跳到主要內容

AG Day 14 ReAct Agent：create_react_agent 實戰

AG Day 14 ReAct Agent：create_react_agent 實戰

執行需求：CPU+API key。如果暫時沒有 API key，本篇文章提供完整的離線 mock 與 dry-run 模式，不需要外部連線也能在本機完整演練 ReAct 狀態流轉、工具呼叫、訊息交接與結果審查流程。

引言

在過去幾天的探索中，我們一步一腳印地建立了 LangGraph 的完整心智模型。從 AG Day 11（原文連結）的 StateGraph 與固定邊、AG Day 12（原文連結）的 TypedDict 狀態縮減器，到 AG Day 13（原文連結）的條件邊與動態路由，我們已經完全具備了親手編排任何複雜狀態圖的能力。

然而，回顧我們在 AG Day 6（原文連結）手刻的第一個自主代理迴圈，以及 AG Day 5（原文連結）的函式呼叫機制，工程師在實務中最常建構的拓撲結構，其實是由普林斯頓大學提出的經典範式——ReAct（Reasoning + Acting，推理與行動）。在 ReAct 模式下，模型觀察當前對話歷史、推理下一步行動（思考）、發起工具呼叫（行動）、取得工具執行結果（觀察），並反覆迭代直到達成目標或給予最終解答。

如果每一次要建構 ReAct 代理，我們都得從頭手寫 StateGraph、宣告 messages 鍵值、掛載工具節點、設定 tools_condition 條件邊並手動拉回線路，樣板程式碼將不可避免地大幅增加。為了解決這個最常見的高頻場景，LangGraph 在 langgraph.prebuilt 模組中提供了開箱即用的原語——create_react_agent。在本文中，我們將深入剖析 create_react_agent 的內部運作機制，為我們的貫穿專案 research-agent 搭建具備學術文獻檢索與統計計算能力的 ReAct 研究代理，並建立完整的離線降級測試架構。

ReAct 範式演進：從文字提示詞到工具狀態機

理解 ReAct 的技術演進史，有助於我們看清現代代理架構的本質。在 2022 年 Yao 等人發表 ReAct 論文的初期，大型語言模型尚未具備原生的 Function Calling 能力。當時的做法純粹依賴「提示詞模板工程」：在系統提示詞中規定模型必須輸出特定格式的文字，例如：

# 早期 Prompt-based ReAct 格式範例
Thought: 我需要先查詢 Transformer 的參數量。
Action: Search[Transformer parameter count]
Observation: 原始 Transformer 基礎模型約包含 6500 萬個參數。
Thought: 我已經取得資訊，可以回答使用者。
Final Answer: Transformer 基礎模型約有 65M 參數。

應用程式透過正則表達式解析這段文字，攔截 Action: 關鍵字並執行 Python 函式，再將 Observation: 拼接入提示詞送回模型。這種早期文字解析方案極端脆弱，模型常常拼錯動作格式或漏掉換行，導致解析器頻繁崩潰。

到了 2024 年之後，隨著各大模型供應商將工具呼叫（Tool Calling）深度內化至權杖解碼層，ReAct 範式經歷了徹底的「狀態機革命」。現代的 ReAct 不再依賴脆弱的文字解析，而是轉化為嚴謹的訊息狀態躍遷圖（Message State Transition Graph）：

  • 推理階段（Reasoning）：模型接收包含歷史訊息的狀態，產出帶有 tool_calls 結構化屬性的 AIMessage。
  • 行動階段（Acting）：狀態機偵測到 tool_calls，自動將其路由至工具節點，並行或依序執行本機 Python 工具。
  • 觀察階段（Observation）：工具執行完畢後產出 ToolMessage，並將其追加回狀態清單中。
  • 匯流閉環：流程無條件流回模型節點，由模型綜合先前的思考與最新的觀察資料，決定是發動下一輪工具呼叫，還是產出最終結論。

拆解 create_react_agent：預建構狀態圖的解剖學

LangGraph 的 create_react_agent 絕非一個封閉的黑盒子，它本質上是一個優雅的狀態圖工廠函式（Graph Factory）。如果我們將其內部解剖，它實際上在底層自動執行了以下標準圖構建步驟：

  1. 宣告狀態架構：預設採用 MessagesState，其內部核心宣告正是 messages: Annotated[Sequence[BaseMessage], add_messages]。
  2. 建構 Agent 節點：將使用者傳入的工具清單透過 model.bind_tools(tools) 綁定至語言模型，並定義一個名為 "agent" 的節點函式，負責呼叫模型並回傳 {"messages": [response]}。
  3. 建構 Tools 節點：使用 ToolNode(tools) 建立一個名為 "tools" 的節點函式，負責解析 AIMessage.tool_calls、動態調度對應的 Python 函式並產出 ToolMessage。
  4. 佈置拓撲邊界：
    • 固定邊：workflow.add_edge(START, "agent")。
    • 條件邊：workflow.add_conditional_edges("agent", tools_condition)。若最後一則訊息包含 tool_calls 則分岔至 "tools"，否則流向 END。
    • 閉環邊：workflow.add_edge("tools", "agent")，將工具觀察結果送回模型進行下一輪思考。
  5. 編譯應用程式：最後呼叫 workflow.compile(checkpointer=...) 並回傳編譯後的圖執行個體。

換言之，create_react_agent 是站在標準 StateGraph 之上的一層極薄、極度符合人體工學的高階語法糖。它產出的物件本質上就是一個 CompiledGraph，完全繼承了 LangGraph 的串流輸出、檢查點記憶與狀態檢查能力。

完整實作：為 research-agent 打造多工具 ReAct 研究代理

現在，我們進入具體工程實作。我們將在 research-agent 專案中，定義兩組專業的研究工具：學術文獻檢索工具 search_academic_database 以及統計指標計算工具 calculate_statistical_metrics，並利用 create_react_agent 打造一個能自主調查並計算數據的智慧代理。

第一步，在 src/research_agent/tools.py 中實作研究工具。請注意，我們使用 @tool 裝飾器，並撰寫詳盡的型別標註與說明字串（Docstrings），因為這份說明字串將直接成為模型理解工具用途的最高準則：

"""src/research_agent/tools.py：定義研究助理核心工具庫。"""
import statistics
from typing import List
from langchain_core.tools import tool


@tool
def search_academic_database(query: str, max_results: int = 3) -> str:
    """檢索學術論文庫與技術白皮書，回傳相關研究的關鍵發現與實測數據。"""
    print(f"  [工具執行: search_academic_database] 查詢語句: '{query}'")
    # 模擬學術資料庫檢索結果

    mock_db = {
        "Transformer": [
            "論文 A：Transformer-XL 在長文本注意力延遲降低了 35.5%",
            "論文 B：FlashAttention-3 在 Hopper 架構上實現了 750 TFLOPs 吞吐",
            "論文 C：Multi-Head Latent Attention 節省了 62.0% 的 KV 快取記憶體",
        ],
        "LangGraph": [
            "白皮書 1：LangGraph 狀態機在多輪對話中的狀態一致性達 99.9%",
            "白皮書 2：SQLite Checkpointer 的單步持久化耗時平均為 4.2 毫秒",
        ],
    }

    results = []
    for key, entries in mock_db.items():
        if key.lower() in query.lower():
            results.extend(entries[:max_results])

    if not results:
        return f"在資料庫中未找到關於 '{query}' 的精確紀錄，建議放寬檢索詞。"

    return "\n".join(results)


@tool
def calculate_statistical_metrics(numbers: List[float]) -> str:
    """計算給定浮點數清單的平均值（Mean）與母體標準差（Standard Deviation）。"""
    print(f"  [工具執行: calculate_statistical_metrics] 輸入數列: {numbers}")
    if not numbers:
        return "錯誤：傳入數列為空，無法計算統計指標。"

    mean_val = statistics.mean(numbers)
    stdev_val = statistics.pstdev(numbers) if len(numbers) > 1 else 0.0

    return (
        f"樣本總數: {len(numbers)}, "
        f"平均值: {mean_val:.2f}, "
        f"母體標準差: {stdev_val:.2f}"
    )

第二步，在 src/research_agent/agents/react.py 中建構代理組裝函式。我們實作雙軌機制：支援讀者配置 OPENAI_API_KEY 進行即時推論，同時提供無金鑰時的 dry_run 模擬代理，確保離線環境下依然能完整驗證：

"""src/research_agent/agents/react.py：ReAct 代理組裝與離線降級。"""
import os
from typing import List, Any
from langchain_core.messages import AIMessage, ToolMessage, HumanMessage
from langgraph.prebuilt import create_react_agent
from src.research_agent.tools import search_academic_database, calculate_statistical_metrics


class MockChatModel:
    """在缺乏 API Key 時模擬模型自主發起 tool_calls 與最終回答的行為。"""
    def __init__(self):
        self._call_count = 0

    def bind_tools(self, tools: List[Any]):
        return self

    def invoke(self, messages: List[Any], **kwargs):
        self._call_count += 1
        # 第一輪推理：決定呼叫搜尋工具

        if self._call_count == 1:
            return AIMessage(
                content="我需要先檢索 Transformer 的最新效能指標。",
                tool_calls=[{
                    "name": "search_academic_database",
                    "args": {"query": "Transformer", "max_results": 2},
                    "id": "call_search_01",
                    "type": "tool_call",
                }],
            )
        # 第二輪推理：分析搜尋結果，決定呼叫數值計算工具

        elif self._call_count == 2:
            return AIMessage(
                content="我已經檢索到相關數據（35.5 與 62.0），現在計算這兩筆數據的統計指標。",
                tool_calls=[{
                    "name": "calculate_statistical_metrics",
                    "args": {"numbers": [35.5, 62.0]},
                    "id": "call_calc_02",
                    "type": "tool_call",
                }],
            )
        # 第三輪推理：產出最終結論

        else:
            return AIMessage(
                content="【研究結論】針對 Transformer 效能指標，長文本延遲降低 35.5%、KV 快取節省 62.0%，平均改善幅度達 48.75%（標準差 13.25）。"
            )


def get_research_react_agent(dry_run: bool = False):
    """組裝 ReAct 代理應用程式，支援環境變數切換與離線模擬。"""
    tools = [search_academic_database, calculate_statistical_metrics]
    api_key = os.getenv("OPENAI_API_KEY")
    model_name = os.getenv("RESEARCH_AGENT_MODEL", "gpt-4o-mini")

    if dry_run or not api_key:
        print("[提示] 啟用 ReAct 離線 Mock 模式，使用模擬模型排程。")
        llm = MockChatModel()
    else:
        from langchain_openai import ChatOpenAI
        llm = ChatOpenAI(model=model_name, temperature=0.0)

    system_prompt = (
        "你是一位嚴謹的高階研究助理。"
        "面對使用者的技術查詢，請先呼叫檢索工具收集客觀證據；"
        "若涉及數值分析，必須使用統計計算工具進行精確驗證，切勿自行捏造計算結果。"
    )

    agent_app = create_react_agent(
        model=llm,
        tools=tools,
        prompt=system_prompt,
    )
    return agent_app

第三步，實作執行腳本，透過 stream() 單步觀察 ReAct 代理在「模型思考 -> 工具執行 -> 模型再思考」之間的狀態躍遷：

"""執行 ReAct 代理並即時觀測多輪思考與工具呼叫過程。"""
from langchain_core.messages import HumanMessage
from src.research_agent.agents.react import get_research_react_agent

agent = get_research_react_agent(dry_run=True)

query = "請幫我調查 Transformer 的相關最佳化數據，並計算其平均改善指標。"
initial_messages = {"messages": [HumanMessage(content=query)]}

print(f"=== 使用者提問: {query} ===\n")

# 透過 stream 觀察每一步狀態更新

step_index = 0
for event in agent.stream(initial_messages, stream_mode="updates"):
    step_index += 1
    for node_name, node_update in event.items():
        print(f"\n>>> [步驟 {step_index}] 節點名稱: {node_name}")
        for msg in node_update.get("messages", []):
            if hasattr(msg, "tool_calls") and msg.tool_calls:
                for tc in msg.tool_calls:
                    print(f"    [發起工具呼叫] {tc['name']}(參數: {tc['args']})")
            elif isinstance(msg, ToolMessage):
                print(f"    [工具回傳結果] {msg.content}")
            else:
                print(f"    [助理終端回答] {msg.content}")

# 輸出（範例輸出）：

# === 使用者提問: 請幫我調查 Transformer 的相關最佳化數據，並計算其平均改善指標。 ===

#

# >>> [步驟 1] 節點名稱: agent

#     [發起工具呼叫] search_academic_database(參數: {'query': 'Transformer', 'max_results': 2})

#   [工具執行: search_academic_database] 查詢語句: 'Transformer'

#

# >>> [步驟 2] 節點名稱: tools

#     [工具回傳結果] 論文 A：Transformer-XL 在長文本注意力延遲降低了 35.5%

# 論文 B：FlashAttention-3 在 Hopper 架構上實現了 750 TFLOPs 吞吐

#

# >>> [步驟 3] 節點名稱: agent

#     [發起工具呼叫] calculate_statistical_metrics(參數: {'numbers': [35.5, 62.0]})

#   [工具執行: calculate_statistical_metrics] 輸入數列: [35.5, 62.0]

#

# >>> [步驟 4] 節點名稱: tools

#     [工具回傳結果] 樣本總數: 2, 平均值: 48.75, 母體標準差: 13.25

#

# >>> [步驟 5] 節點名稱: agent

#     [助理終端回答] 【研究結論】針對 Transformer 效能指標，長文本延遲降低 35.5%、KV 快取節省 62.0%，平均改善幅度達 48.75%（標準差 13.25）。

第四步，展示直接使用 invoke() 取得最終對話歷史串列，並檢查整個對話紀錄的完整性：

"""使用 invoke 執行完整生命週期並印出最終狀態。"""
final_res = agent.invoke({"messages": [HumanMessage(content="請分析 Transformer 效能數據。")]})

print("\n=== 最終狀態訊息歷史總結 ===")
print(f"對話歷史中共有 {len(final_res['messages'])} 則訊息：")
for idx, m in enumerate(final_res["messages"], 1):
    role = m.__class__.__name__
    preview = m.content[:45].replace("\n", " ")
    print(f"  [{idx}] {role}: {preview}...")

# 輸出（範例輸出）：

# === 最終狀態訊息歷史總結 ===

# 對話歷史中共有 6 則訊息：

#   [1] HumanMessage: 請分析 Transformer 效能數據。...

#   [2] AIMessage: 我需要先檢索 Transformer 的最新效能指標。...

#   [3] ToolMessage: 論文 A：Transformer-XL 在長文本注意力延遲降低了 35.5%...

#   [4] AIMessage: 我已經檢索到相關數據（35.5 與 62.0），現在計算這兩筆數據的統計指標。...

#   [5] ToolMessage: 樣本總數: 2, 平均值: 48.75, 母體標準差: 13.25...

#   [6] AIMessage: 【研究結論】針對 Transformer 效能指標，長文本延遲降低 35.5%、KV 快取節省 62.0%，平均改善幅度達 48.75%（標準差 13.25）。...

第五步，我們為本篇實作的工具函式撰寫正式的單元測試 tests/test_react_tools.py，驗證學術檢索過濾邏輯與統計計算邊界條件：

"""tests/test_react_tools.py：針對自訂工具的嚴格單元測試。"""
import pytest
from src.research_agent.tools import search_academic_database, calculate_statistical_metrics


def test_search_academic_database_hit():
    """測試資料庫關鍵字命中與結果筆數限制。"""
    res = search_academic_database.invoke({"query": "Transformer", "max_results": 2})
    assert "Transformer-XL" in res
    assert "FlashAttention-3" in res
    # 驗證筆數不超過 2 行

    assert len(res.strip().split("\n")) == 2


def test_search_academic_database_miss():
    """測試資料庫未命中時的優雅回退提示。"""
    res = search_academic_database.invoke({"query": "QuantumComputing2099"})
    assert "未找到關於" in res
    assert "建議放寬檢索詞" in res


def test_calculate_statistical_metrics_calculation():
    """測試數值清單的平均值與標準差計算。"""
    res = calculate_statistical_metrics.invoke({"numbers": [10.0, 20.0, 30.0]})
    assert "平均值: 20.00" in res
    assert "母體標準差: 8.16" in res


def test_calculate_statistical_metrics_empty():
    """測試空數列的錯誤防禦處理。"""
    res = calculate_statistical_metrics.invoke({"numbers": []})
    assert "錯誤：傳入數列為空" in res

第六步，我們為 ReAct 代理的圖狀態流轉編寫自動化測試 tests/test_react_agent.py，確認代理在離線 Mock 模式下能如期經歷完整的 5 步狀態躍遷：

"""tests/test_react_agent.py：驗證 ReAct 代理的端到端狀態流轉。"""
import pytest
from langchain_core.messages import HumanMessage
from src.research_agent.agents.react import get_research_react_agent


def test_mock_react_agent_full_flow():
    """測試離線 Mock 模式下的多輪工具調度與收斂。"""
    agent = get_research_react_agent(dry_run=True)
    res = agent.invoke({"messages": [HumanMessage(content="進行深度測試")]})

    messages = res["messages"]
    # 期望訊息鏈：Human -> AI(tool) -> Tool -> AI(tool) -> Tool -> AI(final)

    assert len(messages) == 6
    assert messages[0].content == "進行深度測試"
    assert len(messages[1].tool_calls) == 1
    assert messages[1].tool_calls[0]["name"] == "search_academic_database"
    assert len(messages[3].tool_calls) == 1
    assert messages[3].tool_calls[0]["name"] == "calculate_statistical_metrics"
    assert "【研究結論】" in messages[5].content

讀者可以在命令列中執行測試套件以確認所有單元測試皆順利通過：

# 執行 ReAct 工具與代理流程單元測試
uv run pytest tests/test_react_tools.py tests/test_react_agent.py -v

常見錯誤與踩雷

在實務中使用 create_react_agent 時，有幾個極易引發執行期例外的踩雷點：

  1. 工具函式缺少型別標註或 Docstring：語言模型依據工具的 JSON Schema 來決定何時呼叫、以及該傳入什麼引數。如果使用 @tool 時未給函式參數加上型別標註（例如寫成 def search(q)），或者省略了函式上方的說明字串，LangChain 將無法生成合法的 JSON Schema，或者生成的欄位說明為空，導致模型在推論時完全不知道該工具的功用而拒絕呼叫。
  2. 將工具回傳值誤設為非字串型別：工具函式的回傳值最終會被封裝為 ToolMessage(content=...) 送回給模型閱讀。因此，工具函式應該始終回傳字串（str）或可序列化的 JSON 字串。若直接回傳複雜的自訂 Python 物件或二進位緩衝區，在序列化時會拋出例外，或者被粗暴地轉為難以閱讀的記憶體位址表示法（如 <CustomObject at 0x7f...>）。
  3. 誤以為 create_react_agent 回傳的是字串：呼叫 agent.invoke(...) 回傳的不是一段文字，而是一個完整的狀態字典 {"messages": [...]}。初學者常直接寫下 print(agent.invoke("問題"))，導致印出長篇的字典與訊息物件結構。正確提取最終答案的方法是讀取 res["messages"][-1].content。
  4. 工具執行拋出未攔截的例外導致圖崩潰：如果在工具內部發生網路斷線、除以零或鍵值不存在等例外，而沒有進行 try-except 捕捉，這個例外會直接穿透工具節點並導致整個 LangGraph 圖執行中斷。在生產環境中，我們需要更專業的工具錯誤攔截與回饋機制，這正是下一篇將深入展開的重點。

效能與實務提醒

ReAct 代理雖然靈活強大，但在生產部署時必須隨時警惕其資源消耗特徵：

第一點是工具宣告帶來的提示詞權杖負擔（Tool Schema Overhead）。每當你向 create_react_agent 傳入一個工具，該工具的名稱、說明字串與所有參數的 JSON Schema 就會被完整注入到系統提示詞中。如果你一口氣掛載了 20 個工具，每一次呼叫模型的「基本輸入權杖」可能就高達數千權杖。此外，在 ReAct 的多輪對話中，每一次工具回傳的 ToolMessage 都會持續保留在 messages 清單中，導致輸入權杖隨著輪數直線暴增。因此，工具箱應維持精簡專一，避免過度膨脹。

第二點是控制思考發散與死迴圈熔斷。有些時候模型在取得工具回傳後，會因為搜尋結果不理想而不斷換關鍵字重試，演變成無休止的探索。除了 LangGraph 內建的 recursion_limit 之外，在系統提示詞中明確規範「若連續兩次未檢索到滿意資料，請向使用者誠實說明並停止搜尋」，能顯著提高代理的收斂速度並節省 API 費用。

第三點是溫度參數（Temperature）的設定。在驅動 ReAct 工具代理時，強烈建議將模型的 temperature 設定為 0.0。這能最大程度地抑制幻覺，保證工具呼叫引數的精確性與嚴格遵循格式，避免因隨機採樣導致引數名稱或型別出錯。

小結

今天我們深入實戰了 LangGraph 最具代表性的高階原語——create_react_agent。我們回顧了 ReAct 範式從脆弱的純文字模板演進至現代訊息狀態機的歷程，徹底拆解了預建構代理在狀態定義、模型綁定、條件路由與工具節點上的底層拓撲。

我們在 research-agent 專案中實作了專業的學術檢索與統計計算工具，建立了支援 --dry-run 模擬降級的雙軌執行架構，展示了串流步階追蹤與最終訊息鏈審查，並透過多組自動化測試鞏固了工具與代理的可靠度。透過 create_react_agent，我們用極其精煉的程式碼，擁有了具備工業級確定性的自主研究助理核心。

結語

雖然 create_react_agent 幫我們省去了大量手動建圖的繁瑣細節，但現實環境往往充滿了各種突發意外：外部檢索 API 可能遭遇逾時、網路瞬斷、或是模型傳入了非法型別的引數導致工具拋出未預期的崩潰異常。如果工具直接拋出例外，整套代理流程就會立即中斷死亡。

在生產系統中，工具節點必須具備強大的自我防禦與容錯自癒能力：當工具失敗時，它不該崩潰，而是應該將錯誤訊息包裝為合法的觀察結果回傳給模型，讓模型依據錯誤原因自主嘗試修復或調整策略。明天，我們會進入「AG Day 15 ToolNode：工具節點與錯誤處理」，深入拆解 ToolNode 的底層機制與 handle_tool_errors 容錯策略，為我們的研究助理鍛造一副刀槍不入的容錯裝甲。

延伸資源

  • LangGraph create_react_agent 官方指南：https://langchain-ai.github.io/langgraph/how-tos/create-react-agent/。掌握預建構代理的進階參數配置。
  • ReAct: Synergizing Reasoning and Acting in Language Models（ICLR 2023）：https://arxiv.org/abs/2210.03629。經典論文原文研讀。
  • LangChain Tool 裝飾器與自訂工具規格：https://python.langchain.com/docs/concepts/tools/。深入了解如何宣告結構化工具。
  • OpenAI Function Calling 與 Tool Use 官方指南：https://platform.openai.com/docs/guides/function-calling。理解模型端解碼工具呼叫的底層通訊協定。
標籤：

留言

張貼留言

這個網誌中的熱門文章

Day 2 變數與資料型別

Day 2 變數與資料型別 引言 寫程式的過程中，變數與資料型別是處理資料的基礎。變數是存放資料的容器，資料型別則決定這筆資料有哪些特性、可以進行哪些操作。學會定義變數、認識各種資料型別，是學好 Python 的關鍵一步。 這篇文章會帶你了解 Python 中變數的觀念、如何定義變數，以及常見的資料型別，包括整數、浮點數、字串、布林值，還有串列、元組、字典與集合等容器型別。我們也會介紹變數的命名規則與撰寫風格建議，以及如何用 type() 檢查資料型別。 什麼是變數？如何在 Python 中定義變數 變數是在程式執行時用來存放資料的名稱。透過定義變數，我們可以給一筆資料一個名字，並在程式的其他地方用這個名字取用該筆資料。在 Python 中，變數不需要事先宣告型別，因為 Python 是動態型別語言，變數的型別由指定給它的值決定。 定義變數的基本語法 在 Python 中定義變數非常簡單，只要用賦值符號 = 把值指定給變數即可。例如： x = 5 # 定義變數 x，並把整數 5 賦值給它 name = "Alice" # 定義變數 name，並把字串 "Alice" 賦值給它 在這裡，x 是一個變數，被賦予整數 5；name 是另一個變數，被賦予字串 "Alice"。 變數的更新與覆寫 變數的值可以修改，也就是說，我們可以在程式的不同地方給同一個變數新的值。例如： x = 10 # x 最初被賦予 10 x = 15 # x 的值現在被更新為 15 這樣就能依照需求，在程式執行過程中靈活調整變數的值。 Python 的動態型別系統 Python 和某些靜態型別語言不同，定義變數時不需要宣告型別。賦值時，Python 會根據值自動判斷變數的型別。例如： x = 5 # x 是整數 x = 3.14 # x 變成浮點數 x = "Hi" # x 變成字串 同一個變數在程式執行過程中可以存放不同型別的值，這是 Python 的彈性之一。 常見資料型別 在 Python 中，資料型別決定我們可以對變數進行哪些操作...
張貼留言
閱讀完整內容

Day 1 Python 簡介與環境設定

Day 1 Python 簡介與環境設定 引言 在現在的科技環境裡，程式設計已經是一項重要技能。無論你是對資料科學有興趣、想成為開發者，或是想踏入人工智慧（AI）領域，學會寫程式都能明顯提升你的競爭力。在眾多程式語言中，Python 因為語法簡單、功能強大、應用範圍廣泛，成為許多人進入程式世界的第一選擇。這篇文章會帶你認識 Python 的背景與優勢，並一步步教你在不同系統上安裝與設定 Python 開發環境，最後寫出第一支 Python 程式。 為什麼選擇 Python？ Python 是一種高階程式語言，由 Guido van Rossum 在 1991 年發布。Python 的設計哲學強調程式碼的可讀性，並用縮排來定義程式區塊，這點和許多使用大括號的語言不同。簡潔的語法讓它成為初學者的理想選擇；就算是經驗豐富的開發者，也能用它完成複雜的專案。 Python 的優勢如下： 簡單易學 ：Python 的語法清楚、結構簡潔，初學者很快就能上手。和其他語言相比，學習曲線相對平緩，不需要先弄懂一堆複雜觀念，就能開始寫程式。 應用範圍廣泛 ：從資料科學、網頁開發、人工智慧、機器學習、自動化測試到網路爬蟲，Python 都有大量開源函式庫與工具支援，而且在這些領域都扮演關鍵角色。 豐富的函式庫與框架 ：Python 的函式庫生態系非常龐大。做資料分析有 NumPy、Pandas；開發網站有 Django、Flask；做深度學習有 TensorFlow、PyTorch。各種需求幾乎都能找到對應的套件，讓開發更有效率。 跨平台支援 ：Python 支援 Windows、macOS、Linux 等作業系統，程式通常不需要太多修改就能跨平台執行，讓開發與部署更有彈性。 活躍的社群 ：Python 擁有龐大的開發者社群。學習或開發上遇到問題，幾乎都能在社群與論壇（例如 Stack Overflow）找到答案，對初學者來說是很強的後盾，也能減少卡關時的挫折感。 Python 的應用領域 Python 的流行與強大功能，讓許多領域都開始大量使用它。以下是幾個常見的應用方向： 資料科學 ：隨著大數據與人工智慧興起，資料科學大量使用 Python。NumPy、Pandas 與 Matplotlib 等工具能處理和分析龐...
張貼留言
閱讀完整內容

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門 隨著人工智慧（AI）與深度學習（Deep Learning）快速發展，越來越多人對這些技術產生興趣。不論你是想踏入 AI 領域的初學者，還是已經有程式基礎的開發者，學好 Python 與深度學習框架（例如 PyTorch），都能為你打開更多可能。 為什麼選擇 Python？ Python 已經是資料科學與人工智慧領域的首選語言。它的語法簡潔、容易上手，而且擁有龐大的生態系與大量開源函式庫。無論是資料處理、資料視覺化，還是建立機器學習與深度學習模型，Python 都能勝任。對想進入 AI 或資料科學領域的人來說，它幾乎是必備工具。 PyTorch 是什麼？ PyTorch 是由 Meta（原 Facebook）AI 研究團隊開發的開源深度學習框架，以易用、靈活和動態計算圖著稱，是許多 AI 研究人員與開發者的首選。相較於其他框架，PyTorch 的寫法更貼近原生 Python，對初學者相對友善。無論是簡單的實驗，還是複雜的深度學習模型，PyTorch 都能提供強大的支援。 這個系列能帶給你什麼？ 這個系列會從 Python 的基礎開始，帶你一步一步學習，最後能自己用 PyTorch 建立深度學習模型。即使你完全沒有寫過程式，也能跟著文章的節奏累積技能，理解 AI 與深度學習的核心觀念。 本系列涵蓋的主題 Python 基礎：從變數、條件判斷到函式與模組。 資料處理工具：用 NumPy 與 Pandas 有效率地操作資料。 資料視覺化：用 Matplotlib 與 Seaborn 把資料畫成圖表。 深度學習的數學基礎：線性代數、微積分與機率。 PyTorch 入門：理解張量、模型建構與 GPU 加速。 基礎深度學習模型：CNN 與 RNN 的實作應用。 深度學習專案實戰：從資料前處理到模型部署的端到端流程。 誰適合這個系列？ 程式初學者 ：如果你對 AI 充滿好奇，卻還沒寫過程式，系列的第一部分會帶你快速上手 Python，並幫助你理解深度學習的基本觀念。 資料科學愛好者 ：如果你已經熟悉一些資料處理方法，進階部分會教你如何用 PyTorch 建構深度學習模型。 開發者與研究人員 ：想更深入了...
張貼留言
閱讀完整內容