你可能忽略的 Python 功能：Ellipsis (...)
即使寫了 Python 如此多年，我仍未發覺 ... （你沒看錯，三個點）在 Python 也是一個 object，而且它有些不為人知的妙用，可以提昇程式碼的簡潔性或可讀性，如果
Posted on Apr 9, 2025 in Python 程式設計 - 初階 by Amo Chen ‐ 3 min read
文章
從開發者角度理解 Model Context Protocol (MCP)
Model Context Protocol（簡稱 MCP） 是一項由 Anthropic 於 2024 年 11 月 25 日開源的協定。
MCP 旨在提升 AI 助手（assistants）與各種系統的整合能力，使其能夠存取外部資料、商業工具、開發環境等，從而提供更精確且具相關性的回應。
目前，許多 AI 工具與 IDE 已開始支援 MCP，並與符合 MCP 規格的工具進行整合，讓 AI 助手能夠更貼近實際應用情境並執行各類任務。例如，Cursor、Cline、OpenManus 等工具皆可透過 MCP 進行擴充，使 AI 助手變得更加強大。
未來隨著 AI 技術的發展，MCP 勢必將在 AI 應用開發領域佔據一席之地。
因此本文將深入淺出地介紹 MCP 的核心概念，幫助大家理解 MCP 的運作方式，並能透過 Python 簡單打造專屬的 MCP 工具。
Last updated on Apr 1, 2025 by Amo Chen ‐ 12 min read
白話文解說 Levenshtein Distance（萊文斯坦距離）
不知道你是否曾好奇，像 Google 或 Bing 這類搜尋引擎，是如何辨識你輸入的錯別字？例如，當你輸入 “seperate”（錯誤拼字）時，搜尋引擎能夠自動修正為正確的 “separate”，並以正確拼字進行搜尋和呈現結果。
本文將介紹一種演算法 — Levenshtein Distance（或稱萊文斯坦距離）！透過這個演算法，我們可以了解搜尋引擎如何尋找相似的單字，而且這個演算法也被知名的 Elasticsearch 所使用，相當值得認識！
接下來，本文將從編輯距離(edit distance)的概念出發，逐步帶你深入了解 Levenshtein Distance。
繼承擴充 Dockerfile 的另一種方法 — Dockerfile+
在軟體開發實務中，經常需要為不同環境撰寫不同的 Dockerfile，例如，本地開發環境通常需要啟用自動偵測程式碼變動並自動重新載入的功能 (通常稱為 reload 功能)，而生產環境則不需要這類自動重新載入的機制。
有些人可能會使用 multi-stage build 的方式，從共用的 base image 繼承並擴充。不過，本文將介紹另一種方法，使用 Dockerfile+做到 Dockerfile 的繼承與擴充。
Last updated on Nov 15, 2024 by Amo Chen ‐ 3 min read
後端工程師面試考什麼 — 從 SSO (Single Sign-On) 到 SAML 2.0
談到登入認證時，SSO 和 OAuth 等技術名詞經常出現，這些名詞不僅可能在面試中聊到，它們也常是日常工作的一部分。
本文將從 SSO (Single Sign-On) 開始，深入探討 SAML (Security Assertion Markup Language) 如何實現 SSO，並最後釐清 SSO 與 OAuth 之間的差異。
Last updated on Nov 2, 2024 in 後端面試準備 by Amo Chen ‐ 7 min read
如何在 Google Colab 上執行 Ollama
最近在研究 AutoGen 時有個奇想—「要是可以在 Google Colab 裝 Ollama 的話，不知道有多方便？」
想不到一查還真的有辦法可以在 Google Colab 執行 Ollama。
本文將分享如何在 Google Colab 上執行 Ollama 的詳細步驟。
Posted on Sep 25, 2024 by Amo Chen ‐ 2 min read
使用 AutoGen 打造多 AI 工作流 — Sequential Chat 與 Nested Chat
使用 AutoGen 打造多 AI 工作流 — Two-Agent Chat 與 Group Chat 一文中介紹 two-agent chat 與 group chat 兩種對話模式，本文將接續介紹剩下 2 種對話模式：
- Sequential Chats
- Nested Chats
理解 AutoGen 的各種對話模式，將有助於處理較複雜的 workflow。
最後，在 Nested Chats 的程式碼範例中，我們將介紹如何使用 AutoGen 執行 Python 程式碼，並取得其執行結果與 agent 進行互動。
使用 AutoGen 打造多 AI 工作流 — Two-Agent Chat 與 Group Chat
大家應該或多或少聽說過 ChatDev, Devika 等 AI 專案， 這些 AI 專案的特點在於多個 AI 角色協同完成工作，能夠完成多樣化的任務，例如制定軟體規格、撰寫程式碼以及測試軟體等不同層面的任務。
如果單純只有使用 ChatGPT 的經驗，應該很難想像 AI 是如何處理如此複雜的功能，但如果將這些任務像人類分工一樣，交由專門的 AI 或模型負責的話，這一切就變得合理與易於理解。
本文將介紹如何使用 AutoGen 打造多 AI 協同合作的工作流，讓大家能夠更加發揮 AI 的力量，打造更複雜的 AI 工作流程，解放 AI 在輔助日常工作的更多可能性。