GPX Animator GPU Edition 是我做的一個 Windows 原生路線動畫工具。它把 GPX 路線畫在地圖上，讓鏡頭跟著路線移動，最後輸出成可以播放的 MP4。

它把路線統計、地圖動畫、GPU 繪圖與 MP4 編碼放在同一個工具裡，適合把一份騎乘紀錄整理成可以播放的路線影片。

載入一份 GPX 路線

以 0706路線.gpx 為例，程式載入後會顯示：

• 路線長度：61.27 km
• 爬升：794 m
• GPS 點：4,161 個
• 程式移除停留點：254 個

地圖畫面也真的把路線畫出來，左上角可以看到目前的公里數與海拔，右上角則有整段路線的海拔變化。

實際載入 0706路線.gpx 後的原生 Windows 介面。這張圖同時保留了路線統計、地圖預覽、HUD 與海拔圖設定。

從載入到輸出

整個操作很直接：

1. 開啟 GPX Animator GPU Edition。
2. 載入 0706路線.gpx。
3. 確認地圖上有路線，並檢查距離、爬升與 GPS 點數。
4. 選好輸出設定，按下「輸出 MP4」。

可以保留衛星地圖，讓攝影機跟著路線走，也可以開啟 HUD 和海拔圖。最後的影片不只是地圖上有一條線，還能看出目前走到哪裡、爬升變化如何。

輸出設定

這組輸出設定是：

• 畫面比例：16:9
• 解析度：1080p，也就是 1920×1080
• 影格率：30 FPS
• 編碼：H.265 / HEVC
• 影片秒數欄位：20 秒
• 品質：高畫質

GPU 負責把地圖動畫畫出來，HEVC 負責把畫面壓成 MP4；30 FPS 則讓播放看起來比較順。

GPX Animator GPU Edition 是我做的一個 Windows 原生路線動畫工具。它把 GPX 路線畫在地圖上，讓鏡頭跟著路線移動，最後輸出成可以播放的 MP4。

它把路線統計、地圖動畫、GPU 繪圖與 MP4 編碼放在同一個工具裡，適合把一份騎乘紀錄整理成可以播放的路線影片。

載入一份 GPX 路線

以 0706路線.gpx 為例，程式載入後會顯示：

• 路線長度：61.27 km
• 爬升：794 m
• GPS 點：4,161 個
• 程式移除停留點：254 個

地圖畫面也真的把路線畫出來，左上角可以看到目前的公里數與海拔，右上角則有整段路線的海拔變化。

實際載入 0706路線.gpx 後的原生 Windows 介面。這張圖同時保留了路線統計、地圖預覽、HUD 與海拔圖設定。

從載入到輸出

整個操作很直接：

1. 開啟 GPX Animator GPU Edition。
2. 載入 0706路線.gpx。
3. 確認地圖上有路線，並檢查距離、爬升與 GPS 點數。
4. 選好輸出設定，按下「輸出 MP4」。

可以保留衛星地圖，讓攝影機跟著路線走，也可以開啟 HUD 和海拔圖。最後的影片不只是地圖上有一條線，還能看出目前走到哪裡、爬升變化如何。

輸出設定

這組輸出設定是：

• 畫面比例：16:9
• 解析度：1080p，也就是 1920×1080
• 影格率：30 FPS
• 編碼：H.265 / HEVC
• 影片秒數欄位：20 秒
• 品質：高畫質

GPU 負責把地圖動畫畫出來，HEVC 負責把畫面壓成 MP4；30 FPS 則讓播放看起來比較順。

GPX Animator GPU Edition 是我做的一個 Windows 原生路線動畫工具。它把 GPX 路線畫在地圖上，讓鏡頭跟著路線移動，最後輸出成可以播放的 MP4。

它把路線統計、地圖動畫、GPU 繪圖與 MP4 編碼放在同一個工具裡，適合把一份騎乘紀錄整理成可以播放的路線影片。

載入一份 GPX 路線

以 0706路線.gpx 為例，程式載入後會顯示：

• 路線長度：61.27 km
• 爬升：794 m
• GPS 點：4,161 個
• 程式移除停留點：254 個

地圖畫面也真的把路線畫出來，左上角可以看到目前的公里數與海拔，右上角則有整段路線的海拔變化。

實際載入 0706路線.gpx 後的原生 Windows 介面。這張圖同時保留了路線統計、地圖預覽、HUD 與海拔圖設定。

從載入到輸出

整個操作很直接：

1. 開啟 GPX Animator GPU Edition。
2. 載入 0706路線.gpx。
3. 確認地圖上有路線，並檢查距離、爬升與 GPS 點數。
4. 選好輸出設定，按下「輸出 MP4」。

可以保留衛星地圖，讓攝影機跟著路線走，也可以開啟 HUD 和海拔圖。最後的影片不只是地圖上有一條線，還能看出目前走到哪裡、爬升變化如何。

輸出設定

這組輸出設定是：

• 畫面比例：16:9
• 解析度：1080p，也就是 1920×1080
• 影格率：30 FPS
• 編碼：H.265 / HEVC
• 影片秒數欄位：20 秒
• 品質：高畫質

GPU 負責把地圖動畫畫出來，HEVC 負責把畫面壓成 MP4；30 FPS 則讓播放看起來比較順。

GPX Animator GPU Edition 是我做的一個 Windows 原生路線動畫工具。它把 GPX 路線畫在地圖上，讓鏡頭跟著路線移動，最後輸出成可以播放的 MP4。

它把路線統計、地圖動畫、GPU 繪圖與 MP4 編碼放在同一個工具裡，適合把一份騎乘紀錄整理成可以播放的路線影片。

載入一份 GPX 路線

以 0706路線.gpx 為例，程式載入後會顯示：

• 路線長度：61.27 km
• 爬升：794 m
• GPS 點：4,161 個
• 程式移除停留點：254 個

地圖畫面也真的把路線畫出來，左上角可以看到目前的公里數與海拔，右上角則有整段路線的海拔變化。

實際載入 0706路線.gpx 後的原生 Windows 介面。這張圖同時保留了路線統計、地圖預覽、HUD 與海拔圖設定。

從載入到輸出

整個操作很直接：

1. 開啟 GPX Animator GPU Edition。
2. 載入 0706路線.gpx。
3. 確認地圖上有路線，並檢查距離、爬升與 GPS 點數。
4. 選好輸出設定，按下「輸出 MP4」。

可以保留衛星地圖，讓攝影機跟著路線走，也可以開啟 HUD 和海拔圖。最後的影片不只是地圖上有一條線，還能看出目前走到哪裡、爬升變化如何。

輸出設定

這組輸出設定是：

• 畫面比例：16:9
• 解析度：1080p，也就是 1920×1080
• 影格率：30 FPS
• 編碼：H.265 / HEVC
• 影片秒數欄位：20 秒
• 品質：高畫質

GPU 負責把地圖動畫畫出來，HEVC 負責把畫面壓成 MP4；30 FPS 則讓播放看起來比較順。

這個專案的目標很簡單：把交通影片放進去，讓程式找出人、車和斑馬線，再把可能的「不禮讓行人」畫在輸出影片上。它不是只看單張圖片，而是把一段影片連續看完，才能判斷車輛和行人之間發生了什麼。

影片進入系統後，YOLOv8 會在每一格畫面裡找出行人、車輛、機車和斑馬線；這個步驟就是物件辨識，結果會以框線標在畫面上。接著 DeepSORT 會替這些物件保留 ID，讓程式知道前後畫面中的「車輛 3」是同一台車，而不是每格都重新計算。OpenCV 負責讀取與寫回影片，PyQt5 則把選檔案、預覽、旋轉校正和進度顯示整合成桌面介面。

使用流程

操作流程是四步：

選影片 → 選模型 → 選「車輛不禮讓行人偵測」→ 輸出標記後影片

選好偵測模式後，系統會先用 YOLOv8 找出畫面裡的人、車和斑馬線，再用 DeepSORT 把同一個物件在不同畫面中的位置串起來。這樣程式才有辦法從一張一張的畫面，累積成「這台車有沒有在行人通過時停下來」這種事件，而不是只根據某一格畫面猜測。

使用者介面

載入影片後，PyQt5 做成的主畫面會顯示影片路徑、預覽畫面、模型選單，以及「車輛不禮讓行人偵測」按鈕；下方還有單部影片和全部影片的處理進度。使用者不需要另外操作命令列，就能在同一個視窗完成設定。

載入 zebra7.mp4 後的主畫面：影片、模型和偵測模式都可以在同一個介面中設定。

開始處理後，預覽畫面會顯示目前的影片狀態，進度列也會跟著更新。

執行中的介面會同時顯示目前影片和整批影片的處理進度。

旋轉校正

如果原始影片是歪的，可以先在校正頁調整角度，再進入後面的偵測。程式會用 OpenCV 將畫面旋轉後再交給後續流程，讓斑馬線、道路方向和物件位置更容易被規則判斷；這不是改變影片內容，而是先把視角整理成比較好辨識的方向。

旋轉校正前，畫面中的道路方向還沒有對齊。

旋轉校正後，影像方向已經調整成比較適合繼續偵測的角度。

實際輸出結果

原始畫面和輸出結果可以清楚對照：輸出影片會加上偵測框、物件 ID，以及「Fail to yield to pedestrians」提示。偵測框代表系統在畫面中找到的物件，ID 則用來追蹤它在連續畫面中的移動。

原始畫面：還沒有加入偵測標記。

輸出結果：畫面中標出行人、車輛、斑馬線，以及「Fail to yield to pedestrians」事件。這個提示不是 YOLOv8 直接猜出來的，而是程式把辨識和追蹤結果放在一起，再根據斑馬線區域、行人位置、車輛方向與移動軌跡做判斷。

不同時間與道路場景都會留下相同格式的標記結果。白天的畫面可以看到斑馬線和車輛標記，夜間畫面則保留了車燈、道路與偵測框。

日間道路場景的實際標記結果。

夜間道路場景的實際標記結果。

輸出影片中的畫面也會保留物件 ID、偵測框和事件提示。因為 DeepSORT 會延續物件的 ID，使用者可以從連續畫面看出同一台車如何接近斑馬線，以及事件提示是在什麼情況下出現。下面是兩個不同道路場景的畫面：

日間影片畫面；可看到跨畫面的物件 ID 與不禮讓提示。

這是我在國立東華大學資訊工程學系「深度學習基石與實務」課程的第二個作業。作業表面上是在 CelebA 上訓練 GAN、生成一批人臉，實際上卻把三件事綁在一起：生成影像、建立可追蹤的 synthetic dataset，以及訓練一個能分辨真假的模型。

我一開始把問題想得很直覺：生成器越逼真，成果就越好。真正跑過幾輪模型之後，才發現事情沒有這麼單純。生成器越接近真實資料，判別器越難找到可以泛化的線索；判別器若只記住資料前處理或某一個 checkpoint 的風格，漂亮的 accuracy 也沒有太大意義。這篇筆記保留模型失敗、中間 epoch、loss 曲線與評估圖，記錄我如何在清晰度、多樣性、穩定性和運算成本之間做取捨。

Purpose：這份作業在問什麼

這份作業的目標不是只交出一張「看起來像人臉」的圖片，而是一條可以被檢查、被重跑的影像生成與分類流程：

1. 在 CelebA 上訓練 LadaGAN，產生有多樣性的 64×64 人臉。
2. 保留不同 epoch 的 checkpoint，從每個 checkpoint 生成固定數量的圖片，建立足夠大的 synthetic dataset。
3. 把真實圖片和生成圖片混合，訓練多個分類 backbone，找出比較能辨識兩種影像分布的判別器。
4. 使用最後的 EfficientNetV2-B1 對測試資料做真偽判斷，輸出 test.csv。

所以我想回答的問題不是「能不能生成一張好看的臉」，而是：

當生成器已經做得很逼真時，判別器到底還能不能學到穩定、可泛化的差異？

作業流程：從生成到判別

HackMD 報告把整個工作拆成三個階段。第一階段訓練 LadaGAN；第二階段從生成 checkpoint 建立判別器資料；第三階段用教師提供的 1,000 張測試圖片產生最後的分類結果。

三個階段的實際數字

第一階段以 64×64、像素值正規化到 [-1, 1] 的 CelebA 人臉訓練 LadaGAN。訓練曲線記錄到第 36 個 epoch；生成資料的腳本則以第 1 到第 30 個 checkpoint、每個 checkpoint 5,000 張圖片為主要設定：

這個專案的目標很簡單：把交通影片放進去，讓程式找出人、車和斑馬線，再把可能的「不禮讓行人」畫在輸出影片上。它不是只看單張圖片，而是把一段影片連續看完，才能判斷車輛和行人之間發生了什麼。

影片進入系統後，YOLOv8 會在每一格畫面裡找出行人、車輛、機車和斑馬線；這個步驟就是物件辨識，結果會以框線標在畫面上。接著 DeepSORT 會替這些物件保留 ID，讓程式知道前後畫面中的「車輛 3」是同一台車，而不是每格都重新計算。OpenCV 負責讀取與寫回影片，PyQt5 則把選檔案、預覽、旋轉校正和進度顯示整合成桌面介面。

使用流程

操作流程是四步：

選影片 → 選模型 → 選「車輛不禮讓行人偵測」→ 輸出標記後影片

選好偵測模式後，系統會先用 YOLOv8 找出畫面裡的人、車和斑馬線，再用 DeepSORT 把同一個物件在不同畫面中的位置串起來。這樣程式才有辦法從一張一張的畫面，累積成「這台車有沒有在行人通過時停下來」這種事件，而不是只根據某一格畫面猜測。

使用者介面

載入影片後，PyQt5 做成的主畫面會顯示影片路徑、預覽畫面、模型選單，以及「車輛不禮讓行人偵測」按鈕；下方還有單部影片和全部影片的處理進度。使用者不需要另外操作命令列，就能在同一個視窗完成設定。

載入 zebra7.mp4 後的主畫面：影片、模型和偵測模式都可以在同一個介面中設定。

開始處理後，預覽畫面會顯示目前的影片狀態，進度列也會跟著更新。

執行中的介面會同時顯示目前影片和整批影片的處理進度。

旋轉校正

如果原始影片是歪的，可以先在校正頁調整角度，再進入後面的偵測。程式會用 OpenCV 將畫面旋轉後再交給後續流程，讓斑馬線、道路方向和物件位置更容易被規則判斷；這不是改變影片內容，而是先把視角整理成比較好辨識的方向。

旋轉校正前，畫面中的道路方向還沒有對齊。

旋轉校正後，影像方向已經調整成比較適合繼續偵測的角度。

實際輸出結果

原始畫面和輸出結果可以清楚對照：輸出影片會加上偵測框、物件 ID，以及「Fail to yield to pedestrians」提示。偵測框代表系統在畫面中找到的物件，ID 則用來追蹤它在連續畫面中的移動。

原始畫面：還沒有加入偵測標記。

輸出結果：畫面中標出行人、車輛、斑馬線，以及「Fail to yield to pedestrians」事件。這個提示不是 YOLOv8 直接猜出來的，而是程式把辨識和追蹤結果放在一起，再根據斑馬線區域、行人位置、車輛方向與移動軌跡做判斷。

不同時間與道路場景都會留下相同格式的標記結果。白天的畫面可以看到斑馬線和車輛標記，夜間畫面則保留了車燈、道路與偵測框。

日間道路場景的實際標記結果。

夜間道路場景的實際標記結果。

輸出影片中的畫面也會保留物件 ID、偵測框和事件提示。因為 DeepSORT 會延續物件的 ID，使用者可以從連續畫面看出同一台車如何接近斑馬線，以及事件提示是在什麼情況下出現。下面是兩個不同道路場景的畫面：

日間影片畫面；可看到跨畫面的物件 ID 與不禮讓提示。

這個專案的目標很簡單：把交通影片放進去，讓程式找出人、車和斑馬線，再把可能的「不禮讓行人」畫在輸出影片上。它不是只看單張圖片，而是把一段影片連續看完，才能判斷車輛和行人之間發生了什麼。

影片進入系統後，YOLOv8 會在每一格畫面裡找出行人、車輛、機車和斑馬線；這個步驟就是物件辨識，結果會以框線標在畫面上。接著 DeepSORT 會替這些物件保留 ID，讓程式知道前後畫面中的「車輛 3」是同一台車，而不是每格都重新計算。OpenCV 負責讀取與寫回影片，PyQt5 則把選檔案、預覽、旋轉校正和進度顯示整合成桌面介面。

使用流程

操作流程是四步：

選影片 → 選模型 → 選「車輛不禮讓行人偵測」→ 輸出標記後影片

選好偵測模式後，系統會先用 YOLOv8 找出畫面裡的人、車和斑馬線，再用 DeepSORT 把同一個物件在不同畫面中的位置串起來。這樣程式才有辦法從一張一張的畫面，累積成「這台車有沒有在行人通過時停下來」這種事件，而不是只根據某一格畫面猜測。

使用者介面

載入影片後，PyQt5 做成的主畫面會顯示影片路徑、預覽畫面、模型選單，以及「車輛不禮讓行人偵測」按鈕；下方還有單部影片和全部影片的處理進度。使用者不需要另外操作命令列，就能在同一個視窗完成設定。

載入 zebra7.mp4 後的主畫面：影片、模型和偵測模式都可以在同一個介面中設定。

開始處理後，預覽畫面會顯示目前的影片狀態，進度列也會跟著更新。

執行中的介面會同時顯示目前影片和整批影片的處理進度。

旋轉校正

如果原始影片是歪的，可以先在校正頁調整角度，再進入後面的偵測。程式會用 OpenCV 將畫面旋轉後再交給後續流程，讓斑馬線、道路方向和物件位置更容易被規則判斷；這不是改變影片內容，而是先把視角整理成比較好辨識的方向。

旋轉校正前，畫面中的道路方向還沒有對齊。

旋轉校正後，影像方向已經調整成比較適合繼續偵測的角度。

實際輸出結果

原始畫面和輸出結果可以清楚對照：輸出影片會加上偵測框、物件 ID，以及「Fail to yield to pedestrians」提示。偵測框代表系統在畫面中找到的物件，ID 則用來追蹤它在連續畫面中的移動。

原始畫面：還沒有加入偵測標記。

輸出結果：畫面中標出行人、車輛、斑馬線，以及「Fail to yield to pedestrians」事件。這個提示不是 YOLOv8 直接猜出來的，而是程式把辨識和追蹤結果放在一起，再根據斑馬線區域、行人位置、車輛方向與移動軌跡做判斷。

不同時間與道路場景都會留下相同格式的標記結果。白天的畫面可以看到斑馬線和車輛標記，夜間畫面則保留了車燈、道路與偵測框。

日間道路場景的實際標記結果。

夜間道路場景的實際標記結果。

輸出影片中的畫面也會保留物件 ID、偵測框和事件提示。因為 DeepSORT 會延續物件的 ID，使用者可以從連續畫面看出同一台車如何接近斑馬線，以及事件提示是在什麼情況下出現。下面是兩個不同道路場景的畫面：

日間影片畫面；可看到跨畫面的物件 ID 與不禮讓提示。

這個專案的目標很簡單：把交通影片放進去，讓程式找出人、車和斑馬線，再把可能的「不禮讓行人」畫在輸出影片上。它不是只看單張圖片，而是把一段影片連續看完，才能判斷車輛和行人之間發生了什麼。

影片進入系統後，YOLOv8 會在每一格畫面裡找出行人、車輛、機車和斑馬線；這個步驟就是物件辨識，結果會以框線標在畫面上。接著 DeepSORT 會替這些物件保留 ID，讓程式知道前後畫面中的「車輛 3」是同一台車，而不是每格都重新計算。OpenCV 負責讀取與寫回影片，PyQt5 則把選檔案、預覽、旋轉校正和進度顯示整合成桌面介面。

使用流程

操作流程是四步：

選影片 → 選模型 → 選「車輛不禮讓行人偵測」→ 輸出標記後影片

選好偵測模式後，系統會先用 YOLOv8 找出畫面裡的人、車和斑馬線，再用 DeepSORT 把同一個物件在不同畫面中的位置串起來。這樣程式才有辦法從一張一張的畫面，累積成「這台車有沒有在行人通過時停下來」這種事件，而不是只根據某一格畫面猜測。

使用者介面

載入影片後，PyQt5 做成的主畫面會顯示影片路徑、預覽畫面、模型選單，以及「車輛不禮讓行人偵測」按鈕；下方還有單部影片和全部影片的處理進度。使用者不需要另外操作命令列，就能在同一個視窗完成設定。

載入 zebra7.mp4 後的主畫面：影片、模型和偵測模式都可以在同一個介面中設定。

開始處理後，預覽畫面會顯示目前的影片狀態，進度列也會跟著更新。

執行中的介面會同時顯示目前影片和整批影片的處理進度。

旋轉校正

如果原始影片是歪的，可以先在校正頁調整角度，再進入後面的偵測。程式會用 OpenCV 將畫面旋轉後再交給後續流程，讓斑馬線、道路方向和物件位置更容易被規則判斷；這不是改變影片內容，而是先把視角整理成比較好辨識的方向。

旋轉校正前，畫面中的道路方向還沒有對齊。

旋轉校正後，影像方向已經調整成比較適合繼續偵測的角度。

實際輸出結果

原始畫面和輸出結果可以清楚對照：輸出影片會加上偵測框、物件 ID，以及「Fail to yield to pedestrians」提示。偵測框代表系統在畫面中找到的物件，ID 則用來追蹤它在連續畫面中的移動。

原始畫面：還沒有加入偵測標記。

輸出結果：畫面中標出行人、車輛、斑馬線，以及「Fail to yield to pedestrians」事件。這個提示不是 YOLOv8 直接猜出來的，而是程式把辨識和追蹤結果放在一起，再根據斑馬線區域、行人位置、車輛方向與移動軌跡做判斷。

不同時間與道路場景都會留下相同格式的標記結果。白天的畫面可以看到斑馬線和車輛標記，夜間畫面則保留了車燈、道路與偵測框。

日間道路場景的實際標記結果。

夜間道路場景的實際標記結果。

輸出影片中的畫面也會保留物件 ID、偵測框和事件提示。因為 DeepSORT 會延續物件的 ID，使用者可以從連續畫面看出同一台車如何接近斑馬線，以及事件提示是在什麼情況下出現。下面是兩個不同道路場景的畫面：

日間影片畫面；可看到跨畫面的物件 ID 與不禮讓提示。

這個專案的目標很簡單：把交通影片放進去，讓程式找出人、車和斑馬線，再把可能的「不禮讓行人」畫在輸出影片上。它不是只看單張圖片，而是把一段影片連續看完，才能判斷車輛和行人之間發生了什麼。

影片進入系統後，YOLOv8 會在每一格畫面裡找出行人、車輛、機車和斑馬線；這個步驟就是物件辨識，結果會以框線標在畫面上。接著 DeepSORT 會替這些物件保留 ID，讓程式知道前後畫面中的「車輛 3」是同一台車，而不是每格都重新計算。OpenCV 負責讀取與寫回影片，PyQt5 則把選檔案、預覽、旋轉校正和進度顯示整合成桌面介面。

使用流程

操作流程是四步：

選影片 → 選模型 → 選「車輛不禮讓行人偵測」→ 輸出標記後影片

選好偵測模式後，系統會先用 YOLOv8 找出畫面裡的人、車和斑馬線，再用 DeepSORT 把同一個物件在不同畫面中的位置串起來。這樣程式才有辦法從一張一張的畫面，累積成「這台車有沒有在行人通過時停下來」這種事件，而不是只根據某一格畫面猜測。

使用者介面

載入影片後，PyQt5 做成的主畫面會顯示影片路徑、預覽畫面、模型選單，以及「車輛不禮讓行人偵測」按鈕；下方還有單部影片和全部影片的處理進度。使用者不需要另外操作命令列，就能在同一個視窗完成設定。

載入 zebra7.mp4 後的主畫面：影片、模型和偵測模式都可以在同一個介面中設定。

開始處理後，預覽畫面會顯示目前的影片狀態，進度列也會跟著更新。

執行中的介面會同時顯示目前影片和整批影片的處理進度。

旋轉校正

如果原始影片是歪的，可以先在校正頁調整角度，再進入後面的偵測。程式會用 OpenCV 將畫面旋轉後再交給後續流程，讓斑馬線、道路方向和物件位置更容易被規則判斷；這不是改變影片內容，而是先把視角整理成比較好辨識的方向。

旋轉校正前，畫面中的道路方向還沒有對齊。

旋轉校正後，影像方向已經調整成比較適合繼續偵測的角度。

實際輸出結果

原始畫面和輸出結果可以清楚對照：輸出影片會加上偵測框、物件 ID，以及「Fail to yield to pedestrians」提示。偵測框代表系統在畫面中找到的物件，ID 則用來追蹤它在連續畫面中的移動。

原始畫面：還沒有加入偵測標記。

輸出結果：畫面中標出行人、車輛、斑馬線，以及「Fail to yield to pedestrians」事件。這個提示不是 YOLOv8 直接猜出來的，而是程式把辨識和追蹤結果放在一起，再根據斑馬線區域、行人位置、車輛方向與移動軌跡做判斷。

不同時間與道路場景都會留下相同格式的標記結果。白天的畫面可以看到斑馬線和車輛標記，夜間畫面則保留了車燈、道路與偵測框。

日間道路場景的實際標記結果。

夜間道路場景的實際標記結果。

輸出影片中的畫面也會保留物件 ID、偵測框和事件提示。因為 DeepSORT 會延續物件的 ID，使用者可以從連續畫面看出同一台車如何接近斑馬線，以及事件提示是在什麼情況下出現。下面是兩個不同道路場景的畫面：

日間影片畫面；可看到跨畫面的物件 ID 與不禮讓提示。

這是我在國立東華大學資訊工程學系「深度學習基石與實務」課程的第二個作業。作業表面上是在 CelebA 上訓練 GAN、生成一批人臉，實際上卻把三件事綁在一起：生成影像、建立可追蹤的 synthetic dataset，以及訓練一個能分辨真假的模型。

我一開始把問題想得很直覺：生成器越逼真，成果就越好。真正跑過幾輪模型之後，才發現事情沒有這麼單純。生成器越接近真實資料，判別器越難找到可以泛化的線索；判別器若只記住資料前處理或某一個 checkpoint 的風格，漂亮的 accuracy 也沒有太大意義。這篇筆記保留模型失敗、中間 epoch、loss 曲線與評估圖，記錄我如何在清晰度、多樣性、穩定性和運算成本之間做取捨。

Purpose：這份作業在問什麼

這份作業的目標不是只交出一張「看起來像人臉」的圖片，而是一條可以被檢查、被重跑的影像生成與分類流程：

1. 在 CelebA 上訓練 LadaGAN，產生有多樣性的 64×64 人臉。
2. 保留不同 epoch 的 checkpoint，從每個 checkpoint 生成固定數量的圖片，建立足夠大的 synthetic dataset。
3. 把真實圖片和生成圖片混合，訓練多個分類 backbone，找出比較能辨識兩種影像分布的判別器。
4. 使用最後的 EfficientNetV2-B1 對測試資料做真偽判斷，輸出 test.csv。

所以我想回答的問題不是「能不能生成一張好看的臉」，而是：

當生成器已經做得很逼真時，判別器到底還能不能學到穩定、可泛化的差異？

作業流程：從生成到判別

HackMD 報告把整個工作拆成三個階段。第一階段訓練 LadaGAN；第二階段從生成 checkpoint 建立判別器資料；第三階段用教師提供的 1,000 張測試圖片產生最後的分類結果。

三個階段的實際數字

第一階段以 64×64、像素值正規化到 [-1, 1] 的 CelebA 人臉訓練 LadaGAN。訓練曲線記錄到第 36 個 epoch；生成資料的腳本則以第 1 到第 30 個 checkpoint、每個 checkpoint 5,000 張圖片為主要設定：

這是我在國立東華大學資訊工程學系「深度學習基石與實務」課程的第二個作業。作業表面上是在 CelebA 上訓練 GAN、生成一批人臉，實際上卻把三件事綁在一起：生成影像、建立可追蹤的 synthetic dataset，以及訓練一個能分辨真假的模型。

我一開始把問題想得很直覺：生成器越逼真，成果就越好。真正跑過幾輪模型之後，才發現事情沒有這麼單純。生成器越接近真實資料，判別器越難找到可以泛化的線索；判別器若只記住資料前處理或某一個 checkpoint 的風格，漂亮的 accuracy 也沒有太大意義。這篇筆記保留模型失敗、中間 epoch、loss 曲線與評估圖，記錄我如何在清晰度、多樣性、穩定性和運算成本之間做取捨。

Purpose：這份作業在問什麼

這份作業的目標不是只交出一張「看起來像人臉」的圖片，而是一條可以被檢查、被重跑的影像生成與分類流程：

1. 在 CelebA 上訓練 LadaGAN，產生有多樣性的 64×64 人臉。
2. 保留不同 epoch 的 checkpoint，從每個 checkpoint 生成固定數量的圖片，建立足夠大的 synthetic dataset。
3. 把真實圖片和生成圖片混合，訓練多個分類 backbone，找出比較能辨識兩種影像分布的判別器。
4. 使用最後的 EfficientNetV2-B1 對測試資料做真偽判斷，輸出 test.csv。

所以我想回答的問題不是「能不能生成一張好看的臉」，而是：

當生成器已經做得很逼真時，判別器到底還能不能學到穩定、可泛化的差異？

作業流程：從生成到判別

HackMD 報告把整個工作拆成三個階段。第一階段訓練 LadaGAN；第二階段從生成 checkpoint 建立判別器資料；第三階段用教師提供的 1,000 張測試圖片產生最後的分類結果。

三個階段的實際數字

第一階段以 64×64、像素值正規化到 [-1, 1] 的 CelebA 人臉訓練 LadaGAN。訓練曲線記錄到第 36 個 epoch；生成資料的腳本則以第 1 到第 30 個 checkpoint、每個 checkpoint 5,000 張圖片為主要設定：

這是我在國立東華大學資訊工程學系「深度學習基石與實務」課程的第二個作業。作業表面上是在 CelebA 上訓練 GAN、生成一批人臉，實際上卻把三件事綁在一起：生成影像、建立可追蹤的 synthetic dataset，以及訓練一個能分辨真假的模型。

我一開始把問題想得很直覺：生成器越逼真，成果就越好。真正跑過幾輪模型之後，才發現事情沒有這麼單純。生成器越接近真實資料，判別器越難找到可以泛化的線索；判別器若只記住資料前處理或某一個 checkpoint 的風格，漂亮的 accuracy 也沒有太大意義。這篇筆記保留模型失敗、中間 epoch、loss 曲線與評估圖，記錄我如何在清晰度、多樣性、穩定性和運算成本之間做取捨。

Purpose：這份作業在問什麼

這份作業的目標不是只交出一張「看起來像人臉」的圖片，而是一條可以被檢查、被重跑的影像生成與分類流程：

1. 在 CelebA 上訓練 LadaGAN，產生有多樣性的 64×64 人臉。
2. 保留不同 epoch 的 checkpoint，從每個 checkpoint 生成固定數量的圖片，建立足夠大的 synthetic dataset。
3. 把真實圖片和生成圖片混合，訓練多個分類 backbone，找出比較能辨識兩種影像分布的判別器。
4. 使用最後的 EfficientNetV2-B1 對測試資料做真偽判斷，輸出 test.csv。

所以我想回答的問題不是「能不能生成一張好看的臉」，而是：

當生成器已經做得很逼真時，判別器到底還能不能學到穩定、可泛化的差異？

作業流程：從生成到判別

HackMD 報告把整個工作拆成三個階段。第一階段訓練 LadaGAN；第二階段從生成 checkpoint 建立判別器資料；第三階段用教師提供的 1,000 張測試圖片產生最後的分類結果。

三個階段的實際數字

第一階段以 64×64、像素值正規化到 [-1, 1] 的 CelebA 人臉訓練 LadaGAN。訓練曲線記錄到第 36 個 epoch；生成資料的腳本則以第 1 到第 30 個 checkpoint、每個 checkpoint 5,000 張圖片為主要設定：

這是我在國立東華大學資訊工程學系「深度學習基石與實務」課程的第二個作業。作業表面上是在 CelebA 上訓練 GAN、生成一批人臉，實際上卻把三件事綁在一起：生成影像、建立可追蹤的 synthetic dataset，以及訓練一個能分辨真假的模型。

我一開始把問題想得很直覺：生成器越逼真，成果就越好。真正跑過幾輪模型之後，才發現事情沒有這麼單純。生成器越接近真實資料，判別器越難找到可以泛化的線索；判別器若只記住資料前處理或某一個 checkpoint 的風格，漂亮的 accuracy 也沒有太大意義。這篇筆記保留模型失敗、中間 epoch、loss 曲線與評估圖，記錄我如何在清晰度、多樣性、穩定性和運算成本之間做取捨。

Purpose：這份作業在問什麼

這份作業的目標不是只交出一張「看起來像人臉」的圖片，而是一條可以被檢查、被重跑的影像生成與分類流程：

1. 在 CelebA 上訓練 LadaGAN，產生有多樣性的 64×64 人臉。
2. 保留不同 epoch 的 checkpoint，從每個 checkpoint 生成固定數量的圖片，建立足夠大的 synthetic dataset。
3. 把真實圖片和生成圖片混合，訓練多個分類 backbone，找出比較能辨識兩種影像分布的判別器。
4. 使用最後的 EfficientNetV2-B1 對測試資料做真偽判斷，輸出 test.csv。

所以我想回答的問題不是「能不能生成一張好看的臉」，而是：

當生成器已經做得很逼真時，判別器到底還能不能學到穩定、可泛化的差異？

作業流程：從生成到判別

HackMD 報告把整個工作拆成三個階段。第一階段訓練 LadaGAN；第二階段從生成 checkpoint 建立判別器資料；第三階段用教師提供的 1,000 張測試圖片產生最後的分類結果。

三個階段的實際數字

第一階段以 64×64、像素值正規化到 [-1, 1] 的 CelebA 人臉訓練 LadaGAN。訓練曲線記錄到第 36 個 epoch；生成資料的腳本則以第 1 到第 30 個 checkpoint、每個 checkpoint 5,000 張圖片為主要設定：

公司、醫院、學校和政府每天都在累積資料，但「資料存在」不代表「每個人都能使用」。很多時候，我們知道自己想問什麼，卻不知道資料放在哪張表，也不知道該怎麼寫 SQL。

我的碩士論文研究的，就是如何讓使用者直接用自然語言提問，再由系統自動產生可以執行的 SQL。這項技術稱為 Text-to-SQL。

不過，在介紹我的方法之前，我想先從最基本的問題開始：資料庫到底長什麼樣子？SQL 又在做什麼？

先認識資料庫：表、欄位與資料列

關聯式資料庫可以想成一組彼此有關聯的試算表。假設一間商店有兩張表：

顧客表 customers

訂單表 orders

直向的 name、city、amount 稱為欄位，描述資料具有哪些屬性；橫向的每一筆內容稱為資料列。整個資料庫有哪些表、欄位與型別，合起來稱為 Schema（資料庫結構）。

其中，customers.customer_id 是每位顧客不重複的編號，稱為主鍵。orders.customer_id 則指向顧客表中的同名編號，稱為外鍵。靠著這個關係，我們才知道訂單 9001 和 9002 都屬於 Amy。

真實資料庫當然比這複雜得多：可能有數十張表、數百個欄位，而且名稱常是縮寫。使用者只看到「顧客」和「訂單」，系統看到的卻可能是 cust_info、txn_hdr 和一大串編號。

SQL 是怎麼向資料庫提問的？

SQL（Structured Query Language）是操作關聯式資料庫的語言。若要找出住在台北的顧客，可以寫：

SELECT name
FROM customers
WHERE city = 'Taipei';

這三行可以直接讀成：

• SELECT name：我要取得姓名。
• FROM customers：資料來自顧客表。
• WHERE city = 'Taipei'：只保留城市為台北的資料。

如果問題改成「台北顧客總共下了幾筆訂單？」，就必須同時使用顧客表和訂單表：

前言

當你嘗試按照官方指引部署 Hugging Face Spaces 時：

git init
git add app.py requirements.txt
git commit -m "Initial commit"
git remote add origin https://huggingface.co/spaces/YOUR_USERNAME/mcp-sentiment
git push -u origin main

你可能會遇到各種錯誤。本指南將帶你逐步解決這些問題，並成功部署到 Hugging Face Spaces。

為什麼原始指令無法運作？

自 2023 年 10 月 1 日起，Hugging Face 停止支援密碼身分驗證，因此當你使用 HTTPS URL 推送時，會收到以下錯誤訊息：

Gradio MCP 整合介紹

Gradio 透過自動將您的 Python 函數轉換為 MCP 工具，提供了一種簡單的方式來創建 MCP 伺服器。當您在 launch() 中設置 mcp_server=True 時，Gradio 會：

• 自動將您的函數轉換為 MCP 工具
• 將輸入元件映射到工具參數架構
• 從輸出元件確定回應格式
• 設置 JSON-RPC over HTTP+SSE 進行客戶端-伺服器通訊
• 創建網頁介面和 MCP 伺服器端點

專案設置

首先，讓我們為專案創建一個新目錄並設置所需的依賴項：

# Windows

mkdir mcp-sentiment 
cd mcp-sentiment 
python -m venv venv 
source venv/bin/activate 
pip install "gradio[mcp]" textblob

創建伺服器

Hugging Face Spaces 需要一個 app.py 檔案來建立 space，所以 Python 檔案的名稱必須是 app.py 創建一個名為 app.py 的新檔案，包含以下程式碼：

MCP 主要有下列四個功能類型，分別對應著不同的使用情景

工具（Tools）

工具是AI模型可以通過MCP協議調用的可執行函數或行動。

MCP 通信協議

MCP 定義了一套標準化的通信協議，使客戶端和服務器能夠以一致、可預測的方式交換資訊。這種標準化對於整個社區的互操作性至關重要。

JSON-RPC：基礎架構

MCP 的核心使用 JSON-RPC 2.0 作為客戶端和服務器之間所有通信的消息格式。JSON-RPC 是一種輕量級的遠程過程調用協議，以 JSON 編碼。

JSON-RPC 特點

• 📜 人類可讀性強，易於調試
• 🌍 語言無關性，支援在任何編程環境中實現
• 🔒 成熟穩定，具有清晰的規範和廣泛的採用

三種消息類型

MCP 使用三種基本消息類型進行通信：

1.請求（Requests）

從客戶端發送到服務器以啟動操作。請求消息包括唯一標識符、要調用的方法名稱和方法的參數（如果有）。

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "weather",
    "arguments": {
      "location": "San Francisco"
    }
  }
}

2.響應（Responses）

從服務器發送到客戶端以回覆請求。響應消息包括與相應請求相同的 id 和 result（成功時）或 error（失敗時）。

客戶端-服務器架構

Model Context Protocol (MCP) 建立在客戶端-服務器架構上，該架構支援 AI 模型與外部系統之間的結構化通信。

三大核心組件

MCP 架構由三個主要組件組成，每個組件都有明確定義的角色和責任：

1. 主機 (Host)

使用者直接使用的 AI 應用程式，如 ChatGPT 或 Cursor。負責處理使用者請求、介面呈現和整體協調。

爲什麽不能單靠LLM來解決事情

雖然大型語言模型（LLM）能憑訓練語料生成近似人類的回答，但它若缺乏對外部世界的即時存取，就難以讀取企業專屬資料或主動執行工具操作。

📋 MCP 概述：AI 應用程式的 USB-C

Model Context Protocol (MCP) 正在重新定義 AI 應用程式與外部世界的互動方式。作為由 Anthropic 在 2024 年底推出的開放標準，MCP 解決了長期困擾 AI 開發者的整合複雜性問題，為整個生態系統帶來了前所未有的標準化和互操作性。

🎯 什麼是 Model Context Protocol？

Model Context Protocol 是一個開放的通信協議，專門設計用於標準化 AI 模型與外部數據源、工具和服務之間的交互。該協議建立在 JSON-RPC 2.0 基礎之上，提供了一個輕量級、可擴展的框架，使 AI 應用程式能夠安全、高效地存取外部資源。

公司、醫院、學校和政府每天都在累積資料，但「資料存在」不代表「每個人都能使用」。很多時候，我們知道自己想問什麼，卻不知道資料放在哪張表，也不知道該怎麼寫 SQL。

我的碩士論文研究的，就是如何讓使用者直接用自然語言提問，再由系統自動產生可以執行的 SQL。這項技術稱為 Text-to-SQL。

不過，在介紹我的方法之前，我想先從最基本的問題開始：資料庫到底長什麼樣子？SQL 又在做什麼？

先認識資料庫：表、欄位與資料列

關聯式資料庫可以想成一組彼此有關聯的試算表。假設一間商店有兩張表：

顧客表 customers

訂單表 orders

直向的 name、city、amount 稱為欄位，描述資料具有哪些屬性；橫向的每一筆內容稱為資料列。整個資料庫有哪些表、欄位與型別，合起來稱為 Schema（資料庫結構）。

其中，customers.customer_id 是每位顧客不重複的編號，稱為主鍵。orders.customer_id 則指向顧客表中的同名編號，稱為外鍵。靠著這個關係，我們才知道訂單 9001 和 9002 都屬於 Amy。

真實資料庫當然比這複雜得多：可能有數十張表、數百個欄位，而且名稱常是縮寫。使用者只看到「顧客」和「訂單」，系統看到的卻可能是 cust_info、txn_hdr 和一大串編號。

SQL 是怎麼向資料庫提問的？

SQL（Structured Query Language）是操作關聯式資料庫的語言。若要找出住在台北的顧客，可以寫：

SELECT name
FROM customers
WHERE city = 'Taipei';

這三行可以直接讀成：

• SELECT name：我要取得姓名。
• FROM customers：資料來自顧客表。
• WHERE city = 'Taipei'：只保留城市為台北的資料。

如果問題改成「台北顧客總共下了幾筆訂單？」，就必須同時使用顧客表和訂單表：

前言

當你嘗試按照官方指引部署 Hugging Face Spaces 時：

git init
git add app.py requirements.txt
git commit -m "Initial commit"
git remote add origin https://huggingface.co/spaces/YOUR_USERNAME/mcp-sentiment
git push -u origin main

你可能會遇到各種錯誤。本指南將帶你逐步解決這些問題，並成功部署到 Hugging Face Spaces。

為什麼原始指令無法運作？

自 2023 年 10 月 1 日起，Hugging Face 停止支援密碼身分驗證，因此當你使用 HTTPS URL 推送時，會收到以下錯誤訊息：

Gradio MCP 整合介紹

Gradio 透過自動將您的 Python 函數轉換為 MCP 工具，提供了一種簡單的方式來創建 MCP 伺服器。當您在 launch() 中設置 mcp_server=True 時，Gradio 會：

• 自動將您的函數轉換為 MCP 工具
• 將輸入元件映射到工具參數架構
• 從輸出元件確定回應格式
• 設置 JSON-RPC over HTTP+SSE 進行客戶端-伺服器通訊
• 創建網頁介面和 MCP 伺服器端點

專案設置

首先，讓我們為專案創建一個新目錄並設置所需的依賴項：

# Windows

mkdir mcp-sentiment 
cd mcp-sentiment 
python -m venv venv 
source venv/bin/activate 
pip install "gradio[mcp]" textblob

創建伺服器

Hugging Face Spaces 需要一個 app.py 檔案來建立 space，所以 Python 檔案的名稱必須是 app.py 創建一個名為 app.py 的新檔案，包含以下程式碼：

MCP 主要有下列四個功能類型，分別對應著不同的使用情景

工具（Tools）

工具是AI模型可以通過MCP協議調用的可執行函數或行動。

MCP 通信協議

MCP 定義了一套標準化的通信協議，使客戶端和服務器能夠以一致、可預測的方式交換資訊。這種標準化對於整個社區的互操作性至關重要。

JSON-RPC：基礎架構

MCP 的核心使用 JSON-RPC 2.0 作為客戶端和服務器之間所有通信的消息格式。JSON-RPC 是一種輕量級的遠程過程調用協議，以 JSON 編碼。

JSON-RPC 特點

• 📜 人類可讀性強，易於調試
• 🌍 語言無關性，支援在任何編程環境中實現
• 🔒 成熟穩定，具有清晰的規範和廣泛的採用

三種消息類型

MCP 使用三種基本消息類型進行通信：

1.請求（Requests）

從客戶端發送到服務器以啟動操作。請求消息包括唯一標識符、要調用的方法名稱和方法的參數（如果有）。

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "weather",
    "arguments": {
      "location": "San Francisco"
    }
  }
}

2.響應（Responses）

從服務器發送到客戶端以回覆請求。響應消息包括與相應請求相同的 id 和 result（成功時）或 error（失敗時）。

客戶端-服務器架構

Model Context Protocol (MCP) 建立在客戶端-服務器架構上，該架構支援 AI 模型與外部系統之間的結構化通信。

三大核心組件

MCP 架構由三個主要組件組成，每個組件都有明確定義的角色和責任：

1. 主機 (Host)

使用者直接使用的 AI 應用程式，如 ChatGPT 或 Cursor。負責處理使用者請求、介面呈現和整體協調。

爲什麽不能單靠LLM來解決事情

雖然大型語言模型（LLM）能憑訓練語料生成近似人類的回答，但它若缺乏對外部世界的即時存取，就難以讀取企業專屬資料或主動執行工具操作。

📋 MCP 概述：AI 應用程式的 USB-C

Model Context Protocol (MCP) 正在重新定義 AI 應用程式與外部世界的互動方式。作為由 Anthropic 在 2024 年底推出的開放標準，MCP 解決了長期困擾 AI 開發者的整合複雜性問題，為整個生態系統帶來了前所未有的標準化和互操作性。

🎯 什麼是 Model Context Protocol？

Model Context Protocol 是一個開放的通信協議，專門設計用於標準化 AI 模型與外部數據源、工具和服務之間的交互。該協議建立在 JSON-RPC 2.0 基礎之上，提供了一個輕量級、可擴展的框架，使 AI 應用程式能夠安全、高效地存取外部資源。

公司、醫院、學校和政府每天都在累積資料，但「資料存在」不代表「每個人都能使用」。很多時候，我們知道自己想問什麼，卻不知道資料放在哪張表，也不知道該怎麼寫 SQL。

我的碩士論文研究的，就是如何讓使用者直接用自然語言提問，再由系統自動產生可以執行的 SQL。這項技術稱為 Text-to-SQL。

不過，在介紹我的方法之前，我想先從最基本的問題開始：資料庫到底長什麼樣子？SQL 又在做什麼？

先認識資料庫：表、欄位與資料列

關聯式資料庫可以想成一組彼此有關聯的試算表。假設一間商店有兩張表：

顧客表 customers

訂單表 orders

直向的 name、city、amount 稱為欄位，描述資料具有哪些屬性；橫向的每一筆內容稱為資料列。整個資料庫有哪些表、欄位與型別，合起來稱為 Schema（資料庫結構）。

其中，customers.customer_id 是每位顧客不重複的編號，稱為主鍵。orders.customer_id 則指向顧客表中的同名編號，稱為外鍵。靠著這個關係，我們才知道訂單 9001 和 9002 都屬於 Amy。

真實資料庫當然比這複雜得多：可能有數十張表、數百個欄位，而且名稱常是縮寫。使用者只看到「顧客」和「訂單」，系統看到的卻可能是 cust_info、txn_hdr 和一大串編號。

SQL 是怎麼向資料庫提問的？

SQL（Structured Query Language）是操作關聯式資料庫的語言。若要找出住在台北的顧客，可以寫：

SELECT name
FROM customers
WHERE city = 'Taipei';

這三行可以直接讀成：

• SELECT name：我要取得姓名。
• FROM customers：資料來自顧客表。
• WHERE city = 'Taipei'：只保留城市為台北的資料。

如果問題改成「台北顧客總共下了幾筆訂單？」，就必須同時使用顧客表和訂單表：

公司、醫院、學校和政府每天都在累積資料，但「資料存在」不代表「每個人都能使用」。很多時候，我們知道自己想問什麼，卻不知道資料放在哪張表，也不知道該怎麼寫 SQL。

我的碩士論文研究的，就是如何讓使用者直接用自然語言提問，再由系統自動產生可以執行的 SQL。這項技術稱為 Text-to-SQL。

不過，在介紹我的方法之前，我想先從最基本的問題開始：資料庫到底長什麼樣子？SQL 又在做什麼？

先認識資料庫：表、欄位與資料列

關聯式資料庫可以想成一組彼此有關聯的試算表。假設一間商店有兩張表：

顧客表 customers

訂單表 orders

直向的 name、city、amount 稱為欄位，描述資料具有哪些屬性；橫向的每一筆內容稱為資料列。整個資料庫有哪些表、欄位與型別，合起來稱為 Schema（資料庫結構）。

其中，customers.customer_id 是每位顧客不重複的編號，稱為主鍵。orders.customer_id 則指向顧客表中的同名編號，稱為外鍵。靠著這個關係，我們才知道訂單 9001 和 9002 都屬於 Amy。

真實資料庫當然比這複雜得多：可能有數十張表、數百個欄位，而且名稱常是縮寫。使用者只看到「顧客」和「訂單」，系統看到的卻可能是 cust_info、txn_hdr 和一大串編號。

SQL 是怎麼向資料庫提問的？

SQL（Structured Query Language）是操作關聯式資料庫的語言。若要找出住在台北的顧客，可以寫：

SELECT name
FROM customers
WHERE city = 'Taipei';

這三行可以直接讀成：

• SELECT name：我要取得姓名。
• FROM customers：資料來自顧客表。
• WHERE city = 'Taipei'：只保留城市為台北的資料。

如果問題改成「台北顧客總共下了幾筆訂單？」，就必須同時使用顧客表和訂單表：

公司、醫院、學校和政府每天都在累積資料，但「資料存在」不代表「每個人都能使用」。很多時候，我們知道自己想問什麼，卻不知道資料放在哪張表，也不知道該怎麼寫 SQL。

我的碩士論文研究的，就是如何讓使用者直接用自然語言提問，再由系統自動產生可以執行的 SQL。這項技術稱為 Text-to-SQL。

不過，在介紹我的方法之前，我想先從最基本的問題開始：資料庫到底長什麼樣子？SQL 又在做什麼？

先認識資料庫：表、欄位與資料列

關聯式資料庫可以想成一組彼此有關聯的試算表。假設一間商店有兩張表：

顧客表 customers

訂單表 orders

直向的 name、city、amount 稱為欄位，描述資料具有哪些屬性；橫向的每一筆內容稱為資料列。整個資料庫有哪些表、欄位與型別，合起來稱為 Schema（資料庫結構）。

其中，customers.customer_id 是每位顧客不重複的編號，稱為主鍵。orders.customer_id 則指向顧客表中的同名編號，稱為外鍵。靠著這個關係，我們才知道訂單 9001 和 9002 都屬於 Amy。

真實資料庫當然比這複雜得多：可能有數十張表、數百個欄位，而且名稱常是縮寫。使用者只看到「顧客」和「訂單」，系統看到的卻可能是 cust_info、txn_hdr 和一大串編號。

SQL 是怎麼向資料庫提問的？

SQL（Structured Query Language）是操作關聯式資料庫的語言。若要找出住在台北的顧客，可以寫：

SELECT name
FROM customers
WHERE city = 'Taipei';

這三行可以直接讀成：

• SELECT name：我要取得姓名。
• FROM customers：資料來自顧客表。
• WHERE city = 'Taipei'：只保留城市為台北的資料。

如果問題改成「台北顧客總共下了幾筆訂單？」，就必須同時使用顧客表和訂單表：

本文將帶你一步步從零開始，在本地端（Windows 系統為例）架設 n8n 並使用 Cloudflare Tunnel 將本地服務映射為網路可訪問的固定公開網址。過程中會詳細解說重要設定與可能遇到的注意事項。

1. N8N是什麽

n8n 是一個開源的自動化工作流程平台，讓用戶可以透過圖形化介面（拖拉節點）來串接和自動化各種工具、平台與服務，無需寫程式也能輕鬆建立自動化流程（雖然我的這個要寫不少JS跟SQL就對了）。

像是下面的圖片，有許多的節點跟綫條連接，這樣做的好處就是可讀性高，以及維護容易。

主要特點

• 開源免費：n8n 完全開源，任何人都可以免費下載、使用、修改，並根據需求自行部署在本地或雲端。
• 視覺化操作：只需拖拉節點、設定參數，就能設計複雜的自動化工作流，適合沒有程式基礎的使用者。
• 高度彈性與擴充性：支援自訂節點、腳本（如 JavaScript），也能安裝社群第三方擴充，適合開發者進行進階自動化。
• 豐富的整合能力：內建超過200～400種第三方應用整合（如 Google Apps、Slack、Trello、GitHub、AWS、Notion、LINE、Shopify 等），可滿足各式自動化需求。
• 自我託管：用戶可選擇將 n8n 部署在自己的伺服器，完全掌控資料安全與隱私

爲什麽需要N8N?

先想清楚：什麽事值得自動化？

• 重複性高：每天、每週都要做的瑣事。
• 很花時間：不是難，但就是煩、耗時。
• 流程固定：步驟一樣、邏輯清楚。 訂閲系統就符合以上所有需求

如何開始使用n8n

你可以使用：

• 官方的托管伺服器： https://n8n.io/
• 本地端伺服器: 本次使用Docker Desktop來建立。
• 其他部署平臺

1. 環境與準備條件

• Windows 電腦已安裝 Docker Desktop
• 已擁有自己的網域且 DNS 交由 Cloudflare 管理（或可自行將 DNS 指向 Cloudflare）
• 了解 Cloudflare Tunnel 基本概念

2. 用 Docker 安裝 n8n

1. 確認 Docker Desktop 已安裝啟動

本文將帶你一步步從零開始，在本地端（Windows 系統為例）架設 n8n 並使用 Cloudflare Tunnel 將本地服務映射為網路可訪問的固定公開網址。過程中會詳細解說重要設定與可能遇到的注意事項。

1. N8N是什麽

n8n 是一個開源的自動化工作流程平台，讓用戶可以透過圖形化介面（拖拉節點）來串接和自動化各種工具、平台與服務，無需寫程式也能輕鬆建立自動化流程（雖然我的這個要寫不少JS跟SQL就對了）。

像是下面的圖片，有許多的節點跟綫條連接，這樣做的好處就是可讀性高，以及維護容易。

主要特點

• 開源免費：n8n 完全開源，任何人都可以免費下載、使用、修改，並根據需求自行部署在本地或雲端。
• 視覺化操作：只需拖拉節點、設定參數，就能設計複雜的自動化工作流，適合沒有程式基礎的使用者。
• 高度彈性與擴充性：支援自訂節點、腳本（如 JavaScript），也能安裝社群第三方擴充，適合開發者進行進階自動化。
• 豐富的整合能力：內建超過200～400種第三方應用整合（如 Google Apps、Slack、Trello、GitHub、AWS、Notion、LINE、Shopify 等），可滿足各式自動化需求。
• 自我託管：用戶可選擇將 n8n 部署在自己的伺服器，完全掌控資料安全與隱私

爲什麽需要N8N?

先想清楚：什麽事值得自動化？

• 重複性高：每天、每週都要做的瑣事。
• 很花時間：不是難，但就是煩、耗時。
• 流程固定：步驟一樣、邏輯清楚。 訂閲系統就符合以上所有需求

如何開始使用n8n

你可以使用：

• 官方的托管伺服器： https://n8n.io/
• 本地端伺服器: 本次使用Docker Desktop來建立。
• 其他部署平臺

1. 環境與準備條件

• Windows 電腦已安裝 Docker Desktop
• 已擁有自己的網域且 DNS 交由 Cloudflare 管理（或可自行將 DNS 指向 Cloudflare）
• 了解 Cloudflare Tunnel 基本概念

2. 用 Docker 安裝 n8n

1. 確認 Docker Desktop 已安裝啟動

本文將帶你一步步從零開始，在本地端（Windows 系統為例）架設 n8n 並使用 Cloudflare Tunnel 將本地服務映射為網路可訪問的固定公開網址。過程中會詳細解說重要設定與可能遇到的注意事項。

1. N8N是什麽

n8n 是一個開源的自動化工作流程平台，讓用戶可以透過圖形化介面（拖拉節點）來串接和自動化各種工具、平台與服務，無需寫程式也能輕鬆建立自動化流程（雖然我的這個要寫不少JS跟SQL就對了）。

像是下面的圖片，有許多的節點跟綫條連接，這樣做的好處就是可讀性高，以及維護容易。

主要特點

• 開源免費：n8n 完全開源，任何人都可以免費下載、使用、修改，並根據需求自行部署在本地或雲端。
• 視覺化操作：只需拖拉節點、設定參數，就能設計複雜的自動化工作流，適合沒有程式基礎的使用者。
• 高度彈性與擴充性：支援自訂節點、腳本（如 JavaScript），也能安裝社群第三方擴充，適合開發者進行進階自動化。
• 豐富的整合能力：內建超過200～400種第三方應用整合（如 Google Apps、Slack、Trello、GitHub、AWS、Notion、LINE、Shopify 等），可滿足各式自動化需求。
• 自我託管：用戶可選擇將 n8n 部署在自己的伺服器，完全掌控資料安全與隱私

爲什麽需要N8N?

先想清楚：什麽事值得自動化？

• 重複性高：每天、每週都要做的瑣事。
• 很花時間：不是難，但就是煩、耗時。
• 流程固定：步驟一樣、邏輯清楚。 訂閲系統就符合以上所有需求

如何開始使用n8n

你可以使用：

• 官方的托管伺服器： https://n8n.io/
• 本地端伺服器: 本次使用Docker Desktop來建立。
• 其他部署平臺

1. 環境與準備條件

• Windows 電腦已安裝 Docker Desktop
• 已擁有自己的網域且 DNS 交由 Cloudflare 管理（或可自行將 DNS 指向 Cloudflare）
• 了解 Cloudflare Tunnel 基本概念

2. 用 Docker 安裝 n8n

1. 確認 Docker Desktop 已安裝啟動

如果你也要做一個電子報系統在 Huggingface Spaces 上了話，可能會遇到以下問題，可以參考這篇文章

2025年7月31日 部署

如何架設N8N伺服器在本地端的部署教學

教你如何使用docker架設N8N伺服器在本地端的部署教學，并且講述爲什麽我從完全免費的huggingface spaces平臺換到本地端，以及如何讓外網連接到本地的webhook

#N8N #自動化 #webhook

Tommy Pan 閱讀更多 →

本文將帶你一步步從零開始，在本地端（Windows 系統為例）架設 n8n 並使用 Cloudflare Tunnel 將本地服務映射為網路可訪問的固定公開網址。過程中會詳細解說重要設定與可能遇到的注意事項。

1. N8N是什麽

n8n 是一個開源的自動化工作流程平台，讓用戶可以透過圖形化介面（拖拉節點）來串接和自動化各種工具、平台與服務，無需寫程式也能輕鬆建立自動化流程（雖然我的這個要寫不少JS跟SQL就對了）。

像是下面的圖片，有許多的節點跟綫條連接，這樣做的好處就是可讀性高，以及維護容易。

主要特點

• 開源免費：n8n 完全開源，任何人都可以免費下載、使用、修改，並根據需求自行部署在本地或雲端。
• 視覺化操作：只需拖拉節點、設定參數，就能設計複雜的自動化工作流，適合沒有程式基礎的使用者。
• 高度彈性與擴充性：支援自訂節點、腳本（如 JavaScript），也能安裝社群第三方擴充，適合開發者進行進階自動化。
• 豐富的整合能力：內建超過200～400種第三方應用整合（如 Google Apps、Slack、Trello、GitHub、AWS、Notion、LINE、Shopify 等），可滿足各式自動化需求。
• 自我託管：用戶可選擇將 n8n 部署在自己的伺服器，完全掌控資料安全與隱私

爲什麽需要N8N?

先想清楚：什麽事值得自動化？

• 重複性高：每天、每週都要做的瑣事。
• 很花時間：不是難，但就是煩、耗時。
• 流程固定：步驟一樣、邏輯清楚。 訂閲系統就符合以上所有需求

如何開始使用n8n

你可以使用：

• 官方的托管伺服器： https://n8n.io/
• 本地端伺服器: 本次使用Docker Desktop來建立。
• 其他部署平臺

1. 環境與準備條件

• Windows 電腦已安裝 Docker Desktop
• 已擁有自己的網域且 DNS 交由 Cloudflare 管理（或可自行將 DNS 指向 Cloudflare）
• 了解 Cloudflare Tunnel 基本概念

2. 用 Docker 安裝 n8n

1. 確認 Docker Desktop 已安裝啟動

本文將帶你一步步從零開始，在本地端（Windows 系統為例）架設 n8n 並使用 Cloudflare Tunnel 將本地服務映射為網路可訪問的固定公開網址。過程中會詳細解說重要設定與可能遇到的注意事項。

1. N8N是什麽

n8n 是一個開源的自動化工作流程平台，讓用戶可以透過圖形化介面（拖拉節點）來串接和自動化各種工具、平台與服務，無需寫程式也能輕鬆建立自動化流程（雖然我的這個要寫不少JS跟SQL就對了）。

像是下面的圖片，有許多的節點跟綫條連接，這樣做的好處就是可讀性高，以及維護容易。

主要特點

• 開源免費：n8n 完全開源，任何人都可以免費下載、使用、修改，並根據需求自行部署在本地或雲端。
• 視覺化操作：只需拖拉節點、設定參數，就能設計複雜的自動化工作流，適合沒有程式基礎的使用者。
• 高度彈性與擴充性：支援自訂節點、腳本（如 JavaScript），也能安裝社群第三方擴充，適合開發者進行進階自動化。
• 豐富的整合能力：內建超過200～400種第三方應用整合（如 Google Apps、Slack、Trello、GitHub、AWS、Notion、LINE、Shopify 等），可滿足各式自動化需求。
• 自我託管：用戶可選擇將 n8n 部署在自己的伺服器，完全掌控資料安全與隱私

爲什麽需要N8N?

先想清楚：什麽事值得自動化？

• 重複性高：每天、每週都要做的瑣事。
• 很花時間：不是難，但就是煩、耗時。
• 流程固定：步驟一樣、邏輯清楚。 訂閲系統就符合以上所有需求

如何開始使用n8n

你可以使用：

• 官方的托管伺服器： https://n8n.io/
• 本地端伺服器: 本次使用Docker Desktop來建立。
• 其他部署平臺

1. 環境與準備條件

• Windows 電腦已安裝 Docker Desktop
• 已擁有自己的網域且 DNS 交由 Cloudflare 管理（或可自行將 DNS 指向 Cloudflare）
• 了解 Cloudflare Tunnel 基本概念

2. 用 Docker 安裝 n8n

1. 確認 Docker Desktop 已安裝啟動

如果你也要做一個電子報系統在 Huggingface Spaces 上了話，可能會遇到以下問題，可以參考這篇文章

2025年7月31日 部署

如何架設N8N伺服器在本地端的部署教學

教你如何使用docker架設N8N伺服器在本地端的部署教學，并且講述爲什麽我從完全免費的huggingface spaces平臺換到本地端，以及如何讓外網連接到本地的webhook

#N8N #自動化 #webhook

Tommy Pan 閱讀更多 →

前言

在探索AI服務部署的過程中，我發現了一個非常實用的項目 - Gemini Balance。這是一個專為 Gemini API 設計的輪詢代理服務，能夠實現負載均衡、API密鑰管理和使用監控等功能。本文將分享我從零開始部署這個服務的完整體驗和心得。

什麼是 Gemini Balance？

Gemini Balance 是一個開源的 Gemini API 代理服務，主要特色包括：

• 🔄 負載均衡：支援多個 API 密鑰輪詢使用
• 📊 使用監控：提供詳細的 API 使用統計和監控面板
• 🔐 訪問控制：支援自定義訪問令牌管理
• 💾 數據持久化：支援 SQLite 和其他數據庫存儲
• 🌐 易於部署：支援多種部署平台

技術架構分析

核心組件

Gemini Balance 的技術架構包含以下核心組件：

前言

在探索AI服務部署的過程中，我發現了一個非常實用的項目 - Gemini Balance。這是一個專為 Gemini API 設計的輪詢代理服務，能夠實現負載均衡、API密鑰管理和使用監控等功能。本文將分享我從零開始部署這個服務的完整體驗和心得。

什麼是 Gemini Balance？

Gemini Balance 是一個開源的 Gemini API 代理服務，主要特色包括：

• 🔄 負載均衡：支援多個 API 密鑰輪詢使用
• 📊 使用監控：提供詳細的 API 使用統計和監控面板
• 🔐 訪問控制：支援自定義訪問令牌管理
• 💾 數據持久化：支援 SQLite 和其他數據庫存儲
• 🌐 易於部署：支援多種部署平台

技術架構分析

核心組件

Gemini Balance 的技術架構包含以下核心組件：

前言

在探索AI服務部署的過程中，我發現了一個非常實用的項目 - Gemini Balance。這是一個專為 Gemini API 設計的輪詢代理服務，能夠實現負載均衡、API密鑰管理和使用監控等功能。本文將分享我從零開始部署這個服務的完整體驗和心得。

什麼是 Gemini Balance？

Gemini Balance 是一個開源的 Gemini API 代理服務，主要特色包括：

• 🔄 負載均衡：支援多個 API 密鑰輪詢使用
• 📊 使用監控：提供詳細的 API 使用統計和監控面板
• 🔐 訪問控制：支援自定義訪問令牌管理
• 💾 數據持久化：支援 SQLite 和其他數據庫存儲
• 🌐 易於部署：支援多種部署平台

技術架構分析

核心組件

Gemini Balance 的技術架構包含以下核心組件：

前言

在探索AI服務部署的過程中，我發現了一個非常實用的項目 - Gemini Balance。這是一個專為 Gemini API 設計的輪詢代理服務，能夠實現負載均衡、API密鑰管理和使用監控等功能。本文將分享我從零開始部署這個服務的完整體驗和心得。

什麼是 Gemini Balance？

Gemini Balance 是一個開源的 Gemini API 代理服務，主要特色包括：

• 🔄 負載均衡：支援多個 API 密鑰輪詢使用
• 📊 使用監控：提供詳細的 API 使用統計和監控面板
• 🔐 訪問控制：支援自定義訪問令牌管理
• 💾 數據持久化：支援 SQLite 和其他數據庫存儲
• 🌐 易於部署：支援多種部署平台

技術架構分析

核心組件

Gemini Balance 的技術架構包含以下核心組件：

前言

在探索AI服務部署的過程中，我發現了一個非常實用的項目 - Gemini Balance。這是一個專為 Gemini API 設計的輪詢代理服務，能夠實現負載均衡、API密鑰管理和使用監控等功能。本文將分享我從零開始部署這個服務的完整體驗和心得。

什麼是 Gemini Balance？

Gemini Balance 是一個開源的 Gemini API 代理服務，主要特色包括：

• 🔄 負載均衡：支援多個 API 密鑰輪詢使用
• 📊 使用監控：提供詳細的 API 使用統計和監控面板
• 🔐 訪問控制：支援自定義訪問令牌管理
• 💾 數據持久化：支援 SQLite 和其他數據庫存儲
• 🌐 易於部署：支援多種部署平台

技術架構分析

核心組件

Gemini Balance 的技術架構包含以下核心組件：

我們將說明如何建置與設定 MCP 客戶端，特別聚焦於 RooCode 工具與本地模型的整合，以及實際的應用。

1. 安裝與設定 Roo code

roo code 是一款支援本地 AI 助手的 VS Code 擴充套件。安裝步驟如下：

1. 前往 Visual Studio Marketplace 或Extensions 搜尋「Roo code」並點擊安裝。
2. 安裝後，Roo code 圖示會出現在 VS Code 側邊欄。

2. 本地模型支援

Roo code 支援多種本地模型，包括 Ollama、LM Studio 等。這些工具可讓你在本地運行大型語言模型（LLM），並與 MCP 協議整合。

我們將說明如何建置與設定 MCP 客戶端，特別聚焦於 RooCode 工具與本地模型的整合，以及實際的應用。

1. 安裝與設定 Roo code

roo code 是一款支援本地 AI 助手的 VS Code 擴充套件。安裝步驟如下：

1. 前往 Visual Studio Marketplace 或Extensions 搜尋「Roo code」並點擊安裝。
2. 安裝後，Roo code 圖示會出現在 VS Code 側邊欄。

2. 本地模型支援

Roo code 支援多種本地模型，包括 Ollama、LM Studio 等。這些工具可讓你在本地運行大型語言模型（LLM），並與 MCP 協議整合。

Gradio MCP 整合介紹

Gradio 透過自動將您的 Python 函數轉換為 MCP 工具，提供了一種簡單的方式來創建 MCP 伺服器。當您在 launch() 中設置 mcp_server=True 時，Gradio 會：

• 自動將您的函數轉換為 MCP 工具
• 將輸入元件映射到工具參數架構
• 從輸出元件確定回應格式
• 設置 JSON-RPC over HTTP+SSE 進行客戶端-伺服器通訊
• 創建網頁介面和 MCP 伺服器端點

專案設置

首先，讓我們為專案創建一個新目錄並設置所需的依賴項：

# Windows

mkdir mcp-sentiment 
cd mcp-sentiment 
python -m venv venv 
source venv/bin/activate 
pip install "gradio[mcp]" textblob

創建伺服器

Hugging Face Spaces 需要一個 app.py 檔案來建立 space，所以 Python 檔案的名稱必須是 app.py 創建一個名為 app.py 的新檔案，包含以下程式碼：

我們將說明如何建置與設定 MCP 客戶端，特別聚焦於 RooCode 工具與本地模型的整合，以及實際的應用。

1. 安裝與設定 Roo code

roo code 是一款支援本地 AI 助手的 VS Code 擴充套件。安裝步驟如下：

1. 前往 Visual Studio Marketplace 或Extensions 搜尋「Roo code」並點擊安裝。
2. 安裝後，Roo code 圖示會出現在 VS Code 側邊欄。

2. 本地模型支援

Roo code 支援多種本地模型，包括 Ollama、LM Studio 等。這些工具可讓你在本地運行大型語言模型（LLM），並與 MCP 協議整合。

我們將說明如何建置與設定 MCP 客戶端，特別聚焦於 RooCode 工具與本地模型的整合，以及實際的應用。

1. 安裝與設定 Roo code

roo code 是一款支援本地 AI 助手的 VS Code 擴充套件。安裝步驟如下：

1. 前往 Visual Studio Marketplace 或Extensions 搜尋「Roo code」並點擊安裝。
2. 安裝後，Roo code 圖示會出現在 VS Code 側邊欄。

2. 本地模型支援

Roo code 支援多種本地模型，包括 Ollama、LM Studio 等。這些工具可讓你在本地運行大型語言模型（LLM），並與 MCP 協議整合。

如果你也要做一個電子報系統在 Huggingface Spaces 上了話，可能會遇到以下問題，可以參考這篇文章

2025年7月31日 部署

如何架設N8N伺服器在本地端的部署教學

教你如何使用docker架設N8N伺服器在本地端的部署教學，并且講述爲什麽我從完全免費的huggingface spaces平臺換到本地端，以及如何讓外網連接到本地的webhook

#N8N #自動化 #webhook

Tommy Pan 閱讀更多 →

如果你也要做一個電子報系統在 Huggingface Spaces 上了話，可能會遇到以下問題，可以參考這篇文章

2025年7月31日 部署

如何架設N8N伺服器在本地端的部署教學

教你如何使用docker架設N8N伺服器在本地端的部署教學，并且講述爲什麽我從完全免費的huggingface spaces平臺換到本地端，以及如何讓外網連接到本地的webhook

#N8N #自動化 #webhook

Tommy Pan 閱讀更多 →

如果你也要做一個電子報系統在 Huggingface Spaces 上了話，可能會遇到以下問題，可以參考這篇文章

2025年7月31日 部署

如何架設N8N伺服器在本地端的部署教學

教你如何使用docker架設N8N伺服器在本地端的部署教學，并且講述爲什麽我從完全免費的huggingface spaces平臺換到本地端，以及如何讓外網連接到本地的webhook

#N8N #自動化 #webhook

Tommy Pan 閱讀更多 →

前言

當你嘗試按照官方指引部署 Hugging Face Spaces 時：

git init
git add app.py requirements.txt
git commit -m "Initial commit"
git remote add origin https://huggingface.co/spaces/YOUR_USERNAME/mcp-sentiment
git push -u origin main

你可能會遇到各種錯誤。本指南將帶你逐步解決這些問題，並成功部署到 Hugging Face Spaces。

為什麼原始指令無法運作？

自 2023 年 10 月 1 日起，Hugging Face 停止支援密碼身分驗證，因此當你使用 HTTPS URL 推送時，會收到以下錯誤訊息：

Gradio MCP 整合介紹

Gradio 透過自動將您的 Python 函數轉換為 MCP 工具，提供了一種簡單的方式來創建 MCP 伺服器。當您在 launch() 中設置 mcp_server=True 時，Gradio 會：

• 自動將您的函數轉換為 MCP 工具
• 將輸入元件映射到工具參數架構
• 從輸出元件確定回應格式
• 設置 JSON-RPC over HTTP+SSE 進行客戶端-伺服器通訊
• 創建網頁介面和 MCP 伺服器端點

專案設置

首先，讓我們為專案創建一個新目錄並設置所需的依賴項：

# Windows

mkdir mcp-sentiment 
cd mcp-sentiment 
python -m venv venv 
source venv/bin/activate 
pip install "gradio[mcp]" textblob

創建伺服器

Hugging Face Spaces 需要一個 app.py 檔案來建立 space，所以 Python 檔案的名稱必須是 app.py 創建一個名為 app.py 的新檔案，包含以下程式碼：

超好用的錄製游標跟隨工具！！

最近在苦惱要用什麽錄製工具來彰顯影片的重點，然後又要是免費的，就發現了OBS的開源脚本 OBS Zoom-to-Mouse！

OBS Zoom-to-Mouse 腳本簡介

OBS Zoom-to-Mouse 是一支由社群開發的 Lua 腳本，可讓 OBS Studio 在錄影或直播時，對指定的「顯示擷取 (Display Capture)」來源進行滑鼠位置導向的即時縮放與平移。 適合在教學、程式碼示範或軟體導覽中，快速聚焦游標附近的細節。

前言

當你嘗試按照官方指引部署 Hugging Face Spaces 時：

git init
git add app.py requirements.txt
git commit -m "Initial commit"
git remote add origin https://huggingface.co/spaces/YOUR_USERNAME/mcp-sentiment
git push -u origin main

你可能會遇到各種錯誤。本指南將帶你逐步解決這些問題，並成功部署到 Hugging Face Spaces。

為什麼原始指令無法運作？

自 2023 年 10 月 1 日起，Hugging Face 停止支援密碼身分驗證，因此當你使用 HTTPS URL 推送時，會收到以下錯誤訊息：

Gradio MCP 整合介紹

Gradio 透過自動將您的 Python 函數轉換為 MCP 工具，提供了一種簡單的方式來創建 MCP 伺服器。當您在 launch() 中設置 mcp_server=True 時，Gradio 會：

• 自動將您的函數轉換為 MCP 工具
• 將輸入元件映射到工具參數架構
• 從輸出元件確定回應格式
• 設置 JSON-RPC over HTTP+SSE 進行客戶端-伺服器通訊
• 創建網頁介面和 MCP 伺服器端點

專案設置

首先，讓我們為專案創建一個新目錄並設置所需的依賴項：

# Windows

mkdir mcp-sentiment 
cd mcp-sentiment 
python -m venv venv 
source venv/bin/activate 
pip install "gradio[mcp]" textblob

創建伺服器

Hugging Face Spaces 需要一個 app.py 檔案來建立 space，所以 Python 檔案的名稱必須是 app.py 創建一個名為 app.py 的新檔案，包含以下程式碼：

MCP 主要有下列四個功能類型，分別對應著不同的使用情景

工具（Tools）

工具是AI模型可以通過MCP協議調用的可執行函數或行動。

MCP 通信協議

MCP 定義了一套標準化的通信協議，使客戶端和服務器能夠以一致、可預測的方式交換資訊。這種標準化對於整個社區的互操作性至關重要。

JSON-RPC：基礎架構

MCP 的核心使用 JSON-RPC 2.0 作為客戶端和服務器之間所有通信的消息格式。JSON-RPC 是一種輕量級的遠程過程調用協議，以 JSON 編碼。

JSON-RPC 特點

• 📜 人類可讀性強，易於調試
• 🌍 語言無關性，支援在任何編程環境中實現
• 🔒 成熟穩定，具有清晰的規範和廣泛的採用

三種消息類型

MCP 使用三種基本消息類型進行通信：

1.請求（Requests）

從客戶端發送到服務器以啟動操作。請求消息包括唯一標識符、要調用的方法名稱和方法的參數（如果有）。

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "weather",
    "arguments": {
      "location": "San Francisco"
    }
  }
}

2.響應（Responses）

從服務器發送到客戶端以回覆請求。響應消息包括與相應請求相同的 id 和 result（成功時）或 error（失敗時）。

客戶端-服務器架構

Model Context Protocol (MCP) 建立在客戶端-服務器架構上，該架構支援 AI 模型與外部系統之間的結構化通信。

三大核心組件

MCP 架構由三個主要組件組成，每個組件都有明確定義的角色和責任：

1. 主機 (Host)

使用者直接使用的 AI 應用程式，如 ChatGPT 或 Cursor。負責處理使用者請求、介面呈現和整體協調。

超好用的錄製游標跟隨工具！！

最近在苦惱要用什麽錄製工具來彰顯影片的重點，然後又要是免費的，就發現了OBS的開源脚本 OBS Zoom-to-Mouse！

OBS Zoom-to-Mouse 腳本簡介

OBS Zoom-to-Mouse 是一支由社群開發的 Lua 腳本，可讓 OBS Studio 在錄影或直播時，對指定的「顯示擷取 (Display Capture)」來源進行滑鼠位置導向的即時縮放與平移。 適合在教學、程式碼示範或軟體導覽中，快速聚焦游標附近的細節。

超好用的錄製游標跟隨工具！！

最近在苦惱要用什麽錄製工具來彰顯影片的重點，然後又要是免費的，就發現了OBS的開源脚本 OBS Zoom-to-Mouse！

OBS Zoom-to-Mouse 腳本簡介

OBS Zoom-to-Mouse 是一支由社群開發的 Lua 腳本，可讓 OBS Studio 在錄影或直播時，對指定的「顯示擷取 (Display Capture)」來源進行滑鼠位置導向的即時縮放與平移。 適合在教學、程式碼示範或軟體導覽中，快速聚焦游標附近的細節。

MCP 主要有下列四個功能類型，分別對應著不同的使用情景

工具（Tools）

工具是AI模型可以通過MCP協議調用的可執行函數或行動。

MCP 通信協議

MCP 定義了一套標準化的通信協議，使客戶端和服務器能夠以一致、可預測的方式交換資訊。這種標準化對於整個社區的互操作性至關重要。

JSON-RPC：基礎架構

MCP 的核心使用 JSON-RPC 2.0 作為客戶端和服務器之間所有通信的消息格式。JSON-RPC 是一種輕量級的遠程過程調用協議，以 JSON 編碼。

JSON-RPC 特點

• 📜 人類可讀性強，易於調試
• 🌍 語言無關性，支援在任何編程環境中實現
• 🔒 成熟穩定，具有清晰的規範和廣泛的採用

三種消息類型

MCP 使用三種基本消息類型進行通信：

1.請求（Requests）

從客戶端發送到服務器以啟動操作。請求消息包括唯一標識符、要調用的方法名稱和方法的參數（如果有）。

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "weather",
    "arguments": {
      "location": "San Francisco"
    }
  }
}

2.響應（Responses）

從服務器發送到客戶端以回覆請求。響應消息包括與相應請求相同的 id 和 result（成功時）或 error（失敗時）。

爲什麽不能單靠LLM來解決事情

雖然大型語言模型（LLM）能憑訓練語料生成近似人類的回答，但它若缺乏對外部世界的即時存取，就難以讀取企業專屬資料或主動執行工具操作。

📋 MCP 概述：AI 應用程式的 USB-C

Model Context Protocol (MCP) 正在重新定義 AI 應用程式與外部世界的互動方式。作為由 Anthropic 在 2024 年底推出的開放標準，MCP 解決了長期困擾 AI 開發者的整合複雜性問題，為整個生態系統帶來了前所未有的標準化和互操作性。

🎯 什麼是 Model Context Protocol？

Model Context Protocol 是一個開放的通信協議，專門設計用於標準化 AI 模型與外部數據源、工具和服務之間的交互。該協議建立在 JSON-RPC 2.0 基礎之上，提供了一個輕量級、可擴展的框架，使 AI 應用程式能夠安全、高效地存取外部資源。