各位探險者與終端機指揮官們，引擎已經發動，歡迎來到這趟極速體驗！
在前面幾堂課中，我們深入剖析了提示詞工程的三大黃金支柱，並學會了如何引導 AI 大副生成高品質的代碼與分析。然而，許多人在實際工作流程中遇到了極大的阻力：每次為了讓大副回答一個小問題，或是幫忙審查一段短短 10 行的函數，我們都必須在小黑窗輸入 agy，等待系統初始化模型、加載配置、建立 TUI 圖形介面與長對話 Session，最後再手動敲入文字。這種傳統對話模式在需要批次處理、自動化腳本串接或是單次快速查詢時，無疑像是踩下了煞車踏板！
今天，我們要徹底拆掉這道繁瑣的對話大門！我們要讓 agy 像 F1 賽車進入得來速通道一樣，命令一下，輸出即現，用完即走，絕不安置任何多餘的對話環節！
-p 單次列印與 -i 首發互動模式的哲學為了讓大家在腦海中建立清晰的抽象模型，我們透過兩個生動的情境比喻來理解 agy 的兩種核心啟動模式：
麥當勞得來速與預約尊榮內用：
-p / --print 單次列印模式）：想像你正開著賽車趕赴極限挑戰，肚子咕嚕作響。你完全不需要解開安全帶下車，直接把車開進「得來速專用通道」。你對著對講機快速喊出：「大麥克一份，可樂去冰！」店員以秒級速度將餐點從窗口遞進車內，你踩下油門揚長而去。你與店員之間沒有閒聊，餐點拿到手時，對話宣告結束。這就是 -p 旗標模式！指令執行完畢後立刻印出結果並釋放系統資源。-i / --prompt-interactive 首發互動模式）：想像你在手機 App 上訂好了桌位與前菜（首發 Prompt），當你走進餐廳坐下時，服務生已經將熱騰騰的前菜擺在桌上。你邊吃邊評鑑，吃完後服務生依然隨侍在側，你可以繼續對他說：「請幫我上主餐，另外葡萄酒要再加一杯！」這就是 -i 旗標模式！它在啟動時立刻執行你的第一句指令，但執行完畢後不會關閉，而是保持通訊連線，讓你留在對話環境中繼續追問。魔法召喚卷軸與持續心靈通訊法陣：
-p 單次列印模式）：在激烈戰鬥中，你從懷中抽出一張「火焰爆裂卷軸」。你不需要吟唱長達五分鐘的儀式，也不需要與火元素精靈培養感情。撕開卷軸的瞬間，一道高溫火球瞬間轟向目標，魔法效果達成後卷軸化為灰燼，召喚終止。這就是精準、快速、不佔用專注力的即時法術！-i 首發互動模式）：你在地面畫下熾熱的通訊符文，並在啟動時灌入初始座標：「定位前方五公里的敵軍主力！」遠方的天界大副立刻在陣法中顯現投影並回報敵情。此時法陣依然發光運作，你可以站在陣法中央繼續下達追加命令：「掃描他們的後勤補給線！」通訊通道始終保持暢通。當我們在終端機追求極速輸出時，模型的底層推理速度便成了關鍵。大語言模型之所以產生延遲，是因為自迴歸（Autoregressive）模型的特性——它必須逐個 Token 計算機率矩陣並生成文字。然而，在先進的 LLM 架構中，存在著一項被譽為「引擎雙渦輪增壓」的神級技術——預測性解碼（Speculative Decoding）！
預測性解碼的核心機制與運作原理如下： * 草稿模型（Draft Model / 預言家）：系統配備一個參數量極小（例如 1B-3B）、推理速度極快的輕量級小模型。當使用者輸入 Prompt 後，這個小模型會以極高的速度一口氣「預測」接下來的 5 到 10 個 Token。 * 目標模型（Target Model / 大腦驗證官）：將草稿模型預測出的 Token 序列一次性餵給擁有數千億參數的大模型（如 Gemini 1.5 Pro 或 Claude 3.5 Sonnet）。由於 Transformer 架構在處理已知序列時具備強大的平行計算能力，大模型能在一瞬間同時驗證這 5-10 個 Token 的機率分佈！ * 接受與回滾機制：如果草稿模型的預測完全命中大模型的機率高分區，大模型直接採納，相當於一次性跳過 5 個 Token 的生成時間；一旦草稿模型猜錯，大模型立刻修正並從錯誤點繼續生成。這種利用多餘 GPU 平行算力換取使用者等待時間的設計，正是高併發得來速模式能夠秒級回應的底層奧秘！
此外，當大腦在生成文字時，底層策略也決定了回答的精準度與靈氣。以下是三大核心解碼取樣策略（Decoding Strategies）： * 貪婪搜尋（Greedy Search）： * 運作方式：在每一個 Token 的機率分佈中，無腦選擇排名第一名（Temperature = 0）的字詞。 * 優缺點：速度最快、邏輯極度嚴謹且結果可重複。但缺點是語言缺乏變化，且在生成複雜代碼時容易陷入死迴圈（如不斷重複相同語句）。 * 束搜尋（Beam Search）： * 運作方式：在分叉路口不只看當前第一名，而是同時追蹤並保留機率最高的 Top-K 條完整路徑（Beam Width），計算整句話的累積對數機率，選出全局最通順的解答。 * 適用場景：常用於機器翻譯與精確摘要，確保跨語言轉換時不丟失語意細節。 * 核抽樣（Nucleus Sampling / Top-P）： * 運作方式：大副預設最偏好的取樣機制！將所有候選 Token 按機率從大到小排序，並將累積機率達到特定門檻（例如 P = 0.9，即前 90% 高機率區間）的 Token 納入候選池，隨後在池內進行機率抽樣。 * 優點：動態過濾掉極低機率的廢話，同時保留了語意的多樣性與靈感火花，在寫程式碼與日常問題解答中展現出最佳的綜合表現。
|想要讓 agy 成為命令線自動化的高手，就必須理解 UNIX/Windows 作業系統最偉大的基石——標準串流（Standard Streams）。
在作業系統中，任何一個運行的程序（Process）在啟動時，預設都會開啟三個抽象的檔案描述符（File Descriptors, FD）： * 標準輸入（Standard Input / stdin, FD 0）：程式讀取外部資料的入口。預設來自鍵盤打字，但可以被重導向至檔案或其他程式的輸出。 * 標準輸出（Standard Output / stdout, FD 1）：程式列印正常結果的專屬通道。預設輸出至螢幕小黑窗。 * 標準錯誤（Standard Error / stderr, FD 2）：程式專門用來噴出錯誤訊息與警告日誌的獨立管道，避免錯誤訊息污染正常資料。
在命令列世界中，鍵盤上的直線符號 | 被稱為管道符號（Pipeline Operator）。管道不是把資料寫寫入硬碟暫存檔，而是在記憶體中搭起一條高速水管！它把前一個指令的 stdout，零延遲地直接灌入下一個指令的 stdin！
結合 agy 的 -p 單次列印模式與管道符號，你可以創造出無縫的數據流轉傳送門：
* 讀取本地範例直接灌入 AI 大腦：
* 指令：Get-Content examples.txt | agy -p "請參考上述輸入的格式範例，將下列數據轉換為 JSON 格式"
* 解析：Get-Content 讀取檔案並將文字流吐至 stdout，管道符號 | 瞬間接住這股水流並將其灌入 agy 的 stdin。agy 無縫結合 -p 內的提示詞進行單次高速推理！
* 捕獲程式執行報錯（stderr）並送交大副診斷：
* 指令：python main.py 2>&1 | agy -p "請分析這個 Python 腳本拋出的異常堆疊日誌，指出錯誤行數與修正程式碼"
* 解析：2>&1 是作業系統級別的重導向術語，代表「把 FD 2（stderr 錯誤水流）合併導入到 FD 1（stdout 正常水流）中」。這樣一來，不論程式是印出 Log 還是噴出崩潰報錯，都會被管道 | 完整捕獲並送入大副的大腦！
在啟動 agy 時，靈活運用命令行旗標（Flags）能讓你精確調控大副的行為與硬體資源分配。以下是得來速通道的核心旗標全清單：
-p / --print / --prompt)：agy -p "請用繁體中文解釋概念"stdout 並結束程序。此旗標的 -p、--print 與 --prompt 效果 100% 完全相同。--print-timeout)：agy -p "分析 5000 行代碼的安全漏洞" --print-timeout 10m--print-timeout 自訂時間（例如 10m 代表 10 分鐘，1h 代表 1 小時），避免任務因逾時而被中途中斷。-i / --prompt-interactive)：agy -i "請讀取 ./src/index.js，我等一下要問你關於重構的問題"--model)：agy --model gemini-1.5-pro -p "撰寫一份複雜的演算法說明"gemini-1.5-pro 或 claude-3-5-sonnet），讓小任務用快模型、大任務用強模型。--add-dir)：agy --add-dir "C:/shared_libs" --add-dir "D:/docs" -p "檢查 shared_libs 內的函數是否有被呼叫"--verbose)：agy -p "測試連線" --verbosestderr 中印出詳細的 API 請求標頭、Token 消耗量與網絡封包往返延遲，適合高級開發者排除網路故障與 API 額度異常。為確保螢幕閱讀器（NVDA / JAWS）使用者能夠無障礙地操作得來速通道，所有的管道指令設計均採用純文字、無視覺噪音的簡潔流向。以下是實戰指揮官的經典範例：
git diff | agy -p "請根據這份程式碼變更差額，撰寫符合 Conventional Commits 規範的簡短 Commit 訊息（包含 feat/fix 標籤）"stdout 輸出的單次結果，完全無需切換視窗。Get-Content ./index.html | agy -p "審查這份 HTML 碼，指出所有缺少 alt 屬性的 img 標籤與缺少 aria-label 的按鈕，並列出修正程式碼"Get-Content server.log | agy -p "找出日誌中所有 ERROR 級別的條目並歸納原因" > analysis_report.txt> 重導向符號，將大副輸出的 stdout 直接寫入本機 analysis_report.txt 檔案中，完成了 100% 全自動化的報告生成！透過掌握得來速通道 -p 與管道魔法 |，你已經具備了將 agy 融入任何 Shell 腳本與日常開發流程的極速能力。然而，當我們面對的不是「單一簡短任務」，而是一個極度模糊、需要幾十步連續思維推理的巨型專案時，光靠單次點餐是不夠的。
下一堂課，我們將踏入終極意圖的大絕招——需求審訊 /grill-me 與目標管理 /goal 的深思熟慮自動導航模式！
👉 下一堂課：Lecture 08 高級裁縫與自動導航：善用 /grill-me 反覆提問與 /goal 自主工作 👉 回課程大綱：學習地圖
以下題目專為尋求真正硬核觀念與專家級實戰能力的學員設計。題目無法從講義表面抄寫解答，請嘗試獨立思考後再點擊展開解析。
【實戰情境問題】：Beam Search（束搜尋）在每一步都保留 Beam Width（如 $B=5$）個最具潛力的候選序列。為什麼在一般文字翻譯中 Beam Search 效果極佳，而在長程式碼生成中，工程師反而更常使用 Greedy Search 或低溫 Sampling？
【鑑別點說明】：測試學員對解碼策略（Decoding Strategies）在不同任務類型下的選型能力。
【專家級解答與深度剖析】： Beam Search 擅長尋找整體機率最高的短序列（如自然語言翻譯）。但在長程式碼生成中，Beam Search 容易陷入重複循環與死板的句型模式（Repetitive Loops），且需要同時維護 $B$ 個分行的 KV Cache 快取，顯存與計算開銷暴增 $B$ 倍。長程式碼具備極強的局部結構性，Greedy Search 或低溫 Sampling 能在保持高效率的同時，避免 Beam Search 的重複性沉陷。
【實戰情境問題】：當我們在 CLI 中執行 `cat log.txt | agy -p "分析" | nvda-speech` 時，如果 AI 輸出採用了 Block 緩衝區而非即時流式（Streaming），對視障學員的使用體驗會造成什麼災難？
【鑑別點說明】：深剖 Stdio 串流（Line-buffered vs Block-buffered）對無障礙即時報讀的物理影響。
【專家級解答與深度剖析】： 若採用 Block 緩衝區，系統會等 AI 將幾千字的分析報告完全生成完畢後，才一次性寫入 stdout。這會讓視障學員面臨十幾秒的「死寂無聲」，以為電腦當機。採用即時流式輸出（SSE / Streaming），AI 每生成一個 Token 就立即沖刷（Flush）至 stdout 管道，NVDA 能第一時間收到單詞並進行即時語音報讀，達成「邊思考邊播報」的無縫反應。