส้นทางสั้น ระยะทางจากความคิดไปสู่การทดลองที่รันได้ยิ่งน้อย ความคิดสามารถตรวจสอบได้ในวันเดียวกัน สมมติฐานที่ล้มเหลวสามารถคัดออกได้อย่างรวดเร็ว โดยเฉพาะอย่างชัดเจนสำหรับหัวข้อประเภทวิวัฒนาการวิธีการที่ต้องการสร้างโครงสร้างการทดลองชั้นในและชั้นนอกซ้ำๆ: เวลาสามารถใช้กับการออกแบบกลยุทธ์ เกณฑ์การประเมิน และการระบุสาเหตุผลลัพธ์ ไม่ใช่ซ่อมสภาพแวดล้อมซ้ำๆ

ทางเข้าที่สะดวกลดต้นทุนการเริ่มต้นและการตั้งค่า แต่ไม่แทนที่การตัดสินของนักวิจัยเกี่ยวกับคุณค่าปัญหา ทิศทางการวิจัย และตัวชี้วัดการประเมิน การอ่าน "ประหยัดเวลา" เป็น "ประหยัดการตัดสิน" เป็นความเบี่ยงเบนที่พบบ่อยที่สุดของหน้านี้ เวลาที่ประหยัดได้เฉพาะเมื่อลงทุนในขั้นการตัดสิน ผลประโยชน์จึงจะตกถึงการวิจัยจริง มิฉะนั้นเพียงย้ายการรอจากขั้นการตั้งค่าไปสู่ขั้นการ返工

แนวทางวัสดุ

แถวบนสีเทาคือสี่ขั้นตอนของเส้นทางดั้งเดิม ด้านล่างระบุ "แรงเสียดทานรวมศูนย์" แถวกลางสีน้ำเงินคือสี่ขั้นตอนของเส้นทาง AI Native โดย "คำสั่งหนึ่งประโยค" มีไฮไลท์ ด้านล่างระบุ "แรงเสียดทานย้าย" บล็อกสีส้มด้านล่างคือ "ขอบเขตตำแหน่ง" เมื่ออธิบายสามารถถามได้โดยตรง: ส่วนที่ถูกย้ายออกในภาพคือส่วนใด ส่วนที่เหลืออยู่คือส่วนใด? แนะนำผู้เรียนให้ค้นพบ — สิ่งที่ถูกย้ายคือการติดตั้ง การตั้งค่าพื้นฐาน และการตรวจสอบสภาพแวดล้อม สิ่งที่ถูกเก็บไว้คือปัญหา ทิศทาง และเกณฑ์การประเมิน

การจัดการแบบฝึกหัด

คำถามเลือกตอบห้าข้อที่แนบมาแนะนำให้จัดการรวมหลังการอธิบาย ให้เหตุผลตัดสินหนึ่งประโยคต่อข้อ เพื่อให้ผู้เรียนตรวจสอบตนเอง

การตัดสินที่ถูกต้องคือ "ทางเข้าปฏิสัมพันธ์เริ่มต้นจาการค้นหาเอกสาร ตั้งค่าสภาพแวดล้อม เขียนโครงร่างด้วยมือ เปลี่ยนเป็นเริ่มการทดลองโดยตรงด้วยคำสั่งกระชับในเครื่องมือ AI" หากเลือกกลยุทธ์การค้นหา การย้ายไปคลาวด์ หรือการแทนที่โครงสร้างเครือข่าย แสดงว่าสับสน "การเปลี่ยนแปลงทางเข้า" กับ "การเปลี่ยนแปลงอัลกอริทึม" ต้องกลับไปที่หน้านี้เน้น: จุดนี้บรรยายว่าคนเริ่มทำงานอย่างไร

การตัดสินที่ถูกต้องคือ "เครื่องมือเสร็จสิ้นการติดตั้ง การตั้งค่าพื้นฐาน และการตรวจสอบสภาพแวดล้อมภายในคำสั่งเดียวและรายงานสถานะ นักวิจัยเข้าสู่การทดลองตามนั้น" หากคิดว่าเครื่องมือรับประกันว่าไม่ต้องตรวจสอบเวอร์ชันและการมองเห็น GPU อีก หรือคิดว่ามันจะกำหนดปัญหาการวิจัยและตัวชี้วัดการประเมินอัตโนมัติ แสดงว่าขยายขอบเขตหน้าที่ — มันครอบคลุมเพียงสายโซ่วิศวกรรมของการติดตั้งและการตั้งค่าพื้นฐาน这一段

การตัดสินที่ถูกต้องคือ "ลดต้นทุนการเริ่มต้นและการตั้งค่า แต่ไม่แทนที่การตัดสินของนักวิจัยเกี่ยวกับการนิยามปัญหา ทิศทางการวิจัย และเกณฑ์การประเมิน" การอ่าน "ประหยัดเวลา" เป็น "ประหยัดการตัดสิน" หรือคิดว่ามีคุณค่าเฉพาะกับผู้เริ่มต้น ต้องกลับไปที่ข้อสรุปขอบเขตเพื่อระบุตำแหน่งใหม่

การตัดสินที่ถูกต้องคือ "คุณค่า来自ารย้ายแรงเสียดทานทางวิศวกรรมและการ缩短รอบการทำซ้ำ เงื่อนไข成立คือนักวิจัยยังสามารถตรวจสอบผลการตั้งค่าและความสามารถในการทำซ้ำของการทดลอง" ที่นี่ต้องเตือนให้แยกแยะ "ลดการดำเนินการด้วยมือ" กับ "ลดการตัดสินด้วยมือ"

ข้อ 5 เป็นการคาดการณ์ผลของการไม่ตรวจสอบ การตัดสินที่ถูกต้องคือ "สภาพแวดล้อมทำซ้ำไม่ได้ ความแตกต่างระหว่างการทดลอง难以ระบุตำแหน่ง ความเสถียรของผลลัพธ์ไม่สามารถรับประกันได้" ผลตอบกลับชี้ให้เห็น: ปัญหาไม่ใช่เพดานความสามารถของเครื่องมือ แต่เป็นการขาดขั้นการตรวจสอบ การตั้งค่าที่ไม่ถูกตรวจสอบจะฝังความเสี่ยงไว้สำหรับการทำซ้ำและการระบุตำแหน่งปัญหาภายหลัง

กิจกรรมในชั้นเรียน

การอภิปรายกรณีสามารถ展开ตาม "รันการทดลองวิวัฒนาการวิธีการ EvoX ให้ครบในสามวัน" คำถามแรกต้องการอธิบายว่าลดต้นทุนอะไร เก็บความรับผิดชอบอะไร: ลดต้นทุนแรงเสียดทานทางวิศวกรรม เก็บการตัดสินการสร้างแบบจำลองปัญหาและทิศทาง การกำหนดเกณฑ์การประเมิน และการตรวจสอบการตั้งค่า คำถามที่สองเน้นการทำซ้ำข้ามเครื่อง สามารถแนะนำผู้เรียนให้วิธีตรวจสอบอย่างน้อยสองข้อ: บันทึกรายการเวอร์ชันและการพึ่งพาที่เครื่องมือติดตั้งจริงและเปรียบเทียบทีละรายการข้ามเครื่อง ตรวจสอบรุ่น GPU หน่วยความจำ และจำนวนอุปกรณ์ที่มองเห็นของแต่ละเครื่อง หากจำเป็นกำหนดหมายเลขอุปกรณ์คงที่ กำหนดเมล็ดสุ่มและขนาดแบตช์และารตั้งค่าสำคัญคงที่ รันงาน基準ใหม่ภายใต้การตั้งค่าเดียวกันก่อน ยืนยันผลลัพธ์อยู่ในช่วงความผันผวนที่คาดหวัง แล้วจึงขยายขนาดการทดลอง

ตรวจสอบความเข้าใจ

"หากการติดตั้งมอบให้เครื่องมือทั้งหมด สิ่งที่คุณต้องยืนยันด้วยมือมากที่สุดในวันถัดไปคืออะไร?" สามารถพูดการตรวจสอบเวอร์ชัน การพึ่งพา และการมองเห็น GPU ได้ ก็ถือว่าเข้าใจ

คำแนะนำการเชื่อมต่อ

หลังจากยืนยันว่าผู้เรียนสามารถพูดเส้นแบ่งงาน "เครื่องมือรับผิดชอบการเตรียมวิศวกรรม นักวิจัยรับผิดชอบการตัดสินการวิจัย" ได้แล้ว จึงเข้าสู่ตัวอย่าง แอปพลิเคชัน หรือสรุปในหน้าถัดไป

<a id="lecture-page-15"></a>

### รสนิยมหลักของนักวิจัย: การแบ่งงานคน-เครื่องและการคิดเชิงวิพากษ์

*หน้า 15*

> **เป้าหมายหน้า:** เข้าใจรสนิยมทางวิทยาศาสตร์และการตัดสินเชิงวิพากษ์ที่นักวิจัยไม่สามารถถูกแทนที่ได้ในกระบวนการวิวัฒนาการที่ช่วยโดย AI

> **เป้าหมายหน้า**
>
> เข้าใจรสนิยมทางวิทยาศาสตร์และการตัดสินเชิงวิพากษ์ที่นักวิจัยไม่สามารถถูกแทนที่ได้ในกระบวนการวิวัฒนาการที่ช่วยโดย AI คำถามหลักคือ: เมื่อ AI ลดต้นทุน "การใช้งานคำตอบ" อย่างมาก คุณค่าทางการวิจัย转向ที่ไหน?

**ประเด็นการสอน**

- AI / EvoX สามารถเสร็จสิ้นการใช้งานโค้ด การรันการทดลองแบบแบตช์ การสร้างตัวเลือก การค้นหาพารามิเตอร์ และการบันทึกผลตอบกลับได้อย่างรวดเร็ว ต้นทุนทางวิศวกรรมไม่ใช่คอขวดหลักอีกต่อไป นักวิจัยตัดสินว่าปัญหาใดมีค่า研究 ผลลัพธ์ใดมีความหมาย หลักฐานใดเพียงพอต่อการสนับสนุนข้อสรุป AI ขยายพื้นที่การใช้งานและการค้นหา
- นักวิจัยควบคุมการนิยามปัญหา ความขัดแย้งของเป้าหมาย ขอบเขตข้อจำกัด และเกณฑ์การตรวจรับ ปฏิบัติต่อเอาต์พุตของ AI เป็นสมมติฐานที่รอการตรวจสอบ ตรวจสอบว่าสมมติฐาน成立หรือไม่ หลักฐานเพียงพอหรือไม่ เงื่อนไขขอบถูกพิจารณาหรือ