experiment on 林協霆醫師

ashop：以 Python 探索小型商店資訊系統雛形的個人實驗

Wed, 22 Apr 2026 00:00:00 +0000

# Introduction（引言）

對於主要工作於醫療領域的工程師而言，刻意涉入其他領域（如零售、餐飲）能反向幫助理解「資訊系統的共通結構」：商品、庫存、訂單、會員、優惠等概念在多數產業皆有對應實體。本專案以小型商店為虛擬情境，作為個人練習領域建模、Python 後端設計與資料庫互動的實驗素材。

# Methods（方法）

實作以 Python 為主，遵循從最小可行版本逐步擴張的方法：先以資料類別與簡單檔案儲存實作核心領域物件（商品、訂單、客人），再引入 SQLite／SQL 資料層、API 介面與基礎權限控制。每一步皆刻意保持程式碼可讀性，並紀錄設計決策的理由，以利日後回顧。

雖然並非真實上線專案，但採用如同臨床研究般的嚴謹態度：撰寫測試以驗證關鍵業務規則、以版本控制紀錄重大重構、並維護精簡而清楚的 README。透過此一過程，作者能在脫離醫療領域慣性後，以更通用的眼光審視軟體工程實踐。

# Results（結果）

專案目前提供一個可被啟動的小型商店原型，包含商品管理與訂單流程。對作者個人而言，更重要的成果是練習了「跨領域思考」與「以最少程式碼表達清晰領域模型」的能力，這些在臨床資訊系統設計上同樣關鍵。

# Discussion（討論）

本專案凸顯了個人化練習倉庫對於工程師長期成長的價值：不一定要為了上線而存在。限制方面，由於非真實場域，缺乏實際業務反饋下的演化壓力，部分設計決策可能無法被現實檢驗。未來可考慮將其重構為臨床情境下的「小型診所管理系統」，把個人練習轉化為對醫療資訊系統的方法學貢獻。

# 連結

GitHub：htlin222/ashop
主要語言：Python
最後更新：2026-04-22

play-with-codex：與 OpenAI Codex CLI 互動的個人實驗倉庫

Mon, 06 Apr 2026 00:00:00 +0000

# Introduction（引言）

OpenAI Codex CLI 為近期推出的程式設計助手，主打與 GitHub 與本地環境深度整合，與 Anthropic 的 Claude Code、Cursor、Windsurf 等工具形成競爭格局。對於長期使用 AI Coding 工具的工程師而言，「比較不同工具的差異」並非市場分析，而是工作流調整的必要功課。本專案是作者個人用來實際操練 Codex CLI 的倉庫，記錄它在不同任務上的行為、優勢與痛點。

# Methods（方法）

倉庫採取實驗筆記形式：每個分支或子目錄對應一個「動手練習」主題，例如「以 Codex 重構某段 R 程式」、「以 Codex 解析 NGS 報告 PDF」、「以 Codex 撰寫單元測試」。每個練習結束後留下簡短結論：哪些指令模式有效、哪些常出錯、與 Claude Code 的差異點。倉庫內未必有大量產品級程式碼，主要是「練習素材 + 心得筆記」。

設計上刻意維持低結構：探索性實驗不應被過度規範，否則會錯失偶然發現。每次練習以時間戳命名，便於日後依時間順序回顧自身對工具理解的演化。

# Results（結果）

倉庫累積了一份私人化的 Codex CLI 使用手冊：包含可重用的 prompt 模式、常見坑與規避方法、以及與其他工具搭配的最佳實踐。對作者個人而言，這顯著縮短了新工具的學習曲線；對社群讀者而言，類似專案能提供第一手、未經包裝的真實使用觀察。

# Discussion（討論）

本專案具體實踐了「玩具型倉庫」（toy repo）對於工具評估的價值：在不承擔生產壓力的環境下，工程師才能客觀觀察工具的實際能力與邊界。限制方面，個人化筆記的可遷移性有限，他人可能不適用；工具版本快速演進，部分結論可能很快過時。未來可整理為公開比較文章，並納入更多工具（Cursor、Aider、Avante）的橫向實驗。

# 連結

GitHub：htlin222/play-with-codex
主要語言：Mixed
最後更新：2026-04-06

conductor-playground：多代理人編排框架的探索性 TypeScript 實驗

Wed, 18 Mar 2026 00:00:00 +0000

# Introduction（引言）

當 LLM 應用從單一 Agent 進入多 Agent 階段，「指揮（conductor）」的角色變得關鍵：誰決定哪個 Agent 處理哪個任務？如何協調彼此的輸出？如何避免無限循環？這些問題並無業界標準解，需要透過實作累積經驗。本專案即是作者探索多 Agent 編排設計的私人實驗場，以 TypeScript 撰寫不同編排策略並比較其行為。

# Methods（方法）

實作以 TypeScript 為主，以模組化方式設計多種編排原型：中央指揮型（一個 conductor 分派任務）、消息總線型（Agent 之間自由訂閱事件）、流水線型（任務依序傳遞）。每種原型皆以同樣的範例任務（如「對一組病例做摘要與分類」）測試，量化比較其延遲、token 用量與正確率。

整體採取「先嘗試再評論」原則：不預設哪種編排最佳，而是透過實際運行收集行為資料。所有實驗紀錄與結論留存於倉庫內，作為日後設計決策的參考。

# Results（結果）

不同編排在不同情境下展現各自優勢：中央指揮在任務界線清晰時最穩定，但 conductor 本身成為瓶頸；消息總線在開放式探索任務上表現靈活，但更難除錯；流水線適合線性流程但缺乏彈性。這些觀察直接影響了作者其他多 Agent 專案（如 agentic-holdem）的架構選擇。

# Discussion（討論）

本專案實踐了「實驗倉庫驅動工程決策」的方法：在缺乏明確最佳解時，以可觀察的小型原型代替長篇辯論。限制方面，實驗任務簡化過後可能與真實場景行為差異；TypeScript 語言生態雖適合 web 整合，對於後端編排亦有 Python 等替代選項值得比較。未來可擴展為公開的多 Agent 編排基準測試，並接入更多 LLM 供應商以排除模型特異性。

# 連結

GitHub：htlin222/conductor-playground
主要語言：TypeScript
最後更新：2026-03-18

openclaw：以「龍蝦之道」呈現的個人化跨平台 AI 助手探索

Sat, 14 Mar 2026 00:00:00 +0000

# Introduction（引言）

商用 AI 助手如 Claude、ChatGPT 提供良好體驗，但跨平台、跨裝置的一致性仍仰賴各廠商之 IDE 整合或 SDK，對於希望跨多種環境（macOS、Linux、伺服器）保留同樣 AI 工作伴侶的使用者，現況仍有摩擦。openclaw 提出「龍蝦之道」（lobster way）：任何 OS、任何平台都能跑同一個 AI 助手，並以可被自我修改的程式碼形式存在。命名「claw」對應 Claude，象徵以 Claude 為核心的個人化助手。

# Methods（方法）

實作以跨平台核心為設計原則，模組化拆分為前端互動層、模型呼叫層、本地工具層與設定層。前端可在不同 OS 採用對應原生 GUI 或 TUI；模型呼叫層支援 Claude、Codex、Gemini 等主流供應商；本地工具層遵循 MCP 協定以利擴充；設定層以可被版本控制的純文字格式存放。

整體開發採取「個人優先」（personal-first）原則：所有設計決策以滿足作者本人跨機器使用為核心，不追求成為通用商品。如此可避免落入功能膨脹的陷阱，保持核心精煉。

# Results（結果）

雖仍處於探索階段，openclaw 已能提供一個概念驗證：當 AI 助手以個人化方式被擁有時，使用者擁有的是工作伴侶而非租用的服務。對作者個人而言，這是探索「下一代 AI 工作流」的試驗場；對社群而言，可作為「以 lobster way 思考 AI 工具個人主權」的範例。

# Discussion（討論）

本專案具體化了「擁有自己的 AI 工作流」的理想。其貢獻在於提供一個可被研究、被批評、被分叉的開放原型。限制方面，跨平台一致性需要持續維護，特別是 GUI 元件；模型供應商的 API 變動會迫使核心調整。未來可探索與 csession、session-collection 等個人化專案的整合，形成完整的「擁有式 AI 工作流」生態。

# 連結

GitHub：htlin222/openclaw
主要語言：Mixed
最後更新：2026-03-14