Lab隨記

English version → Duetkifu: A Kifu for Research, Recording Every Move You and Your AI Agent Make 跟 AI agent 一起做研究，一天可以試十幾件事。但是到了寫論文的時候，留下來的只有「成功的那一條」，失敗的嘗試、後來更正的數字，全都散在聊天紀錄裡。 Duetkifu （我叫它「研究棋譜」）就是為了這件事做的開源工具（MIT）：保存你和 AI agent 一起做研究的每一步（move）， 包含走不通的死路 ，並且記下 每個數字是從哪裡來的 。支援 Claude Code、Codex、Gemini CLI、Cursor，或任何能編輯 JSON 檔的 AI agent。 GitHub： https://github.com/Ashur5457/duetkifu  |  教學： docs/tutorial.md  |  給 LLM 的摘要： llms.txt 為什麼要記死路？ 論文只呈現走通的那條路。其他的過程，像是失敗的嘗試、後來被更正的數字、太晚才注意到的線索，最後都留在聊天紀錄、投影片和記憶裡，然後就不見了。AI agent 試得越快，這些看不見的部分就累積得越快，靠手寫根本追不上。 Duetkifu 做了什麼 每次嘗試是一個「move」。 記錄它接在哪一步之後、為什麼做、結果如何；如果是死路，還要寫為什麼走不通。 死路也是研究結果。 失敗的 move 一定要有理由和原因類型：想法本身錯了、資料不可信（這條路其實沒被真正檢驗過）、分析方法有問題，或是成本太高。下一個人（或下一個 agent）才分得出「真的走不通」和「根本沒測過」。 每個數字都有出處。 由記錄在案的腳本從原始檔重新計算，或取自有 SHA-256 指紋的指定檔案，或標示「無資料」並說明原因。對不上的地方會列出來，不會被悄悄改掉。 agent 負責寫，你負責決定。 agent 開啟、關閉 move 並起草文字；頁面會標示「agent 寫的、你還沒看過的」內容。move 的結論、確認的原因、審閱標記永遠由你決定。 全部在一個 HTML 頁面裡。 研究紀錄（ kifu.json ）畫成可在瀏覽器中閱讀、編輯的樹狀圖；同時內含 Duetsh...

中文版 → Duetsheet：給研究者與 AI Agent 協作的互動式研究報告  AI agents are becoming useful for data analysis and scientific reporting, but one problem remains: Humans still have a poor interface for telling AI exactly what is wrong. Instead of describing “the points in the upper-left of Figure 2” in a chat window, I built Duetsheet . Duetsheet is an open-source interactive HTML report where humans and AI agents work on the same document. Researchers can: edit text and charts directly click or lasso data points and leave comments track human and AI revisions trace figures back to datasets, scripts, and raw data Chart annotations can store the actual data range and point IDs, not just screen coordinates, so an AI agent can understand exactly which measurements the researcher is referring to. Reports are stored as plain JSON with a published JSON Schema and AGENTS.md , making Duetsheet compatible with file-capable agents such as Claude Code, Codex, Gemini CLI, and Cursor. The main use case is simple:...

English version → Duetsheet: An Interactive Research Report for Human–AI Collaboration 近年我常使用 AI agent 協助資料分析、繪圖與研究報告整理，但實際使用後，我一直遇到一個問題： AI 很會產生報告，但人類很難精確告訴它「哪裡錯了」。 例如一張圖裡某幾個資料點有問題，在聊天視窗裡只能說「左上角那幾個點不太對」，但 AI 並不知道你實際指的是哪些資料。 因此我做了 Duetsheet 。 Duetsheet 是一個開源的 interactive HTML report，讓研究者和 AI agent 直接在同一份報告上工作。 研究者可以： 直接修改文字與圖表 點選或圈選資料點並留下註解 查看 human / AI 每一次修改 追蹤 figure、dataset、script 與 raw data 的來源關係 對圖表的 annotation 不只保存畫面座標，也可以保存實際的 data range 與 data point IDs，因此 AI 能更準確理解研究者指出的問題。 Duetsheet 的 report 使用 plain JSON，並提供 JSON Schema 與 AGENTS.md ，因此不綁定特定模型，可與 Claude Code、Codex、Gemini CLI、Cursor 等 agent 搭配。 它最適合的情境是： AI 先產生 data-heavy report，再由 domain expert 逐張圖、逐項資料檢查與修正。 這個專案最初就是從我的 scientific research workflow 出發，目前仍持續在實際研究工作中測試與改進。 GitHub： https://github.com/Ashur5457/duetsheet

最近 Anthropic 推出了一個限時活動，Pro 用戶可以免費領 $20 的 Extra Usage（超量使用額度），截止日是 4 月 17 日 。趁這個機會，整理一下 Claude Pro 的 token 消耗概況，讓有需要的人參考。 1. Pro 方案的基本額度架構 Claude Pro 並不是單純按 token 數計費，而是採用「 五小時 session 重置制 」： 每個五小時視窗有固定配額，用完就鎖住，等重置 另外還有 每週用量上限 （seven-day cap），就算每個 session 都用滿，週上限也會擋住 社群實測每個 session 大約有 44,000 tokens 的容量，換算大概是 10～40 則訊息，視對話複雜度而定 而 Extra Usage（超量用量）是在配額用完之後，按 API 費率 計費的付費補充機制，費率如下： 模型 Input（per 百萬 tokens） Output（per 百萬 tokens） Sonnet 4.6（主力） $3 $15 Opus 4.6（最強） $5 $25 Haiku 4.5（輕量） $1 $5 以一般對話 input:output ≈ 3:1 的比例估算， $20 大約可換 3～5 百萬 tokens 。 2. 各功能 Token 消耗估算 以下數據來自實際使用 Cowork（桌面協作功能）和 Gmail 連接器的經驗整理，供參考。 2-1. 一般對話（輕量） 每次消耗：2,000 ～ 8,000 tokens 最基本的問答，消耗最低。拿來解釋概念、腦力激盪都沒問題，一個 session 配額可以撐很久。 2-2. Gmail 連接器 / 撈信件資料（中量） 操作 消耗估算 搜尋幾封信（只看標題 / 摘要） 5,000 ～ 15,000 tokens 讀取完整郵件內容（每封） +3,000 ～ 10,000 tokens 大量搜尋 + 多輪整理（如稅務信整理） 50,000 ～ 120,000 tokens 注意事項： Gmail、Google Calendar 這類 MCP 連接器，每次呼叫都會把完整的工具定義（schema）注入 context，光是「開啟連接器」這個動...

 Abstract Rechargeable nickel-ion batteries (RNiBs) have attracted significant attention because of their high volumetric density, low cost, environmental friendliness, and easy recyclability. In this study, a rechargeable nickel-iodine battery using a rational design of a deep eutectic solvent (DES) electrolyte based on a conversion reaction mechanism is first demonstrated. The rechargeable Ni-I2 battery with the DES electrolyte delivered a specific capacity of 201 mAh g−1 with a coulombic efficiency of 82.5% over 65 cycles at a current density of 0.3 A g−1. The energy storage mechanism can be attributed to I+/I− redox chemistry, which has been validated by ex situ Raman, X-ray photoelectron spectroscopy (XPS) and X-ray absorption spectroscopy (XAS). The study provides an avenue for exploring rechargeable nickel-ion batteries with DES electrolytes based on the conversion reaction mechanism.   https://doi.org/10.1002/smll.202412549

 隨著深度學習模型的發展，越來越多的開發者透過 GitHub 與 Hugging Face 分享模型權重，以便其他人可以下載並加以應用。但不同的深度學習框架有各自的儲存格式與資料夾結構，因此了解這些規範能幫助我們更快速找到所需的模型。 1. 常見的深度學習權重檔案格式 不同的深度學習框架使用不同的檔案格式來儲存模型的權重，以下是最常見的副檔名： 副檔名 用途 對應框架 .bin PyTorch 模型權重 (Hugging Face) PyTorch .pth  /  .pt PyTorch 權重 (state_dict 或完整模型 ) PyTorch .safetensors 更安全的 PyTorch 權重存儲格式 PyTorch, Hugging Face .pb TensorFlow Frozen Graph TensorFlow .ckpt TensorFlow 或 PyTorch 的 Checkpoint TensorFlow, PyTorch .h5 Keras/TensorFlow 權重 TensorFlow, Keras .tflite TensorFlow Lite 模型 TensorFlow Lite .msgpack Chainer 權重存儲格式 Chainer .npz JAX 或 NumPy 存儲格式 JAX, NumPy .onnx ONNX 格式，方便跨框架使用 ONNX 當下載 Hugging Face 或 GitHu...