BSC 專題課程 / VFB 專題課程 / PART 7

PART 7

要怎麼交代 AI Agent

目標:只用 VFB 上的資料,重算一篇 2025 年 Nature 論文的細胞型普查——這一部分把它拆成十條可以直接貼出去的指令

← PART 6 接到程式與 AI PART 8 真的讓它跑一遍 →

1要重算的是什麼

前面六個部分教的是怎麼問。這一部分開始做一件完整的事:只用 VFB 上的資料,重算一篇論文的一個結果,然後說明差在哪裡。

論文Nern et al., 2025, Nature 641(8065): 1225–1237
〈Connectome-driven neural inventory of a complete visual system〉
doi:10.1038/s41586-025-08746-0 · CC-BY,正式版與預印本都不需登入
要重算的那一個結果正文寫的:We classified around 53,000 visual system neurons into 732 cell types
VFB 上對應的資料資料集 Nern2024(站台 Neuprint web interface - JRC_Optic-Lobe:v1.0.1)
能不能對得起來論文把逐型的顆數放在補充表裡,所以不是只比一個總數——可以逐列比對

論文的識別資訊、授權狀態與正文那句話,以及補充表算出來的靶(列數、型數、顆數、分組),出自 out/nern2025_target.json(scripts/paper_target.py 直接向出版社的靜態內容站抓補充表後算出,2026-09-14)。VFB 那一側的資料集與站台出自 out/connectome_overview.json。

為什麼挑這一篇。三個條件同時成立才做得起來:資料在 VFB 上(PART 4 那八套之一)、論文的數字拿得到(補充表逐型列著顆數)、而且不需登入就下載得到(PART 2 第 3 節那條授權規矩)。少一個,這件事就只能停在「看起來差不多」。
這一部分不是在檢查論文對不對。論文用的是自己的原始重建資料;我們用的是 VFB 轉錄之後的版本。兩邊不一樣的地方,多半是「同一件事被記成兩種樣子」,不是誰算錯。這門課一路走來已經看過好幾次(PART 5 第 4 節那兩份骨架就是)。我們要的是把差異逐項講清楚,不是判誰對。

2先講規格:一條指令長什麼樣

每一條指令都由三段組成:

段落作用
可複製的指令框裡那段文字,可以整段貼給 AI Agent。一律用中文寫——你平常怎麼講話就怎麼寫
為什麼這樣寫這一條卡住哪一個決定、為什麼不能讓 AI 自己選
怎麼確認它做對了你要求它回報哪些數字。看不懂程式也能檢查
一條原則:答案不寫進指令裡。「怎麼確認它做對了」那一段有預期的數字,但那是寫給你看的,不要跟指令一起貼給 AI。
先給答案等於允許它倒過來湊;不給答案,它算出來的數字才是獨立的一次驗算。

為什麼是十條,不是三十條。一條指令對應一個你會停下來檢查的節點,不是一個程式步驟。反過來也不能只下一條「請用 VFB 的資料重算這篇」——那樣下一節那六個決定會被 AI 自己隨手決定掉,而你不會知道它選了哪一個。

3六個必須自己決定的事

這件事表面上是「數一數有幾個型」。實際動手就會發現,有六個問題論文沒說、VFB 也沒說,而每一個都會改變最後的數字:

要決定什麼不決定會怎樣寫在哪一條
①用哪一套資料、哪一版VFB 上跟視葉有關的不只一套,而且同一套有不同版本(PART 4 第 4 節)指令 2
②什麼算「一個細胞型」VFB 的類別裡混著泛稱,顆數加起來會超過神經元總數(PART 2 第 3 節)指令 4
③拿什麼當比對的鍵VFB 用全名、論文用縮寫。選錯鍵,命中率差很多,而你會以為是資料對不上指令 5
④「幾顆」怎麼算列數不是個數(PART 2 第 2 節),而且翻頁有上限指令 3
⑤對不上的怎麼交代只講命中率,等於把剩下的掃到地毯下指令 7
⑥怎麼證明自己沒算錯一條路算出來的數字沒有旁證(PART 4 那個等式就是這樣驗的)指令 8

這六個就是這一部分真正的內容。十條指令裡有六條是為了卡住它們而存在的;其餘四條是取資料、比對、產圖、收尾。

4十條指令

指令 1 把論文的靶拿到手,並自己算一次

解決的空缺:無(這一條是在確認靶存在且拿得到)

可以整段複製貼上

先不要碰 VFB,只做這一件事,做完停下來等我。

我要重算這篇論文的一個結果:
  Nern et al., 2025, Nature 641(8065): 1225-1237
  doi:10.1038/s41586-025-08746-0
  正文有一句:We classified around 53,000 visual system neurons into 732 cell types

請做三件事:

1. 確認這篇是開放取用的,說明你是怎麼確認的。
2. 找到它的補充表 Supplementary Table 1(檔名帶 Cell-types_and_counts),
   下載下來。說明你是從哪個網址拿到的。
3. 讀那張表,回報:
   - 一共幾列(不含表頭)
   - 「cell type」欄有幾個不重複的值
   - 「no. of cells」欄加起來是多少
   - 「main groups」欄有哪幾種,各幾列、各幾顆
   - 有幾個 cell type 出現在不只一列

回報時每一項都附上你算出來的數字,不要只寫結論。
這張表是後面所有比對的靶,所以先確認它自己是自洽的。

為什麼這樣寫

靶要先到手,而且要自己算一次。論文正文只給了「約 53,000」與「732」兩個數字;逐型的顆數在補充表裡,而那才是可以逐列比對的東西。先讓它把表讀完、自己加總一次,等於同時確認了兩件事:檔案拿對了,而且表裡的數字跟正文對得起來。

第 1 項不是形式。這門課的規矩是付費牆後面的東西不用(PART 2 第 3 節),而「是不是開放取用」要查過才算,不能憑印象。

怎麼確認它做對了

列數、不重複的型數、顆數加總這三個數字裡,後兩個要跟論文正文那句話對得起來——型數要正好等於正文寫的那個數,顆數加總要落在「約 53,000」的範圍。對不起來就是表拿錯了,不要往下做。

指令 2 決定用 VFB 的哪一套資料,並把版本記下來

解決的空缺:① 用哪一套資料、哪一版

可以整段複製貼上

現在換到 VFB 這邊。一樣先不要分析,只做盤點。

VFB 有一支 REST 介面在 https://v3-cached.virtualflybrain.org
還有一個唯讀的知識庫在 https://pdb.virtualflybrain.org/db/neo4j/tx/commit
(Cypher,不需認證)。

請回報:

1. 站上有哪幾套連線資料集?各自的短名與標籤是什麼?
2. 這篇論文對應的是哪一套?你是怎麼判斷的?
   (提示:知識庫裡的 DataSet 節點有 has_reference 連到文獻)
3. 那一套的短名、標籤、版本號各是什麼?
4. 它底下有幾顆神經元?
5. 把「今天的日期」與上面每一個數字寫進一個 JSON 檔存起來。

第 5 項是硬性要求:這些數字會隨 VFB 更新而變,
沒有存下來、沒有標日期,後面就沒辦法重跑比對。

為什麼這樣寫

不指定資料集,AI 會挑一個看起來對的。而 VFB 上跟視葉有關的不只一套——PART 4 第 2 節列的八套裡就有兩套涵蓋視葉,加上知識庫裡還有六十套帶連線的資料集。第 2 項要求它說明判斷依據,是為了讓你看得到它挑的理由,而不是只看到結果。

第 5 項把整門課那條「數字要對得回存下來的檔案」變成指令的一部分。這一條不下,後面每一次重跑都會拿到不一樣的數字,而你分不出來是 VFB 更新了還是程式改壞了。

怎麼確認它做對了

它報的資料集短名要能在知識庫裡查到 has_reference 指向那篇論文的 FlyBase 編號;神經元顆數要跟論文的顆數同一個量級但不相等——如果它報出來的數字跟論文一模一樣,那才要懷疑,因為兩邊是不同的處理管線。

指令 3 把神經元全部取回來,並證明沒有被截斷

解決的空缺:④ 「幾顆」怎麼算

可以整段複製貼上

把那一套資料集底下的神經元全部取回來,存成檔案。

每一顆要記下:VFB 的編號、標籤(label)、它屬於哪些類別(class)。

三個要求:

1. 取回來之後,比對「你實際拿到幾列」與「服務自己報的總數」。
   兩個數字一樣才算取完;不一樣就說明差多少、你判斷是為什麼。
2. 分開回報這三個數字:拿到幾列、幾顆不重複的神經元、幾個不重複的類別。
   如果「列數」跟「顆數」不一樣,說明為什麼。
3. 存成檔案的時候不要寫進時間戳,把抓取時間另外記在一個檔案裡。

第 1 項請特別小心:VFB 的 REST 有一支翻頁在超過某個位移之後
會停下來,而且不報錯、只回空陣列。不要假設拿到的就是全部。

為什麼這樣寫

「靜默截斷」是這個服務最會咬人的地方,而它不會報錯——你只會拿到一個看起來正常的短清單。第 1 項要求它自己比對兩個數字,等於把這個檢查寫進流程裡。

第 2 項是PART 2 第 2 節那條「列數不是個數」。第 3 項的理由很實際:檔案裡放時間戳,每次重跑每個檔案都會被標成「改了」,真正的變動反而看不見。

怎麼確認它做對了

「實際拿到幾列」必須等於「服務報的總數」。它如果回報兩者不一樣卻繼續往下做,就要叫停。不重複的類別數會比你預期的多——那是下一條要處理的事。

指令 4 決定什麼算「一個細胞型」

解決的空缺:② 什麼算一個細胞型

可以整段複製貼上

你上一條拿到的「類別」數量,應該比論文說的型數多。先不要急著對,
先把這件事查清楚:

1. 把每一顆神經元底下的類別數加總,跟神經元總數比。
   如果加總比總數大,說明為什麼。
2. 在那些類別之間查「誰是誰的上位類別」(知識庫裡是 SUBCLASSOF)。
   回報:有幾個類別底下還有別的類別(也就是泛稱),
   這些泛稱底下各有幾顆神經元;有幾個是末端類別。
3. 提出一條規則,決定「什麼算一個細胞型」,並說明這條規則
   會把哪些東西排除掉、代價是什麼。
4. 照你的規則算出型數與涵蓋的神經元數。

不要直接用論文的數字回推規則。我要的是你先定規則,再算數字。

為什麼這樣寫

這是六個決定裡最容易被跳過的一個。VFB 的類別是一張有上下位關係的網,同一顆神經元同時屬於好幾個類別——既是 Tm3,也是「膽鹼性神經元」。直接數類別,會把泛稱跟細胞型混在一起,而且顆數加總會超過神經元總數。

第 3 項要求它先說規則、再算數字,而且要說代價。最後那句是防止它從論文的 732 倒推——那樣算出來的「一致」毫無意義(核心規範第 5 節:結論不能是某個參數的產物)。

怎麼確認它做對了

它給的規則要能用一句話說完,而且你要看得出它排除了什麼。算出來的型數不會正好等於論文的數字——差幾十個是正常的,差幾百個就要回頭看規則。如果它算出來剛好等於論文那個數,先問它是怎麼得到的。

指令 5 決定拿什麼當比對的鍵

解決的空缺:③ 拿什麼當比對的鍵

可以整段複製貼上

現在要把 VFB 這邊的東西跟論文那張表對起來。先不要對,
先決定「拿什麼當鍵」。

VFB 那邊每一顆神經元有:編號、類別的標籤、神經元自己的標籤。
論文那張表有兩欄名字:cell type 與 instance。

請做三件事:

1. 各舉三個實際的例子,把 VFB 那三種名字與論文那兩欄並排寫出來,
   讓我看得出它們的寫法差在哪裡。
2. 提出至少兩種可能的比對鍵,各自實作一次,回報各自對得上幾筆、
   命中率是多少。
3. 選一個,說明為什麼選它。如果兩種的命中率差很多,
   特別說明差在哪裡——那個差距本身是結果的一部分。

不要只試一種就往下走。

為什麼這樣寫

這一條是這十條裡最容易被低估的。兩邊的命名慣例不一樣——這件事PART 2 第 4 節已經教過(同一個東西有三個名字),但在這裡它會直接變成一個百分比。

要求它做兩種、都回報數字,而不是「選一個好的」:因為如果只做一種,你看到的命中率就沒有比較對象,而你無從判斷那是資料真的對不上,還是鍵挑錯了。第 3 項最後那句是重點——兩種鍵的差距是一個發現,不是一個要被隱藏的中間步驟。

怎麼確認它做對了

它要給出至少兩個命中率,而且兩個數字應該有明顯差距。第 1 項那三組例子你要自己讀一遍——看得懂那些名字差在哪,你才有辦法判斷它選的鍵合不合理。

指令 6 逐列比對顆數

解決的空缺:無(這一條是主計算)

可以整段複製貼上

用你選定的鍵,把兩邊逐列對起來,回報這幾個數字:

1. 兩邊都有的有幾筆。
2. 在這些都有的裡面,顆數完全相同的有幾筆、不同的有幾筆。
3. 顆數不同的那些,差距的分布長什麼樣(最大差幾顆、
   差 1 顆的有幾筆、差超過 10 顆的有幾筆)。
4. 兩邊各自的顆數總和是多少,差多少。

第 2 項請分清楚「對得上」跟「數字一樣」——這是兩件事。
把它們混成一個數字報給我,我就看不出問題出在哪裡。

為什麼這樣寫

最後那一句是為了防一種很常見的模糊:「匹配率九成多」這種說法把兩件事壓成一個數字——名字對得上、以及對上之後數字也一樣。前者是命名的問題,後者是資料的問題,混在一起就沒辦法往下追。

怎麼確認它做對了

「對得上」的筆數要大於等於「顆數也相同」的筆數——如果它報的兩個數字一樣大,代表它沒有真的比顆數。第 3 項的分布要看一眼:差距如果集中在 1 到 2 顆,那是一種問題;如果有幾筆差幾十顆,那是另一種。

指令 7 把對不上的三類全部列出來

解決的空缺:⑤ 對不上的怎麼交代

可以整段複製貼上

現在處理對不上的部分。分成三類,每一類都要列完,不要只給數量:

  A. 只在論文那張表裡有的
  B. 只在 VFB 這邊有的
  C. 兩邊都有、但顆數不同的

對每一類:
1. 給出完整清單(如果超過 30 筆就給前 30 筆,並說明總共幾筆)。
2. 挑三筆去查清楚它到底是什麼,說明你查的方法。
3. 給出你的判斷:這一類的差異,比較像是「命名的差異」、
   「資料版本的差異」、還是「兩邊本來就收錄了不同的東西」?
   說明你的理由,並明講哪些是你查證過的、哪些是你的推測。

最後一項的分界要寫清楚。我寧可你說「這一類我查不出來」,
也不要一個聽起來合理但沒有依據的解釋。

為什麼這樣寫

只報命中率,等於把剩下的掃到地毯下。而那些對不上的東西,常常才是真正有資訊的部分——PART 6 第 5 節那個「471 裡有一個是已棄用的詞」就是這樣冒出來的。

最後那一段是這十條裡最重要的一句話。AI 很擅長生出聽起來合理的解釋,而這門課一路上最貴的錯誤都是那一類。明確告訴它「查不出來」是可接受的答案,它就不必編。

怎麼確認它做對了

三類的筆數加起來,要跟指令 6 報的數字對得上。第 3 項如果三類都給了乾淨俐落的解釋、而且沒有任何一句標著「這是推測」,那要提高警覺——真的去查過,多半會有查不動的地方。

指令 8 用第二條路再算一次

解決的空缺:⑥ 怎麼證明自己沒算錯

可以整段複製貼上

到目前為止的每一個關鍵數字,都是從同一條路算出來的。
現在換一條路再算一次。

VFB 至少有三種問法:REST 介面、知識庫的 Cypher、以及它自己的 MCP 伺服器
(https://vfb3-mcp.virtualflybrain.org,不需認證)。

請挑一條跟你前面用的不同的路,重新算這三個數字:
  - 資料集底下的神經元總數
  - 類別總數
  - 你那條規則算出來的型數

然後回報:兩條路的答案一樣嗎?不一樣的話差多少、你認為是為什麼。

如果兩條路給出不同的數字,那件事比數字本身重要,要寫清楚。

為什麼這樣寫

這是這門課的核心習慣:凡是要寫進結論的數字,先問有沒有第二條路可以問到同一個。PART 1 靠這一條抓到兩批錯(分區數十套裡錯兩套、授權十套裡錯四套),PART 4 那個「八套=兩個旗標的交集」也是這樣驗出來的。

而在這裡它還有第二個作用:PART 6 第 5 節示範過,同一個問題用不同的路問,會因為預設值不同而給出不同的數字。所以這一條很可能會冒出差異——那正是要它寫清楚的東西。

怎麼確認它做對了

它要明講用了哪一條路、跟前面哪一條不同。如果三個數字完全一樣,問它是不是真的換了路——最常見的情況是它換了寫法但底下打的是同一支介面。

指令 9 畫一張圖,而且要說得出圖上每一點是什麼

解決的空缺:無(這一條是產出)

可以整段複製貼上

畫一張圖,把兩邊逐型的顆數比出來。

要求:

1. 圖上每一個點是一個型,兩軸分別是論文的顆數與 VFB 的顆數。
2. 完全相同的點會落在對角線上。把偏離對角線的那些標出來。
3. 座標軸如果用對數,要在圖說裡講明,並說明顆數為 0 或 1 的怎麼處理。
4. 圖裡不要放中文,說明另外寫成一段文字。
5. 回報:落在對角線上的有幾點、偏離的有幾點、偏離最遠的三個是哪幾個型。

畫完之後,把圖上看得到的東西用文字描述一遍
——包括你自己覺得奇怪的地方。

為什麼這樣寫

第 3 項是個真的坑:顆數的分布是長尾的(論文那張表裡很多型只有一兩顆,最大的有兩千多),不用對數軸會擠成一團,用了對數軸又要處理 0。不講清楚,圖會好看但不能讀。

第 5 項與最後一段要它自己描述圖:因為你要檢查的不是圖好不好看,是它有沒有看懂自己畫出來的東西。

怎麼確認它做對了

落在對角線上的點數,應該跟指令 6 報的「顆數完全相同」那個數字一樣。對不上就是圖跟數字來自不同的計算——那是個嚴重的問題,要回頭查。

指令 10 整理成可以帶走、而且跑得起來的東西

解決的空缺:無(這一條是收尾)

可以整段複製貼上

把前面所有的程式整理成可以交出去的東西。

1. 合併成盡量少的檔案,每個檔案開頭用註解寫清楚它做什麼。
2. 所有「你自己決定的參數」集中放在一個地方,不要散在程式各處。
   每一個都寫一行註解說明它是什麼、改了會怎樣。
3. 寫一份說明,內容包括:怎麼跑、需要裝什麼、跑一次要多久、
   會產出哪些檔案。
4. 從一個乾淨的資料夾把整個流程重跑一次,確認:
   - 跑得起來
   - 產出的數字跟你前面報的一樣
   兩件事都要實際做過再回報,不要用推的。
5. 回報每個檔案幾行、整個流程跑一次幾秒。

第 4 項是硬性要求。「應該可以跑」跟「我剛剛跑過了」是兩回事。

為什麼這樣寫

第 2 項對應這門課從頭到尾在講的事:那些自己決定的參數,是別人重跑你的結果時最需要知道的東西(PART 4 第 6 節那份清單)。散在程式各處,等於沒交代。

第 4 項在防一種很常見的狀況:程式在一路累積的環境裡跑得動,換一個乾淨的資料夾就跑不動——因為中間某個檔案是前面某一步順手產生的,而那一步沒寫進流程。

怎麼確認它做對了

重跑之後的數字要跟前面每一條報的一樣。如果有任何一個對不上,那就是流程裡有一步沒被寫進去。行數與秒數是拿來下一次比較用的——PART 8 會用到。

十條指令裡出現的每一個數字,來源有三種:論文那一側(正文引句與補充表的靶)出自 out/nern2025_target.json;VFB 那一側(介面位址、翻頁上限、三種問法)出自 out/service.json、out/flycircuit_images.json 與 out/three_layers.json;而「怎麼確認它做對了」裡的預期值,是本課在寫這十條之前自己先跑過一次得到的——第 2 節說過那一段不要跟指令一起貼出去。皆於 2026-09-14 取得。

5收尾:這十條指令其實是一份規格書

把十條連起來讀,會發現它們跟「怎麼用 AI」關係不大。它們是在把一件事講清楚:用哪一套資料、哪一版、什麼算一個型、拿什麼當鍵、怎麼算數量、對不上的怎麼交代、怎麼證明自己沒算錯。

這份東西如果交給一個學生做,你也得寫一樣的內容。差別只在於:交給 AI 的時候,你漏寫的每一件事它都會自己決定,而且不會告訴你——這就是 PART 6 第 6 節講的那個風險,放大成一整個專題的規模。

所以這一部分真正在教的,不是提示詞怎麼寫。是:當你要把一件研究工作交出去——不管交給人還是交給機器——你必須先知道自己有哪些地方沒想清楚。那六個決定就是在逼你想清楚。

下一部分會把這十條一口氣交出去。PART 8 記錄實跑:哪幾條照做、哪幾條卡住、哪幾條回報了我沒預期的東西,以及最後跟論文對出來的結果。過程與失敗都會留在頁面上——那一頁的主題就是過程,所以錯誤是內容不是雜訊。
← PART 6 接到程式與 AI PART 8 真的讓它跑一遍 →
VFB 專題課程 PART 7 · 論文為 Nern et al., 2025, Nature(CC-BY) ·  指令中引用的 VFB 介面位址於 2026-09-14 確認可用
回 BSC 專題課程首頁