教學文章裡的程式碼要寫到什麼程度：步驟標籤、追蹤、Parsons 題與跑不跑得起來
替程式例題標上「這一步要達成什麼」，在一門入門課的準實驗裡，有標籤的班剛學完的小考較好，之後的考試沒有顯著差別；現場寫程式、用 Parsons 題代替寫程式，都沒有測到學習上的差別。GitHub 上的公開 notebook 照存下來的順序重跑，跑完沒有錯誤的約四分之一；程式跑不起來對讀者學習的影響，沒有研究量過。
#python
45 篇文章ML／LLM 系統設計與 Coding 面試：四題架構、三題 Python 與 STAR 骨架
面試常被問到的四題系統設計（企業 RAG、推論服務、客服 Agent、線上 A/B 與資料飛輪）、三題 Python（動態批次、取樣、退避重試加 token bucket）與 STAR 行為骨架，每題附可講出口的回答與核對清單，程式碼都實際執行通過。
跨週整理（二）：十二個專案各用到哪一段講課｜Harvard CS50 AI 主題單元
把十二個專案放在一起看：每個專案要寫哪些函式、用到哪一節講課、規格頁給了什麼可以對答案的例子；哪些專案用的是同一種做法（列舉、搜尋、馬可夫鏈、從資料學）、哪些專案要用的東西講課沒有教。附三個算到底的例子與五題自我檢查。官方沒有標難度與時數，本文也不給。
Knowledge——命題邏輯、模型檢查、推理規則與知識表示｜Harvard CS50 AI 第 1 週
第 1 週講怎麼讓程式依已知事實推出新事實：用命題符號與五個連結詞把知識寫成句子；model checking 列舉全部 2 的 n 次方種真假組合來判斷知識庫是否蘊涵某個查詢；推論規則與 resolution 改成直接操作句子，先轉成 CNF，再用反證法推出空子句；一階邏輯用常數、述詞與量詞減少符號數量。附逐段時間連結，以及 Knights、Minesweeper 兩個專案的解題思路、易錯處與檢查方式（參考實作摺疊）。
Uncertainty——機率、貝氏網路、馬可夫模型與遺傳推斷｜Harvard CS50 AI 第 2 週
第 2 週講機率：條件機率與貝氏法則把證據換算成機率；貝氏網路用箭頭把聯合機率拆成每個節點的條件機率表，列舉推論算得精確但慢，拒絕取樣與概似加權用樣本近似；馬可夫鏈用轉移模型描述隨時間變化的狀態，隱藏式馬可夫模型再加上感測模型，從觀察反推看不到的狀態。附逐段時間連結，以及 Heredity、PageRank 兩個專案的解題思路與檢查方式。
Optimization——局部搜尋、模擬退火、約束滿足問題與填字遊戲｜Harvard CS50 AI 第 3 週
第 3 週講最佳化的三種寫法：局部搜尋只記一個 state，hill climbing 往更好的鄰居走、會卡在局部極值，模擬退火用 e^(ΔE/T) 的機率接受變差的一步；線性規劃把問題寫成線性成本函數加線性限制，交給現成的求解器；約束滿足問題用 node consistency、arc consistency（AC-3）縮小 domain，再用回溯搜尋配合 MRV、degree、least-constraining value 三個 heuristic 找解。附逐段時間連結，以及 Crossword 專案的解題思路、虛擬碼、易錯處與檢查方式（參考實作摺疊在最後）。
Learning——監督式學習、k-NN、SVM、強化學習 Q-learning 與 Nim｜Harvard CS50 AI 第 4 週
第 4 週講機器學習的三種形式。監督式學習從有標籤的資料學出 hypothesis function：分類可以看最近的 k 個鄰居，或用一組權重畫出決策邊界（perceptron learning rule、logistic regression、support vector machine），再用損失函數、regularization 與 cross-validation 對付 overfitting。強化學習用 Q-learning 依 reward 更新每個 state 與 action 的估計值，ε-greedy 留一點機率隨機探索。非監督式學習以 k-means 分群。附逐段時間連結，以及 Shopping、Nim 兩個專案的解題思路與檢查方式。
Neural Networks——反向傳播、TensorFlow/Keras、CNN 與交通號誌辨識｜Harvard CS50 AI 第 5 週
第 5 週講神經網路：一個 unit 把輸入乘上權重、加 bias、再過 activation function；梯度下降一小步一小步調權重，隱藏層靠 backpropagation 把誤差往回分；影像先做卷積與 pooling 再接一般網路，就是 CNN；序列資料用 RNN 把輸出餵回自己。附逐段時間連結，以及 Traffic 專案的解題思路、易錯處與檢查方式。
Language——N-gram、Parser、Attention 與 Transformer｜Harvard CS50 AI 第 6 週
第 6 週講電腦怎麼處理自然語言：先用 context-free grammar 手寫規則剖析句子，再改用統計，從 n-gram、Markov chain 生成文字到用 Naive Bayes 判斷評論的正負；接著用 word2vec 把詞變成向量，用 RNN 的 encoder–decoder 處理整個序列，最後是 attention 與 Transformer。附逐段時間連結，以及 Parser、Attention 兩個專案的解題思路、容易出錯的地方與檢查方式。
課程回顧與後續路線：七週教了什麼、沒教什麼、接著讀哪裡｜Harvard CS50 AI 主題單元
系列最後一篇：用一張表回顧七週各教了什麼、做了哪些專案；課程在 2023 年把第 6 週換成講到 attention 與 Transformer 的新版，其餘六週仍是 2020 年的錄影；講課沒有教怎麼使用今天的語言模型。後半依你想往哪裡走，連到站上九門後續課程的總覽。附三題回顧自我檢查。
Looplane 架構地圖：一次 coding-agent 任務如何穿過 workspace、runtime、tools 與 events
Looplane 把 coding-agent 任務拆成可追蹤的邊界：native runtime 的副作用經過 Looplane tools、permission 與 sandbox；external runtime 保留自己的 loop 與工具，再把 patch 交回 Looplane 稽核。這篇是規劃中 20 篇系列的入口地圖。
Looplane 的 provider-neutral native loop：一次 model turn 如何走到驗證終態
Looplane 的 native lane 由 AgentRunner 掌握狀態轉移：準備 workspace、送出 model request、執行 tool calls、寫回 observations，模型沒有再呼叫工具時才進入 verification。step、wall time、重複動作、token 與取消條件都能先於模型宣告終止 run；provider adapter 的協定翻譯留給下一篇。
Looplane 的工具隔離：path allowlist、argv 嚴格化、process group 與 credential-free subprocess
這篇只拆 Looplane 的 tool executor 如何把一次呼叫安全落地：`SafePathPolicy` 限制 path 並阻擋 symlink escape，`VerificationCommand` 固定 argv 且使用 `shell=False`，subprocess 只拿清理過的 env，寫入走 read-version hash 與 atomic replace，timeout 會終止整個 process group。權限決策、OS sandbox 與 tool program 各留給後續專篇。
開學前先做這 4 題，卡哪題就先補哪裡｜Harvard CS181 作業 0
HW0 用四題檢查 CS181 的先修：矩陣 y=Xw 的可解條件、目標函數的微分與優化、機率推理，以及用 Python 實作 OLS。做不順的地方就是開學後要優先補的缺口。
冰芯溫度迴歸 — kNN、核迴歸、基底函數與正則化四題導讀｜Harvard CS181 作業 1
HW1 用 80 萬年冰芯溫度資料串起四題：kNN 與核迴歸、最小平方法的幾何證明、基底函數迴歸、以及從機率觀點推出 ridge／LASSO 正則化，最後用 coordinate descent 實作 LASSO。
Search——從 DFS、BFS、A* 到 Minimax 與 Alpha-Beta 剪枝｜Harvard CS50 AI 第 0 週
第 0 週講搜尋：DFS 與 BFS 只差在 frontier 用 stack 還是 queue；A* 把已走步數加上啟發式估計，啟發式不高估時能保證最短路；Minimax 讓雙方輪流取最大與最小值，Alpha-Beta 剪掉不會影響結果的分支。附逐段時間連結，以及 Degrees、Tic-Tac-Toe 兩個專案的解題思路、易錯處與檢查方式；參考實作摺疊在各專案最後。
人工智慧入門：七週從搜尋、邏輯、機率走到神經網路與語言｜Harvard CS50 AI 課程總覽
CS50 AI 用七週、十二個 Python 專案走過人工智慧的入門內容：搜尋、邏輯推論、機率、最佳化、機器學習、神經網路與語言。前四週的方法靠人把問題寫清楚，後三週讓電腦從資料裡學。講課、筆記、專案與自動評分都對校外免費開放。這篇是本系列的入口：七週各教什麼機制、一個可以跟著算的例子、先備檢查與閱讀路線。
為什麼 Python：寫 coding agent 的語言選擇代價與補償
五個成熟 coding agent 沒有一家用 Python——pi/opencode/claude-code 用 TypeScript，codex 從 TS 重寫成 Rust，omp 把熱路徑補上 8 萬行 Rust native crate。looplane 仍選 Python，代價是啟動效能與打包，補償手段是 lazy import、uv 和 Cloudflare Sandbox。
台股研究 Agent 實戰系列（篇 2）：LangGraph 並行架構——五個分析師同時開工
五個 analyst 在同一個 superstep 並行 fan-out，延遲是 max 不是 sum；回測與 reflection 擋在 synthesis 前面，讓 LLM 只能解釋已存在的證據。
AG2：以對話、GroupChat 與 speaker selection 組織多 Agent 協作
AG2 延續 AutoGen 的 ConversableAgent 心智模型：agent 透過訊息協作，GroupChatManager 再用 round-robin、manual、random 或 LLM 決定下一位發言者。
Python coding agent 實戰 M11：為什麼 exec 迴圈做不出 Claude Code 的對話體驗
要做出 Claude Code 或 Codex 的 TUI，關鍵不是滿版配色，而是長生命期 session、typed transcript 與 tool-boundary approval。
DSPy：用 Signature、Metric 與 Optimizer 編譯 AI 程式
DSPy 不把 prompt 當手寫字串，而以 Signature 宣告任務、Module 決定執行策略，再用資料集與 metric 讓 Optimizer 編譯出較好的提示與示例。
Haystack 深入介紹：用 Component 與 Pipeline 組出可測試的 RAG
Haystack 把 indexing、retrieval、generation 與 evaluation 都做成可替換的 Component，再用 directed multigraph Pipeline 串接；適合要把 RAG 流程當成程式資產測試、版本化與部署的 Python 團隊。
LangChain v1 Agents：create_agent、middleware 與 LangGraph runtime
LangChain v1 用 create_agent 提供高階 agent loop，底層由 LangGraph 執行；工具、structured output 與 middleware 是正式擴充邊界。
Pydantic AI：用型別、Dependency Injection 與驗證建立 Python Agent
Pydantic AI 把 Agent 寫成 Agent[Deps, Output]：依賴、工具輸入與最終輸出都有型別，模型結果必須通過 Pydantic 驗證。
先用數學與 Python 找出機器學習地基缺口｜CMU 10-301 作業 1
HW1 是 written＋programming 作業：用機率、微積分、線代與 CS 題組檢查地基，再實作 majority-vote classifier。
Django：ORM、Admin、Auth 與長期演進的 Python Web Framework
Django 的價值是把資料模型、migration、auth、admin、forms 與安全預設組成一致系統；代價是要理解 QuerySet、middleware、async 邊界與 production settings。
Scrapy 深入介紹：從 Engine 到 Pipeline 的自架爬蟲架構
Scrapy 把抓取流程拆成 Engine、Scheduler、Downloader、Spider、Item Pipeline 與 Middleware；適合大量、規則明確的 HTTP 頁面，也能自行控制排程、節流、重試與資料落地。
Selenium 深入介紹：從 WebDriver session 到 Grid 的瀏覽器自動化
Selenium 透過標準化 WebDriver session 操作真實瀏覽器，適合跨瀏覽器流程、既有測試資產與遠端 Grid；它能執行 JavaScript 頁面，卻不保證繞過 CAPTCHA 或其他反自動化機制。
Apify 完整介紹：Actor、Task、排程與資料集怎麼組成爬取平台
Apify 不是單一 crawler，而是把爬取程式包成 Actor，再用 Task 固定設定、Schedule 觸發執行、Dataset 交付結果的平台。適合不想自己維護佇列、排程與執行環境的團隊，但 Actor 費用、運算、proxy、儲存與傳輸會共同消耗預付額度。
Browser Use 完整介紹：讓 AI Agent 操作瀏覽器的任務迴圈
Browser Use 把瀏覽器狀態、模型決策與 click／type／extract 等動作組成可重複迴圈；開放原始碼版本適合自訂工具與執行策略，Cloud 則代管瀏覽器、profile、proxy 與並行工作。
CrewAI：用角色扮演組織多 Agent 協作的框架
CrewAI（GitHub 57.4k star，MIT，PyPI 週下載 1,164 萬）用角色（role）、目標（goal）、背景故事（backstory）定義 agent，再把一組 agent 編成 crew 來協作。跟 LangGraph 的圖優先和 MAF 的工作流優先不同，CrewAI 是團隊優先——你不畫節點和邊，你描述一個團隊裡每個人負責什麼。2024 年底完成 LangChain 依賴的全面移除，現在是獨立框架。商業端分開源套件與 AMP 託管平台，AMP 加的是視覺化建構、部署、追蹤與合規。
Firecrawl 完整介紹：Scrape、Crawl、Map 與結構化抽取怎麼選
Firecrawl 把單頁抓取、網站探索、整站爬取與 JSON 抽取包成同一套 API；雲端版省下瀏覽器、proxy 與 worker 維運，自架版則換得基礎設施控制，但預設能力不等同雲端。
LlamaIndex：它已經不是 RAG 框架了，而你可能還在照舊教學選它
LlamaIndex（GitHub 51,775 star，MIT，2026-08-21 實查）的重心已經從索引搬到 Workflows：獨立套件 llama-index-workflows 的 PyPI 週下載 281 萬，比傘狀套件 llama-index 的 197 萬還高。這篇拆核心抽象、跟自己刻 pipeline 的取捨，並實測它在繁中語料上的預設值——同樣的 chunk_size=1024，英文裝得下 4,645 字元，繁中只有 1,332。另附一個選型前必看的事實：TypeScript 版已封存停更。
Scrapling 完整介紹：從 adaptive selector 到並行 Spider
Scrapling 把 HTTP、Playwright 瀏覽器、CSS/XPath 抽取與 Spider 放進同一套 Python API；adaptive selector 會保存元素特徵，版面改動後再用相似度重新定位，但仍需要驗證輸出。
Temporal：把流程寫成程式碼，崩了也能接著走完
Temporal 是 durable execution 平台（Server 1.31.2、Python SDK temporalio 1.31.0，MIT，2026-08 實查）。它跟 BullMQ / Celery 那種任務佇列的差別不是規模，是保證的東西不同：佇列保證訊息被消費，Temporal 保證一段橫跨多次外部呼叫的流程走完。代價是工作流程碼必須決定性——而 LLM 呼叫天生非決定性，這篇講這個張力怎麼解、什麼時候不划算。
Coding 面試攻略：ML-flavored 程式題的準備策略
AI Engineer 的 coding 面試和 SWE 不完全一樣——除了 LeetCode medium，還會出 ML-flavored 的題（實作 tokenizer、寫 batch inference pipeline、處理稀疏矩陣）。準備策略：LeetCode medium 練到 70% 通過率就夠，剩下的時間花在 numpy/pandas 操作、資料處理 pipeline、以及 ML 相關的程式題。
確定性抽取層：不用任何模型，先解決八成的 PDF
數位原生 PDF 的文字是讀得到的，缺的只是結構。PyMuPDF、pdfplumber、pypdf、Tika 這一層用啟發式規則就能還原段落與表格，零 GPU、零推論成本。最大的選型陷阱不是準確度，是 PyMuPDF 的 AGPL-3.0 授權。
LLM agent 的 tool description 決定它怎麼選 tool：三個踩坑修法
把 tool description 從軟建議改成硬規則（白名單 + 後果說明），LLM 亂選 tool 的問題消失了；另外加 skip_signal=True 修掉 vector store 雙重 indexing。
MarkItDown：把任何檔案餵給 LLM 之前，先讓它變成 Markdown
Microsoft 開源的輕量工具，把 PDF、Office、圖片、音訊等格式統一轉成 Markdown，專門為 LLM pipeline 設計。
notebooklm-py：用 Python 操控 Google NotebookLM 的非官方 API
notebooklm-py 透過逆向工程 Google 的 batchexecute RPC 協議，讓你用 Python / CLI / AI Agent 程式化操作 NotebookLM，包含音訊、影片、投影片、測驗等生成功能。
Celery：Python 生態裡分散式任務佇列的標準解法
Celery 是 Python 最主流的分散式任務佇列，用 Redis 或 RabbitMQ 當 broker，讓耗時工作跑在背景。島島的 AI 服務用它處理 LLM 回饋生成等非同步任務。
FastAPI：Python AI 服務的標準答案
FastAPI 是基於 Python type hint 的現代 Web framework，自動生成 OpenAPI 文件、原生 async 支援、效能接近 Node.js。AI/ML 服務的首選，也是 Python 後端裡最值得學的框架。
把爬蟲腳本做成 MCP Server，讓 Claude 直接用
用 FastMCP 把本地 Python 腳本包成 MCP Server，讓 Claude Code 可以直接呼叫，不再需要手動跑 pipeline。
MCP Tool 回傳 1M 字元：search_local_jobs 的 token 爆炸問題
MCP tool 回傳 description 欄位導致 1033 筆職缺超過 token 上限，改成預設不回傳 description 並加上分頁就解決了。