Day 18 做完 Spatial Learning World 之後，Visual Learning Lab 已經可以把一份教材變成波形、向量、模擬，甚至一個可以操作的物理場景。不過功能越做越多，我開始遇到另一個問題：畫面上這些 AI 生成出來的東西，到底是從原教材哪裡來的？

以前我已經有 Source Check，也能保留 PDF 頁碼。例如系統可以告訴我「這個概念來自第 3 頁」，但如果第 3 頁本身有兩張圖、三個公式、一堆標籤和箭頭，只有頁碼其實還是不夠。

所以 Day 19 我把這件事再往下做一層。

今天新增的是 Source Atlas：讓系統不只知道「來自哪一頁」，還開始知道「來自原始 PDF 的哪一個區域」，而且這些來源區域可以和 Day 17、Day 18 已經存在的 Semantic Scene 互相連結。

今天最後真的測到的結果是：

我在生成的 Spatial Learning World 選到「重力向量 g」，左邊的原始 PDF 真的會回到對應頁面，並把教材裡的 Gravity g 箭頭框起來。

這也是我第一次覺得 Visual Learning Lab 的 Source Check 開始不只是附上一個頁碼，而是真的能回答「你這個東西到底是從教材哪裡來的」。

GitHub Repo：
https://github.com/f24131128-lgtm/visual-learning-lab

從「第 3 頁」進一步走到「第 3 頁的這裡」

Day 6 做 Visual Evidence 時，系統其實已經能看 PDF 裡面的公式、波形、表格和圖。不過當時保存的資訊比較像：

「第 3 頁有一張正弦波相位差比較圖。」

今天想做的事情更細。

現在建立 Source Atlas 後，系統會嘗試在原始 PDF 上建立一些有學習意義的來源區域，例如公式、圖表、向量、標籤、解題步驟或一整個 diagram。

而且我不想重新畫一張假的教材給使用者看，Source Atlas 的底還是使用原始 PDF 頁面，只是在上面加上可以被選取與追溯的區域。

我先拿之前一直在測的 Sinusoids 教材試。

原本這張圖裡同時有兩條波形、相位差 φ、v₁ = Vₘ sinωt、v₂ = Vₘ sin(ωt+φ) 和振幅標記。建立 Source Atlas 後，系統可以把這些內容拆成不同的來源物件，我切換來源物件時，原始頁面也會跟著框出對應區域。

這裡我一開始其實有點疑惑：如果只是「PDF 上多幾個框框」，那這個功能到底有什麼用？

後來真正把它和 Learning World 接起來後，答案才比較清楚。

Source Atlas 真正重要的不是框框，而是中間那個 Semantic Link

Day 19 想建立的其實不是一個 PDF annotation tool。

它真正的資料流比較像：

Original PDF Region
        ↕
Semantic Concept / Quantity
        ↕
Learning Scene / Spatial Learning World

原始教材上的一支箭頭，不只是座標 (x1, y1, x2, y2)。

它應該還要知道：

「這是 velocity。」

而 Spatial Learning World 裡的一支生成向量也知道：

「我代表 velocity。」

只要兩邊共用同一層 semantic identity，就有機會把原教材和生成場景接起來。

這也是今天最關鍵的部分。

我特別做了一份拋體 PDF 來測雙向連結

Sinusoid 可以證明 Source Atlas 有辦法做區域定位，但我還想測一個更直接的案例，所以另外準備了一份拋體運動教材。

裡面刻意放了：

• trajectory
• initial velocity
• velocity vector
• gravity vector
• 位置公式
• 速度公式
• 加速度公式
• flight event

這樣我可以很明確地知道，如果系統真的懂來源與場景之間的關係，它應該要知道哪支箭頭是哪支箭頭，而不是只知道「這頁在講拋體」。

右邊是 Day 18 做出的 Spatial Learning World，左邊則是 Day 19 的 Source Atlas。

兩邊現在不再是完全獨立的功能。

例如 Spatial World 裡有 trajectory、velocity vector、gravity vector 和目前位置，原教材裡也有相對應的視覺元素。這次的測試就是要確認它們能不能真的指向彼此。

然後真的連到了

我後來在 Spatial Learning World 裡選擇 重力向量 g。

結果左邊 Source Atlas 自動回到原始 PDF 的拋體示意圖，而且直接把 Gravity g 那支向下箭頭框出來。

這張是我今天最想留下來的測試結果。

因為它證明的已經不是：

「AI 知道這份 PDF 在講拋體。」

甚至也不只是：

「AI 知道重力在第 1 頁。」

而是開始做到：

「右邊這個生成出來的 gravity vector，對應的是左邊原始教材裡的這支箭頭。」

這就是我想做的 generated object ↔ original source region。

而且這套機制不是為拋體寫死的。Day 19 的 runtime 是接 Day 17、Day 18 原本的 semantic scene，所以 Sinusoid、Probability、Spatial Dynamics 都是在同一套 Source Atlas 架構底下處理。

手寫教材也拿來測了

除了乾淨的教材，我還拿之前的手寫機率筆記測了一次。

其中一頁是在算抽球問題，而且同一題寫了 ordered counting 和 combination 兩種做法。

Source Atlas 可以先抓出整個解題範圍，再把其中不同的解題區域分開。

這個例子也提醒我一件很重要的事情：來源定位不能假裝自己永遠非常精準。

乾淨的電子講義裡，一條公式可能很好框；但手寫筆記、複雜 diagram、歪掉的標記就不一定。

所以 Day 19 沒有把 bounding box 當成絕對真相，而是保留 grounding confidence。

如果系統對某個區域只有很低的信心，我寧願讓它只保留「這個概念來自這一頁」，也不要硬生出一個看起來非常準、實際上卻框錯地方的小方框。

目前畫面下方也直接寫著：

區域為估計定位，請核對原頁

我覺得這句其實很重要。

Formula Trace 也開始接進來

今天另外做了一層 Formula Trace。

假設原教材裡有：

v₂ = Vₘ sin(ωt + φ)

Source Atlas 不只知道「這裡有一條公式」，還可以保存這條公式和 Semantic Model 裡 quantity 的關係，例如：

• v₂
• Vₘ
• ω
• t
• φ

這代表未來我從原教材選 φ，不一定只能得到文字解釋。

它可以繼續往下接到：

• waveform
• phasor
• equation lens
• interactive parameter
• related source regions

也就是原教材本身有機會變成 Visual Learning Lab 的操作入口。

同一個概念也不一定只有一個來源

教材通常不會把一個概念只講一次。

可能第 2 頁先定義 Phase Difference，第 3 頁出現公式，第 4 頁才用 Phasor Diagram 解釋。

所以今天也開始加入 cross-page source trace。

這比我以前直接列：

來源：p2、p3、p4

更有意義。

理想上應該能變成：

p2 → 定義
p3 → 方程式
p4 → 圖像表示

使用者可以從同一個 semantic concept 往回看教材裡不同形式的證據，而不是自己在七八頁 PDF 裡來回找。

還加了拆圖、縮放與隱藏標籤

Source Atlas 本身目前也有一些比較偏學習介面的功能。

例如可以：

• 縮放原始頁面
• 切換來源物件
• 切換顯示圖層
• 只顯示目前 focus
• 隱藏標籤

「隱藏標籤」這個功能我覺得之後很有發展空間。

像 Sinusoid 圖裡可以先把 φ 隱藏，問學生：

「這兩條波之間的水平差代表什麼？」

或者拋體圖先把 Velocity / Gravity 標籤拿掉，讓使用者自己判斷箭頭代表什麼，再揭示答案。

這樣以後 Quiz 甚至不一定都要由 AI 重新生成文字題，原本教材的圖本身就可以直接變成練習。

Codex 這次碰到的是真正的整合問題

Day 19 一樣是先由 ChatGPT 把產品目標、資料結構、安全限制和 acceptance cases 拆出來，再交給 Codex 做大量 repo-level implementation。

這次比較麻煩的地方是，Source Atlas 不能自己活在一個新頁面裡就算完成。

它必須同時接：

Day 6 的 Visual Evidence、Day 17 的 Learning Scene、Day 18 的 Spatial Learning World、session state、cache、semantic focus 和原本的 PDF page references。

整合完成時，Codex 的結果是：

Day 19 focused tests：30 passed

完整 regression suite：173 passed

沒有新增 dependency。

而且每次明確建立 Source Atlas 時，最多只處理少量相關頁面，目前限制在最多 3 頁，避免每次都把整份 PDF 丟給模型。建立完成後，切來源、縮放、切換圖層、選 semantic object 等操作都在本地完成，不需要每按一下就重新呼叫 OpenAI。

30 個 focused tests 過了，真人還是照樣把它玩壞

今天 live-test 的第一輪其實直接 crash。

錯誤是：

AttributeError: 'NoneType' object has no attribute 'get'

原因沒有很高深。

Source Atlas runtime 原本假設使用者已經建立 Learning Scene，所以程式會直接去讀 scene.get(...)。

但真實使用者完全有可能：

上傳 PDF
→ 分析
→ 先建立 Source Atlas
→ 還沒建立 Learning Scene

這時 scene = None 本身是合法狀態，但程式沒有處理。

所以今天又出現一次我這幾天很常遇到的情況：

tests 全過，不代表實際使用流程沒有問題。

修掉之後，Source Atlas 在沒有 Scene 的情況下也應該可以自己顯示，只是暫時沒有 bidirectional scene linking，而不是整個功能一起死亡。

之後我才重新拿拋體 PDF 做完整 live-test，最後成功看到 Spatial World 的 gravity object 回頭定位到原始教材裡真正的 Gravity g 箭頭。

對我來說，這個真人驗收比「173 passed」更重要。

目前還沒有做到我最後想要的版本

雖然 bidirectional source linking 已經真的跑通，但現在的操作方式還沒有完全到我理想中的樣子。

目前比較像：

選擇一個 semantic object
→ Source Atlas 幫我定位原教材區域

而我最後想要的是更直接：

我直接點 PDF 裡的某一支箭頭
→ Spatial World 立刻知道我點的是 velocity
→ waveform / equation / vector view 一起切到相同 focus
→ 旁邊直接出現「從這裡開始學」

例如點教材上的 φ，就直接打開相位差的互動解釋。

點 Gravity g，就直接讓我操作重力加速度，看 trajectory 怎麼改變。

點一條公式，就直接進 Formula Trace 或對應的 Interactive Lab。

現在 Day 19 已經把最底下的 grounding layer 接起來了，但這個「原教材直接變成操作介面」的 UX 還可以再往前做很多。

這部分我不想因為今天有框、有雙向定位，就假裝已經全部完成。

Day 19 做完之後，我比較知道 Source Check 應該長什麼樣了

以前我想的 Source Check 比較像引用來源。

AI 說一句話，旁邊告訴你：

Source: p.3

現在我開始覺得這還不夠。

真正有用的 Source Check 應該要讓使用者可以一直追問：

「你這個東西是哪裡來的？」

一個生成出來的 velocity vector，點下去可以回到教材裡真正的箭頭。

一個 phase parameter，可以回到原公式裡的 φ。

一個 Probability Scene 裡的 event，可以回到手寫筆記裡的那段解法。

反過來，教材裡的東西也應該能把我帶進系統裡繼續學。

所以做到 Day 19，Visual Learning Lab 的資料流開始不像以前單向的：

PDF
↓
AI
↓
Visualization

而比較像：

Original Material
        ↕
Semantic Model
        ↕
Interactive Learning World

原始教材不再只是輸入檔案。

它開始成為整個 Learning World 的來源、證據，以及之後可以被操作的入口。

這就是 Day 19 真正完成的東西。