Python

我一直以為 Claude Code 在靜默觀測我做的每件事。裝了 continuous-learning-v2 這個 skill，規則寫著「每輪對話自動抽取模式」、「任務結束時主動寫入知識庫」，加上 auto-skill 把產出綁到 Obsidian Vault——聽起來就像我敲的每一行指令都會被默默萃取成經驗。 然後我打開 Vault 的 auto-skill/experience/ 看一眼。 7 筆。 9 天 7 筆，其中 6 筆是某個下午當場叫 Claude 記的。真正「自動」產出的是 0 筆。 我愣了一下——這兩週敲出來的幾千次工具呼叫到底去了哪裡？還是根本沒被記？ 規則沒壞，但產出為零auto-skill 的規則是這樣設計的：每輪對話抽關鍵詞、判斷話題切換、符合條件才主動問使用者要不要寫入。理論上很精巧，每次任務結束都會評估一下「這次解決的問題下次還能用嗎」，可以就寫。 問題是這個評估是我執行的，而我是一個對話結束就消失的行程。每一代 session 用自己那輪的「品質標準」判斷，標準會漂移，多數日常工作我會覺得「這沒什麼特別」就跳過。結果 9 天產出 1 筆自動紀錄。...

前言作為 Python 開發者，你大概都踩過同一批坑：requirements.txt 在本機跑得好好的，換一台機器就版本衝突；conda 解析依賴跑了二十分鐘；新人入職第一天光搭環境就花掉半天。 這篇文章比較 venv、conda 和 uv 三種工具，重點放在實際使用差異，以及 uv 為什麼不只是「更快的 pip」——它其實已經是一套完整的專案管理工具鏈。 venv：Python 內建的解決方案venv 從 Python 3.3 起內建，不需要額外安裝是它最大的優點。 1234python -m venv myenvsource myenv/bin/activate # Linux / macOSmyenv\Scripts\activate # Windowspip install -r requirements.txt 適合的場景： 快速開一個臨時環境驗證想法 CI 環境裡只需要標準工具鏈 維護老專案，不想引入額外依賴 限制： pip 的依賴解析速度慢，套件數量一多就有感 不管理 Python 版本本身，需要另外用 pyenv 或系統 P...

今天我要跟各位分享一個有趣的小專案 - 使用 Python 和 FFmpeg 製作的簡易影片轉換器。這個應用程式不僅實用，還能讓我們學習到如何結合 Python 的圖形使用者介面（GUI）與強大的影片處理工具。 專案概述這個影片轉換器具有以下特點： 簡潔的圖形使用者介面 可以選擇輸入檔案和指定輸出檔案 使用 FFmpeg 進行影片轉換 顯示轉換狀態和錯誤訊息 使用的技術 Python：程式的主要語言 tkinter：Python 的標準 GUI 函式庫 ffmpeg-python：FFmpeg 的 Python 綁定，用於影片處理（安裝：pip install ffmpeg-python） 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970# 導入必要的模組import ffmpeg # 用於處理影片轉換import threading # 用於背景執行轉換，避...

Mojo 常被說成「Python 的寫法、C 等級的速度」，但這句話少講了很多條件。它最常見的兩個賣點——比 Python 快幾萬倍、完全相容 Python——前者是真的但前提很窄，後者其實是早期說法、Modular 後來自己已經修正。 先把 Mojo 是什麼講清楚，再一條一條看這些數字和說法的前提。 Mojo 是什麼Mojo 由 Chris Lattner 主導開發。他做的東西你大概天天間接在用——LLVM 是一票現代編譯器和語言共用的底層基礎設施，而 Lattner 正是 LLVM 的作者，也是 Swift 語言的設計者。他的公司 Modular 想解決的問題是：AI 和高效能運算長年卡在「Python 好寫但慢、C++ 快但難寫」的二選一，Mojo 想兩邊都要。 做法是語法走 Python 風格，讓熟悉 Python 的人快速上手；底層接 MLIR，能編譯成接近原生的機器碼，還內建型別系統和向量化支援。 「快幾萬倍」的前提先說那個最聳動的數字。Modular 官方拿來宣傳的招牌是 Mandelbrot 計算，Mojo 比 Python 快約 35000 倍。 這數字是真的，...

專案網址 深入解析:使用Python構建全面的市場風險監測工具七月全球同步發生多個利空事件，市場下殺速度快到根本來不及反應，直接被套牢。事後想想，如果有個工具能在風險累積時提早示警，也許不會這麼狼狽。於是花了幾個週末做了這個 VolatilityVigil——用 Python 同時監測多個市場的風險狀態，從波動度計算到 PCA 異常偵測，最後用 K-means 把市場分群，輸出一張能看懂的熱力圖。 1. 程式概述核心功能分五塊： 透過 yfinance 抓 Yahoo Finance 多市場歷史資料（美股、歐股、亞股、商品、外匯） 計算各市場的年化波動度 用 PCA 重建誤差做異常偵測 整合波動度與異常訊號算出風險評分 用 K-means 把市場狀態分群，並將群號整合進最終判讀輸出 用到的套件：pandas（資料處理）、sklearn（演算法）、yfinance（市場資料）、matplotlib 與 seaborn（視覺化）。 2. 核心功能詳解2.1 資料獲取先把整份程式會用到的 import 一次列齊，免得你抄到一半發現少了哪個套件： 1234567891011121...