小狐狸事務所

AI 應用程式專案 (二) : Youtube 字幕摘要生成器

2026-04-10T00:30:00.007+08:00

本篇繼續測試 Oreilly "AI 應用程式開發" 這本書第三章的 App 專案 No.2 : Youtube 影片摘要, 本篇旨在測試如何利用第三方套件抓取 Youtube 影片字幕後丟給 AI 生成影片內容摘要. 此書的範例程式可在 GitHub 下載 :

# https://oreil.ly/DevAppsGPT_GitHub

本專案範例原始碼網址 :

# https://github.com/malywut/gpt_examples/blob/main/Chap3_02_YoutubeSummarizer/run.py

# https://github.com/malywut/gpt_examples/blob/main/Chap3_02_YoutubeSummarizerVision/run.py

本系列全部測試文章索引參考 :

# OpenAI API 學習筆記索引

1. 安裝 Youtube 字幕抓取工具 yt-dlp :

我詢問 Gemini 要如何下載 YT 字幕檔, 它推薦用 youtube-transcript-api, 但經測試發現無法下載字幕, 很可能是被 YT 阻擋了, 第二選擇是使用 yt-dlp 套件, 經測試可順利下載字幕檔.

首先用 pip 安裝此套件 :

(myvenv) D:\python\test>pip install yt-dlp

Collecting yt-dlp

Downloading yt_dlp-2026.3.17-py3-none-any.whl.metadata (182 kB)

Downloading yt_dlp-2026.3.17-py3-none-any.whl (3.3 MB)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 3.3/3.3 MB 7.5 MB/s 0:00:00

Installing collected packages: yt-dlp

Successfully installed yt-dlp-2026.3.17

我找了一個含有中英文字幕的 Python 教學短片來測試 :

# https://www.youtube.com/watch?v=OndBl1H1rwM

測試程式如下 (ChatGPT 生成) :

# get_youtube_transcript_1.py

import sys

import os

import yt_dlp

def get_yt_subtitle_ytdlp(video_id):

url=f"https://www.youtube.com/watch?v={video_id}"

# 設定 yt-dlp 參數

ydl_opts={

'skip_download': True, # 不下載影片檔

'writesubtitles': True, # 抓取手寫字幕

'writeautomaticsub': True, # 如果沒手寫就抓自動生成的

'subtitleslangs': ['zh-Hant', 'zh-TW', 'en'], # 語言優先順序

'outtmpl': '%(title)s.%(ext)s', # 設定輸出檔名主檔名為影片標題

'quiet': True,

'no_warnings': True,

}

try:

with yt_dlp.YoutubeDL(ydl_opts) as ydl:

print(f"DEBUG: 正在透過 yt-dlp 請求影片 {video_id} 的資訊...")

info=ydl.extract_info(url, download=False)

subtitles=info.get('requested_subtitles')

if subtitles:

for lang, sub_info in subtitles.items():

print(f"✅ 成功找到語言: {lang}")

# 下載字幕檔

ydl.download([url])

# 取得檔名（影片檔名 base）

base_filename=ydl.prepare_filename(info)

base_name=os.path.splitext(base_filename)[0]

# 嘗試找字幕檔

found_files=[]

for lang in subtitles.keys():

possible_file=f"{base_name}.{lang}.vtt"

if os.path.exists(possible_file):

found_files.append(possible_file)

if found_files:

for f in found_files:

print(f"🎉 字幕已下載: {f}")

else:

print("⚠️ 字幕下載完成，但找不到實際檔案名稱")

else:

print("❌ 找不到符合的繁體中文或英文字幕")

except Exception as e:

print(f"❌ yt-dlp 抓取失敗: {e}")

if __name__ == "__main__":

if len(sys.argv) < 2:

print("用法: python script.py [影片ID]")

sys.exit(1)

get_yt_subtitle_ytdlp(sys.argv[1])

執行結果如下 :

(myvenv) D:\python\test>python get_youtube_transcript_2.py OndBl1H1rwM

DEBUG: 正在透過 yt-dlp 請求影片 OndBl1H1rwM 的資訊...

✅ 成功找到語言: zh-TW

✅ 成功找到語言: en

🎉 字幕已下載: 【Code Gym】Python基礎教學(5) - for迴圈和while迴圈.zh-TW.vtt

🎉 字幕已下載: 【Code Gym】Python基礎教學(5) - for迴圈和while迴圈.en.vtt

開啟檢視繁中字幕檔內容 :

WEBVTT

Kind: captions

Language: zh-TW

00:00:05.940 --> 00:00:10.400

我們撰寫程式的目的，除了是要建立商業邏輯中判斷的條件

00:00:10.400 --> 00:00:12.960

還需要善用電腦快速運算的能力

00:00:13.140 --> 00:00:16.320

在商業邏輯中執行反覆出現的規則運算

00:00:16.320 --> 00:00:20.820

其中for迴圈和while迴圈就是我們兩個好用的工具

00:00:21.160 --> 00:00:23.680

如果你想要指定程式執行的次數

00:00:23.680 --> 00:00:27.820

或是從容器型態的物件中依序取出裡面的值

00:00:27.820 --> 00:00:31.060

像是我先前介紹過的List, Tuple型態

... (略) ...

00:08:12.700 --> 00:08:17.100

Code Gym頻道主要是分享程式語言教學和電腦網路相關知識

00:08:17.100 --> 00:08:20.900

像是今天影片中所介紹的「for迴圈和while迴圈」

00:08:21.880 --> 00:08:24.240

如果你想要收到最新影片消息

00:08:24.240 --> 00:08:26.080

歡迎訂閱Code Gym頻道

00:08:26.080 --> 00:08:27.020

開小鈴鐺

00:08:27.020 --> 00:08:29.020

我們下次再見，掰掰！

但上面程式有一個缺點, 字幕檔的主檔名使用影片標題, 這可能在之後要用程式開啟檔案時帶來麻煩 (例如標題中有怪碼), 比較好的做法是用影片 ID 當主檔名, 只要修改 yt-dlp 參數中的 'outtmpl' 鍵為 '%(id)s.%(ext)s' 即可 :

'outtmpl': '%(id)s.%(ext)s'

再次執行結果如下 :

(myvenv) D:\python\test>python get_youtube_transcript_1.py OndBl1H1rwM

DEBUG: 正在透過 yt-dlp 請求影片 OndBl1H1rwM 的資訊...

✅ 成功找到語言: zh-TW

✅ 成功找到語言: en

🎉 字幕已下載: OndBl1H1rwM.zh-TW.vtt

🎉 字幕已下載: OndBl1H1rwM.en.vtt

2. 串接 OpenAI API 生成影片字幕摘要 :

在上面下載字幕檔程式的基礎上, 將字幕內容經過清理, 去除文字以外的資訊後丟給 GPT 模型生成摘要, 程式碼如下 :

# get_youtube_transcript_2.py

import sys

import os

import re

import yt_dlp

from openai import OpenAI

from dotenv import dotenv_values

config=dotenv_values('.env')

openai_api_key=config.get('OPENAI_API_KEY')

client=OpenAI(api_key=openai_api_key)

def clean_vtt(file_path):

"""

清理 VTT 字幕檔，移除時間軸、標頭與重複的文字區塊，回傳純文字。

"""

if not os.path.exists(file_path):

return ""

with open(file_path, 'r', encoding='utf-8') as f:

lines=f.readlines()

clean_text_list=[]

for line in lines:

# 移除 WEBVTT 標頭、時間軸 (-->) 與設定行

if "-->" in line or line.startswith("WEBVTT") or line.startswith("Kind:") or line.startswith("Language:"):

continue

# 移除 HTML 標籤 (例如 <c> 標籤)

line=re.sub(r'<[^>]+>', '', line).strip()

# 避免加入空白行與重複的行 (VTT 常有重複出現的字幕快照)

if line and (not clean_text_list or line != clean_text_list[-1]):

clean_text_list.append(line)

return "\n".join(clean_text_list)

def ask_gpt(

messages: list[dict[str, str]],

model: str='gpt-3.5-turbo'

) -> str:

try:

reply=client.chat.completions.create(

model=model,

messages=messages

)

return reply.choices[0].message.content or ''

except APIError as e:

return e.message

def summarizer(text):

if not text:

return "無字幕內容可生成摘要。"

print("\n--- [摘要生成中] ---")

print(f"（已接收到 {len(text)} 字的字幕內容，準備進行摘要...）")

# 呼叫 AI 生成摘要

return ask_gpt([{"role": "user",

"content": f"請摘要下列字幕內容 : \n{text}"}])

def get_yt_subtitle_ytdlp(video_id):

url=f"https://www.youtube.com/watch?v={video_id}"

# 定義語言優先順序：繁體中文 -> 簡體中文 -> 英文

lang_priority=['zh-Hant', 'zh-TW', 'zh-Hans', 'zh-CN', 'en']

ydl_opts={

'skip_download': True,

'writesubtitles': True,

'writeautomaticsub': True,

'subtitleslangs': lang_priority,

'outtmpl': '%(id)s.%(ext)s', # 強制以影片 ID 為主檔名

'quiet': True,

'no_warnings': True,

}

try:

with yt_dlp.YoutubeDL(ydl_opts) as ydl:

print(f"DEBUG: 正在透過 yt-dlp 請求影片 {video_id} 的資訊...")

info=ydl.extract_info(url, download=False)

subtitles=info.get('requested_subtitles')

if not subtitles:

print("❌ 找不到符合要求的字幕。")

return

# 下載字幕檔

ydl.download([url])

# 依照優先順序尋找已下載的檔案

selected_file=None

for lang in lang_priority:

possible_file=f"{video_id}.{lang}.vtt"

if os.path.exists(possible_file):

selected_file=possible_file

print(f"✅ 已選定最優語言字幕: {lang} ({selected_file})")

break

if selected_file:

# 1. 清理字幕

print(f"🧹 正在清理字幕格式...")

cleaned_content=clean_vtt(selected_file)

# 2. 生成摘要

summary_result=summarizer(cleaned_content)

print("\n[摘要結果]:")

print(summary_result)

# 可選：實驗完成後刪除暫存的 vtt 檔

# os.remove(selected_file)

else:

print("⚠️ 檔案下載完成，但讀取時找不到檔案。")

except Exception as e:

print(f"❌ 執行過程中發生錯誤: {e}")

if __name__ == "__main__":

if len(sys.argv) < 2:

print("用法: python script.py [影片ID]")

sys.exit(1)

get_yt_subtitle_ytdlp(sys.argv[1])

執行結果如下 :

(myvenv) D:\python\test>python get_youtube_transcript_2.py OndBl1H1rwM

DEBUG: 正在透過 yt-dlp 請求影片 OndBl1H1rwM 的資訊...

✅ 已選定最優語言字幕: zh-TW (OndBl1H1rwM.zh-TW.vtt)

🧹 正在清理字幕格式...

--- [摘要生成中] ---

（已接收到 2339 字的字幕內容，準備進行摘要...）

[摘要結果]:

本文介紹了在撰寫程式中使用for迴圈和while迴圈的基本概念和用法。for迴圈主要用於從容器型態中依序取出值，可以指定程式執行的次數或範圍，使用range()函式可以簡化處理。在for迴圈中，可以使用break和continue來控制迴圈的流程。而while迴圈則是根據條件式的判斷結果來決定是否執行程式區塊，可以用來進行猜數字等互動式遊戲。最後，介紹了如何匯入Python模組，在學習完本文後可以在程式編輯軟體上實際練習程式碼。

AI 應用程式專案 (一) : 新聞稿生成器

2026-04-09T11:16:00.011+08:00

我的 OpenAI API 帳戶自去年再次儲值 5 美元後, 只做了少許生圖測試便晾在一邊, 轉眼已過了大半年, 為了避免一年使用期限到期沒用完被沒收, 打算拿 Oreilly "AI 應用程式開發" 這本書第三章的六個 App 專案來消耗掉.

測試環境使用最近為了 LangChain 測試而建立的乾淨虛擬環境, 參考 :

# LangChain 學習筆記 : 串接 LLM 模型 (三)

此書的範例程式可在 GitHub 下載 :

# https://oreil.ly/DevAppsGPT_GitHub

本篇旨在測試第三章中的專案 1 : 打造一個新聞稿生成器, 書中範例原始碼參考 :

# github.com/malywut/gpt_examples/blob/main/Chap3_01_NewsGenerator/run.py

本系列全部測試文章索引參考 :

# OpenAI API 學習筆記索引

此專案的目的是建立一個 AI 應用程式, 可以指定文章長度, 語氣與風格來生成新聞稿. 書中範例程式使用了 typing.List 來進行類型提示 (Type Hinting), 例如 facts: List[str] 是告訴閱讀程式碼的人或 IDE : facts 這個參數應該是一個串列, 且這個串列裡面的每個元素都應該是字串. 不過, 這種用法在 Python 3.9 之後已經內建到 list 中了, 新寫法是 facts: list[str], 所以我將原始範例程式碼改寫為如下 :

# news_generator_1.py

from openai import OpenAI

from dotenv import dotenv_values

config=dotenv_values('.env')

openai_api_key=config.get('OPENAI_API_KEY')

client=OpenAI(api_key=openai_api_key)

def ask_gpt(

messages: list[dict[str, str]],

model: str = 'gpt-3.5-turbo'

) -> str:

try:

reply=client.chat.completions.create(

model=model,

messages=messages

)

return reply.choices[0].message.content or ''

except APIError as e:

return e.message

prompt_role='''You are an assistant for journalists.

Your task is to write articles, based on the FACTS that are given to you.

You should respect the instructions: the TONE, the LENGTH, and the STYLE'''

# 你是記者的助理.

# 你的任務是根據所提供的事實 (FACTS) 來撰寫一篇新聞稿.

# 文章需符合指定的語氣 (TONE), 長度 (LENGTH), 與風格 (STYLE).

def assist_journalist(

facts: list[str],

tone: str,

length_words: int,

style: str

) -> str:

"""根據傳入的事實、語氣, 長度與風格生成新聞稿"""

facts_str=", ".join(facts)

prompt=f'{prompt_role}\nFACTS: {facts_str}\nTONE: {tone}\nLENGTH: {length_words} words\nSTYLE: {style}'

return ask_gpt([{"role": "user", "content": prompt}])

# 執行範例

if __name__ == "__main__":

result=assist_journalist(

facts=[

'2026年東京櫻花預計在3月底滿開',

'上野公園是著名的賞櫻勝地，有超過1000棵櫻花樹',

'傍晚會有點燈活動，可以欣賞浪漫的夜櫻',

'請使用繁體中文撰寫'

tone='浪漫且活潑',

length_words=300,

style='旅遊部落格文章'

)

print(result)

此處兩個函式 assist_journalist() 與 ask_gpt() 的傳入參數都使用了類型提示語法以增加程式碼可讀性. 例如 ask_gpt() 中的 messages: list[dict[str, str]] 意思是 :

messages 是一個串列, 裡面的每個元素都是字典.
字典的鍵與值都是字串, 例如 {"role": "user", "content": "hello"}

而 model: str = 'gpt-3.5-turbo' 表示 model 是一個字串且有預設值. -> str 表示傳回值類型為字串.

執行結果如下 :

(myvenv) D:\python\test>python news_generator_1.py

東京櫻花季即將來臨！2026年的櫻花季預計在3月底盛大開放，其中上野公園絕對是不能錯過的賞櫻勝地之一。這個充滿浪漫氛圍的公園擁有超過1000棵櫻花樹，每年都吸引著無數遊客前來欣賞這片粉紅色的花海。

除了白天的賞櫻之外，上野公園還有一項令人神往的活動，那就是傍晚的點燈活動。當夜幕降臨時，整個公園被點亮，營造出一種浪漫的氛圍，讓遊客們可以在夜幕下欣賞到迷人的夜櫻。這種別具一格的賞櫻體驗絕對讓人流連忘返。

在櫻花季期間，上野公園也會舉辦不同的活動和表演，讓遊客可以感受到濃濃的日本文化氛圍。無論是品嚐傳統的日本料理、參加傳統音樂表演還是購買精美的手工藝品，都能讓遊客們深入體驗到日本的文化魅力。

此外，上野公園周邊還擁有眾多商店和小吃攤位，供遊客選擇，讓您可以在欣賞櫻花的同時品嚐道地的日本美食和購買紀念品。不僅如此，公園周邊還有許多著名的博物館和寺廟，讓遊客可以一次過體驗到日本的豐富文化遺產。

總括而言，2024年的東京櫻花季將會是一場難忘的賞櫻之旅。無論是白天還是夜晚，在上野公園中都能感受到浪漫氛圍，讓您與摯愛共度美好時光。趕快計劃您的行程，一起來感受日本春天的魅力吧！

下面是 Gemini 版本的程式碼 :

# news_generator_2.py

from google import genai

from google.genai.errors import APIError

from dotenv import dotenv_values

config=dotenv_values('.env')

gemini_api_key=config.get('GEMINI_API_KEY')

client=genai.Client(api_key=gemini_api_key)

def ask_gemini(messages: str, model: str='gemini-2.5-flash') -> str:

try:

reply=client.models.generate_content(

model=model,

contents=messages

)

return reply.text or ''

except APIError as e:

return e.message

prompt_role='''You are an assistant for journalists.

Your task is to write articles, based on the FACTS that are given to you.

You should respect the instructions: the TONE, the LENGTH, and the STYLE'''

# 你是記者的助理.

# 你的任務是根據所提供的事實 (FACTS) 來撰寫一篇新聞稿.

# 文章需符合指定的語氣 (TONE), 長度 (LENGTH), 與風格 (STYLE).

def assist_journalist(

facts: list[str],

tone: str,

length_words: int,

style: str

) -> str:

"""根據傳入的事實、語氣, 長度與風格生成新聞稿"""

facts_str=", ".join(facts)

prompt=f'{prompt_role}\nFACTS: {facts_str}\nTONE: {tone}\nLENGTH: {length_words} words\nSTYLE: {style}'

# Gemini 可直接接受字串作為 contents, 傳入串列可能會解析失敗

return ask_gemini(prompt)

# 執行範例

if __name__ == "__main__":

result=assist_journalist(

facts=[

'2026年東京櫻花預計在3月底滿開',

'上野公園是著名的賞櫻勝地，有超過1000棵櫻花樹',

'傍晚會有點燈活動，可以欣賞浪漫的夜櫻',

'請使用繁體中文撰寫' # 提示模型使用特定語言

tone='浪漫且活潑',

length_words=300,

style='旅遊部落格文章'

)

print(result)

此 Gemini 版與上面 OpenAI 版主要不同處有二 :

錯誤處理須匯入 google.genai.errors.APIError 類別.
Gemini SDK 可以接受字串作為 contents, 所以在 ask_gemini() 中傳入參數 messages 是字串, 而不是 OpenAI 中的串列 [{"role": "user", "content": prompt}], 否則 Gemini 的 SDK 可能會解析失敗 (視於版本相容性而定), 同時 assist_journalist() 內呼叫 ask_gemini() 也是直接傳 prompt 字串.

注意, 此處使用新版 Gemini SDK : google-genai 而非舊版的 google-generativeai, 參考下面這篇底下的補充 :

# Google Gemini API 學習筆記 (一) : 文字聊天測試

執行結果如下 :

(myvenv) D:\python\test>python news_generator_2.py

## 2026東京櫻花前線速報！上野公園千株櫻花與夢幻夜櫻等你來！

嘿，各位櫻花迷們！是不是已經開始期待下一個粉紅色的春天了呢？告訴你一個振奮人心的好消息！2026年東京的櫻花季，預計將在**3月底**達到最美、最浪漫的滿開！準備好迎接這場不容錯過的春日盛典了嗎？

想抓住這份稍縱即逝的絕美風景，怎能錯過東京最經典、最有活力的賞櫻勝地——**上野公園**呢？這裡可是名符其實的「櫻花海」！園內種植了**超過1000棵**櫻花樹，想像一下，漫步在粉白色的花海隧道下，微風輕拂，花瓣如雪般飄落，光是想像就讓人心醉神迷。白天，公園裡總是充滿著歡聲笑語，野餐、散步、拍照，每一處都是生機勃勃的春日氣息。

但別以為太陽下山就結束了！上野公園的魅力在傍晚時分才真正達到高潮！入夜後，園內精心設計的**點燈活動**會將這些嬌嫩的櫻花裝扮得如夢似幻。一盞盞溫暖的光芒，輕柔地映照著粉白花朵，將白天的活潑氣氛轉化為一片極致浪漫的**夜櫻仙境**。和心愛的人手牽手，在微光中欣賞這份獨特的景色，絕對會是2026年春日最難忘的記憶，為你的東京之旅增添無限美好的浪漫色彩！

所以，親愛的朋友們，2026年3月底，趕快把你的行事曆空下來吧！東京上野公園的千株櫻花與夢幻夜櫻正等著你，一起來感受這場浪漫又活潑的春日盛典！別再猶豫了，現在就開始規劃你的東京櫻花之旅吧！

好書 : 歸剛 Vibe Coding

2026-04-07T18:49:00.006+08:00

今天在博客來找到這本 Vibe coding 的電子書 :

# 歸剛 Vibe Coding (電子書)

我用 HyRead 查詢市圖未進此書, 但台灣雲端書庫有, 借期 14 天, 由於篇幅不大, 我今天就看完了, 摘要心得如下 :

創作時只要專注在 "我要完成甚麼", 而不是去糾結 "我要學習甚麼", 碰到問題才查才問, 這樣完成率就會很高. 這種狀態下, 沒有刻意要學, 卻學得超快.
對企業來說, 員工永遠都是可有可無的開銷.
創業的原理很簡單 : 發現需求 -> 發揮想像力與觀察力 -> 勇敢去實踐
創業=解決問題+創造價值+實際賺錢.
上班族賣的是時間, 創業者賣的是點子變出來的資產.
AI 時代的成功不再是靠背景, 學歷, 資源, 而是靠有想法+會動手.
Vibe coding 的核心觀念 : 先創造感覺, 再修細節>
Vibe coding 步驟 :

快速生成原型 : 利用 AI 工具+現成框架 (Next.js, Tailwind, Supabase, ...)
即時發布 (Vercel 等)
社群平台 (Discord, Threads, ...) 回饋驅動迭代

Vibe coding 是從寫得正確轉向為先做出感覺. 市場變化很快, 與其寫規格書, 不如先丟作品上去看市場反應.
不論是做網站還是 App, 開發任何產品前首先要問 : 誰是使用者? 不要去想 "他們需要甚麼功能" (feature-to-be-shipped), 而是要想 "他們想完成甚麼事" (job-to-be-done). 總之, 不要急著做, 先把使用人的問題搞懂.
Rig : 一套能把靈感迅速變成現實的工具組合 (AI 工具 + 開發框架 + 雲端佈署).
開發框架技術堆疊 :

Next.js : 最快速的 React 框架
Tailwind : 直接用 class 寫樣式
Supabase / PlanetScal : 資料庫即服務
Bun / Vite : 快速的 Javascript 框架

網頁工具技術堆疊 :

Figma : 網頁 UI 外觀
Wenflow / Proto.io : 互動網頁工具
Vercel : 一鍵完成佈署

Vibe coding 的關鍵不是要懂很多技術, 而是要選對工具與問對問題.
向 AI 提問時最大的忌諱是一次丟出一個又大又模糊的問題, 否則它會亂猜你的需求, 應該要這樣問 : "我想做一個 xxx, 裡面有 xxx, 先問我問題跟我討論". 在動手開發之前, 應該先進行討論, 而不是直接行動. 問 AI 有甚麼問題要問你其實就是讓 AI 幫你找出完成此專案需要考慮的事項, 讓你得到一連串切中核心的問題.
與 AI 溝通的要訣 :

可在專案目標後面加上這段 : "請針對我提出的目標和方向提出最詳細的問題, 不要當好好先生, 別甚麼都同意, 要質疑我選的方向與決定, 永遠不要自行假設", 可避免 AI 亂編內容, 並能主動問你問題以釐清細節.
請 AI 一次做一個步驟, 否則它會一股腦兒把全部解決方案爆出來, 如果方向錯誤要浪費較多時間導正. 可加上這段提示 : "請一步一步來, 不要一次全部給我".

隨著來回討論越長, AI 的反應會越慢效率變差, 可用下列提示詞來做一個總結與繼承動作 : "請整理目前我們所建立的重要上下文, 包含所有決策, 定義, 專案目標, 技術設置, 程式結構, 使用工具, 命名規則, 文字語氣, 以及任何對此專案重要的資訊, 請整理得清楚明瞭, 方便我複製貼上". 然後複製下來, 開啟一個新對話貼上, 同時貼上專案資料夾的專案結構樹 (用 tree 指令). 然後加上這句 "請在開始對話前, 告訴我你想要我貼上哪些檔案的內容?", 將第一個檔案內容貼給它時, 加上這句 "這是第一個檔案, 只要告訴我你收到了即可, 不用進行分析, 然後告訴我你要看的下一個檔案, 等全部貼完再分析."

Hahow 購買黑木太太日語課

2026-04-06T23:52:00.005+08:00

最近在 fb 看到黑木太太日語課在募資, 今天是 88 折優惠最後一天, 想說退休前的這幾年會很常去日本玩, 最好把日語練好一點, 就購買了此課程 :

# 黑木太太的實用日語課｜生活旅遊Ｘ口說練習Ｘ台日文化

最近開車都在聽 Yumi 老師的日文課, 聽久了不知不覺就背起來了.

2026 年第 13 周記事

2026-04-06T16:21:00.004+08:00

本周清明連假只上四天班, 下周一補假, 周五天氣酷熱, 按計畫完成芭樂樹下雜草清除, 並到墓園巡視給花瓶添水. 周六下雨待在家, 雖然完成兩篇 LangChain 測試, 但原本要在車庫安裝監視器的計畫, 卻因為沉迷 fb 上的雍正王朝解說短片而沒做. 週日與周一終於抽空動手組裝置物櫃與衣櫥, 準備整理庫房的衣服與三樓的書籍.

第二季的學習重點是 Vibe coding, 首先要把購買的線上課程抽空看完, 目前還是使用 Gemini CLI, 下一季再考慮切入 Claude Code. 其次要複習一月以來的幾個很棒的內訓課程, 但上課時我幾乎都沒時間實作, 光聽不練其實沒有用, 所以我上課必定錄影 (但錄到現在卻幾乎沒時間複習).

我最近實在花太多時間在滑臉書了, 演算法總是丟一些吸引我眼球的天文學與歷史劇害我難以脫身. 進入四月後較無俗事 (下次事六月的端午節拜拜), 應該要靜下心來好好追進度了. 另外, 路旁水圳蓮霧樹上的照明燈打算改裝, 想製作一個鳥屋來安裝監視器 + 照明燈.

菜園旁的舊豬舍牆上則想要裝上草莓的垂直栽培架 :

兩周前安安表弟幫我用舊電腦弄了一台 NAS, 目前只有一顆 500GB 硬碟, 但一直沒時間去設定路由器, 今天檢查發現居然當機了, 等有時間再來玩看看.

LangChain 學習筆記 : 串接 LLM 模型 (四)

2026-04-05T15:12:00.008+08:00

在前一篇測試中, 我使用 venv 建立一個虛擬環境, 並於其中安裝 langchain-google-genai 與 langchain-openai 這兩個外掛套件來分別串接 Gemini 與 OpenAI API, 目前 Gemini 免費帳戶可用 gemini-2.5-flash 與 gemini-2.5-flash-lite 等快捷與低成本模型; OpenAI 可使用經典的 gpt-3.5-turbo 或較新的 gpt-4o-mini 模型 (需付費購買 API key).

本篇旨在測試如何查詢有哪些模型可用, 這會用到 OpenAI 與 Gemini 的原生 API : openai 與 google_genai, 這兩個套件在安裝 langchain_openai 與 langchain_google_genai 時都會作為底層依賴套件被自動安裝.

本系列全部文章索引參考 :

# LangChain 學習筆記索引

1. 查詢 OpenAI 模型 :

查詢 OpenAI 模型列表是透過 OpenAI 物件的 models 屬性的 list() 方法 :

# list_openai_models.py

from openai import OpenAI

from dotenv import dotenv_values

# 讀取 .env 中的 OPENAI_API_KEY

config=dotenv_values('.env')

client=OpenAI(api_key=config.get('OPENAI_API'))

print("--- OpenAI 目前可用模型清單 ---")

try:

models=client.models.list()

for m in models:

# 過濾掉一些老舊或非對話的模型，只看主流的

if "gpt" in m.id or "o3" in m.id or "o5" in m.id:

print(f"模型 ID: {m.id}")

except Exception as e:

print(f"查詢失敗：{e}")

結果如下 :

(myvenv) D:\python\test>python list_openai_models.py

--- OpenAI 目前可用模型清單 ---

模型 ID: gpt-4-0613

模型 ID: gpt-4

模型 ID: gpt-3.5-turbo

模型 ID: gpt-5.4-mini

模型 ID: gpt-5.4

模型 ID: gpt-5.4-nano-2026-03-17

模型 ID: gpt-5.4-nano

模型 ID: gpt-5.4-mini-2026-03-17

模型 ID: gpt-3.5-turbo-instruct

模型 ID: gpt-3.5-turbo-instruct-0914

模型 ID: gpt-3.5-turbo-1106

模型 ID: gpt-3.5-turbo-0125

模型 ID: gpt-4-turbo

模型 ID: gpt-4-turbo-2024-04-09

模型 ID: gpt-4o

模型 ID: gpt-4o-2024-05-13

模型 ID: gpt-4o-mini-2024-07-18

模型 ID: gpt-4o-mini

模型 ID: gpt-4o-2024-08-06

模型 ID: gpt-4o-audio-preview

模型 ID: gpt-4o-realtime-preview

模型 ID: gpt-4o-realtime-preview-2024-12-17

模型 ID: gpt-4o-audio-preview-2024-12-17

模型 ID: gpt-4o-mini-realtime-preview-2024-12-17

模型 ID: gpt-4o-mini-audio-preview-2024-12-17

模型 ID: gpt-4o-mini-realtime-preview

模型 ID: gpt-4o-mini-audio-preview

模型 ID: o3-mini

模型 ID: o3-mini-2025-01-31

模型 ID: gpt-4o-2024-11-20

模型 ID: gpt-4o-mini-search-preview-2025-03-11

模型 ID: gpt-4o-mini-search-preview

模型 ID: gpt-4o-transcribe

模型 ID: gpt-4o-mini-transcribe

模型 ID: gpt-4o-mini-tts

模型 ID: o3-2025-04-16

模型 ID: o3

模型 ID: gpt-4.1-2025-04-14

模型 ID: gpt-4.1

模型 ID: gpt-4.1-mini-2025-04-14

模型 ID: gpt-4.1-mini

模型 ID: gpt-4.1-nano-2025-04-14

模型 ID: gpt-4.1-nano

模型 ID: gpt-image-1

模型 ID: gpt-4o-realtime-preview-2025-06-03

模型 ID: gpt-4o-audio-preview-2025-06-03

模型 ID: gpt-4o-transcribe-diarize

模型 ID: gpt-5-chat-latest

模型 ID: gpt-5-2025-08-07

模型 ID: gpt-5

模型 ID: gpt-5-mini-2025-08-07

模型 ID: gpt-5-mini

模型 ID: gpt-5-nano-2025-08-07

模型 ID: gpt-5-nano

模型 ID: gpt-audio-2025-08-28

模型 ID: gpt-realtime

模型 ID: gpt-realtime-2025-08-28

模型 ID: gpt-audio

模型 ID: gpt-5-codex

模型 ID: gpt-image-1-mini

模型 ID: gpt-5-pro-2025-10-06

模型 ID: gpt-5-pro

模型 ID: gpt-audio-mini

模型 ID: gpt-audio-mini-2025-10-06

模型 ID: gpt-5-search-api

模型 ID: gpt-realtime-mini

模型 ID: gpt-realtime-mini-2025-10-06

模型 ID: gpt-5-search-api-2025-10-14

模型 ID: gpt-5.1-chat-latest

模型 ID: gpt-5.1-2025-11-13

模型 ID: gpt-5.1

模型 ID: gpt-5.1-codex

模型 ID: gpt-5.1-codex-mini

模型 ID: gpt-5.1-codex-max

模型 ID: gpt-image-1.5

模型 ID: gpt-5.2-2025-12-11

模型 ID: gpt-5.2

模型 ID: gpt-5.2-pro-2025-12-11

模型 ID: gpt-5.2-pro

模型 ID: gpt-5.2-chat-latest

模型 ID: gpt-4o-mini-transcribe-2025-12-15

模型 ID: gpt-4o-mini-transcribe-2025-03-20

模型 ID: gpt-4o-mini-tts-2025-03-20

模型 ID: gpt-4o-mini-tts-2025-12-15

模型 ID: gpt-realtime-mini-2025-12-15

模型 ID: gpt-audio-mini-2025-12-15

模型 ID: chatgpt-image-latest

模型 ID: gpt-5.2-codex

模型 ID: gpt-5.3-codex

模型 ID: gpt-realtime-1.5

模型 ID: gpt-audio-1.5

模型 ID: gpt-4o-search-preview

模型 ID: gpt-4o-search-preview-2025-03-11

模型 ID: gpt-5.3-chat-latest

模型 ID: gpt-5.4-2026-03-05

模型 ID: gpt-5.4-pro

模型 ID: gpt-5.4-pro-2026-03-05

模型 ID: gpt-3.5-turbo-16k

2. 查詢 Gemini 模型 :

查詢 Gemini 模型列表是透過 genai 物件的 models 屬性的 list() 方法, 注意, 新版 API 的判斷欄位改為 supported_actions (舊版為 supported_generation_methods) :

# list_gemini_models.py

from google import genai

from dotenv import dotenv_values

# 1. 讀取 .env

config=dotenv_values('.env')

api_key=config.get('GEMINI_API_KEY')

# 2. 初始化 Client (新版 API 不再用 genai.configure)

client=genai.Client(api_key=api_key)

print("--- 可用的 Google AI 模型如下： ---")

try:

# 3. 使用 client.models.list() 查詢

for m in client.models.list():

# 新版 API 的判斷欄位為 supported_actions

if 'generateContent' in m.supported_actions:

print(f'模型 ID: {m.name:}')

except Exception as e:

print(f"查詢出錯：{e}")

執行結果 :

(myvenv) D:\python\test>python list_gemini_models.py

--- 可用的 Google AI 模型如下： ---

模型 ID: models/gemini-2.5-flash

模型 ID: models/gemini-2.5-pro

模型 ID: models/gemini-2.0-flash

模型 ID: models/gemini-2.0-flash-001

模型 ID: models/gemini-2.0-flash-lite-001

模型 ID: models/gemini-2.0-flash-lite

模型 ID: models/gemini-2.5-flash-preview-tts

模型 ID: models/gemini-2.5-pro-preview-tts

模型 ID: models/gemma-3-1b-it

模型 ID: models/gemma-3-4b-it

模型 ID: models/gemma-3-12b-it

模型 ID: models/gemma-3-27b-it

模型 ID: models/gemma-3n-e4b-it

模型 ID: models/gemma-3n-e2b-it

模型 ID: models/gemma-4-26b-a4b-it

模型 ID: models/gemma-4-31b-it

模型 ID: models/gemini-flash-latest

模型 ID: models/gemini-flash-lite-latest

模型 ID: models/gemini-pro-latest

模型 ID: models/gemini-2.5-flash-lite

模型 ID: models/gemini-2.5-flash-image

模型 ID: models/gemini-3-pro-preview

模型 ID: models/gemini-3-flash-preview

模型 ID: models/gemini-3.1-pro-preview

模型 ID: models/gemini-3.1-pro-preview-customtools

模型 ID: models/gemini-3.1-flash-lite-preview

模型 ID: models/gemini-3-pro-image-preview

模型 ID: models/nano-banana-pro-preview

模型 ID: models/gemini-3.1-flash-image-preview

模型 ID: models/lyria-3-clip-preview

模型 ID: models/lyria-3-pro-preview

模型 ID: models/gemini-robotics-er-1.5-preview

模型 ID: models/gemini-2.5-computer-use-preview-10-2025

模型 ID: models/deep-research-pro-preview-12-2025

也可以不直接使用原生 API (google_genai 套件), 而是透過 LangChain 調用底層 Client 物件 :

# list_gemini_models_2.py

from langchain_google_genai import ChatGoogleGenerativeAI

from dotenv import dotenv_values

config=dotenv_values('.env')

api_key=config.get('GEMINI_API_KEY')

# 初始化 LangChain 模型物件

chat_model=ChatGoogleGenerativeAI(model='gemini-2.5-flash', api_key=api_key)

print("--- 透過 LangChain 的底層 Client 查詢模型 ---")

try:

# 直接存取 LangChain 內部的 client 物件 (這就是 google-genai 的實體)

# 注意：這屬於「私有屬性」存取，通常用於調錯或特殊查詢

client=chat_model.client

for m in client.models.list():

if 'generateContent' in m.supported_actions:

print(f"可用模型: {m.name}")

except Exception as e:

print(f"查詢失敗：{e}")

執行結果與上面直接使用原生 API 相同 :

(myvenv) D:\python\test>python list_gemini_models_2.py

--- 透過 LangChain 的底層 Client 查詢模型 ---

可用模型: models/gemini-2.5-flash

可用模型: models/gemini-2.5-pro

可用模型: models/gemini-2.0-flash

可用模型: models/gemini-2.0-flash-001

可用模型: models/gemini-2.0-flash-lite-001

可用模型: models/gemini-2.0-flash-lite

可用模型: models/gemini-2.5-flash-preview-tts

可用模型: models/gemini-2.5-pro-preview-tts

可用模型: models/gemma-3-1b-it

可用模型: models/gemma-3-4b-it

可用模型: models/gemma-3-12b-it

可用模型: models/gemma-3-27b-it

可用模型: models/gemma-3n-e4b-it

可用模型: models/gemma-3n-e2b-it

可用模型: models/gemma-4-26b-a4b-it

可用模型: models/gemma-4-31b-it

可用模型: models/gemini-flash-latest

可用模型: models/gemini-flash-lite-latest

可用模型: models/gemini-pro-latest

可用模型: models/gemini-2.5-flash-lite

可用模型: models/gemini-2.5-flash-image

可用模型: models/gemini-3-pro-preview

可用模型: models/gemini-3-flash-preview

可用模型: models/gemini-3.1-pro-preview

可用模型: models/gemini-3.1-pro-preview-customtools

可用模型: models/gemini-3.1-flash-lite-preview

可用模型: models/gemini-3-pro-image-preview

可用模型: models/nano-banana-pro-preview

可用模型: models/gemini-3.1-flash-image-preview

可用模型: models/lyria-3-clip-preview

可用模型: models/lyria-3-pro-preview

可用模型: models/gemini-robotics-er-1.5-preview

可用模型: models/gemini-2.5-computer-use-preview-10-2025

可用模型: models/deep-research-pro-preview-12-2025

注意, 由於 Google 與 OpenAI 兩家公司在 SDK 設計邏輯上的根本差異, 使得 LangChain 在整合這兩者時採取了不同策略, Gemini 可以直接透過 .client 取得模型清單, 而 OpenAI 則不行, 因此查詢 OpenAI 的模型清單必須用底層 SDK 套件 openai.

LangChain 學習筆記 : 串接 LLM 模型 (三)

2026-04-04T10:59:00.010+08:00

3/21 從日本旅行回來後感覺有很多東西要學, 但卻不知從哪一個著手. 昨天整理書桌看到案上的 LangChain 書籍, 想說那就從 LangChain 開始吧! 記得 LangChain 就是去年九月第一次關西之旅回來後開始學習的.

由於我的 LG Gram 筆電的 Thonny Python 執行環境太亂了, 存在嚴重的版本衝突問題, 所以在重新出發之前, 先建立一個專門用來串接 GenAI 的乾淨虛擬環境較好. 我之前曾使用 poetry 來建立與管理虛擬環境, 但本篇則是要使用傳統且熟悉的 venv.

本系列全部測試文章參考 :

# LangChain 學習筆記索引

開啟命令提示字元視窗建立一個名為 myvenv 虛擬環境 :

D:\python\test>python -m venv myvenv

D:\python\test>myvenv\Scripts\activate

(myvenv) D:\python\test>

用 pip list 檢視可知只有一個 pip 套件而已 :

(myvenv) D:\python\test>pip list

Package Version

------- -------

pip 23.2.1

[notice] A new release of pip is available: 23.2.1 -> 26.0.1

[notice] To update, run: python.exe -m pip install --upgrade pip

更新 pip 版本 :

(myvenv) D:\python\test>python.exe -m pip install --upgrade pip

Requirement already satisfied: pip in d:\python\test\myvenv\lib\site-packages (23.2.1)

Collecting pip

Obtaining dependency information for pip from https://files.pythonhosted.org/packages/de/f0/c81e05b613866b76d2d1066490adf1a3dbc4ee9d9c839961c3fc8a6997af/pip-26.0.1-py3-none-any.whl.metadata

Downloading pip-26.0.1-py3-none-any.whl.metadata (4.7 kB)

Downloading pip-26.0.1-py3-none-any.whl (1.8 MB)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.8/1.8 MB 2.1 MB/s eta 0:00:00

Installing collected packages: pip

Attempting uninstall: pip

Found existing installation: pip 23.2.1

Uninstalling pip-23.2.1:

Successfully uninstalled pip-23.2.1

Successfully installed pip-26.0.1

(myvenv) D:\python\test>

用下列指令來安裝透過 LangChain 串接 Gemini 與 OpenAI 所需的套件 :

pip install langchain-google-genai langchain-openai python-dotenv

其中 langchain-google-genai 與 langchain-openai 分別是串接 Gemini 與 OpenAI 的外掛, 安裝它們時會自動安裝 LangChain 的核心引擎 langchain-core, 這是 LangChain 的心臟, 包含所有的基礎邏輯 (Base Message, Chat Prompt 等), 安裝外掛時會自動附帶. 注意, 不需要安裝 langchain 套件, 這是一個塞滿了各種實驗性功能和舊代碼的大禮包, 非常龐雜.

(myvenv) D:\python\test>pip install langchain-google-genai langchain-openai python-dotenv

Collecting langchain-google-genai

Downloading langchain_google_genai-4.2.1-py3-none-any.whl.metadata (2.7 kB)

Collecting langchain-openai

Downloading langchain_openai-1.1.12-py3-none-any.whl.metadata (3.1 kB)

Collecting python-dotenv

Downloading python_dotenv-1.2.2-py3-none-any.whl.metadata (27 kB)

Collecting filetype<2.0.0,>=1.2.0 (from langchain-google-genai)

Using cached filetype-1.2.0-py2.py3-none-any.whl.metadata (6.5 kB)

Collecting google-genai<2.0.0,>=1.56.0 (from langchain-google-genai)

Using cached google_genai-1.70.0-py3-none-any.whl.metadata (52 kB)

Collecting langchain-core<2.0.0,>=1.2.5 (from langchain-google-genai)

Downloading langchain_core-1.2.26-py3-none-any.whl.metadata (4.4 kB)

Collecting pydantic<3.0.0,>=2.0.0 (from langchain-google-genai)

Downloading pydantic-2.12.5-py3-none-any.whl.metadata (90 kB)

Collecting anyio<5.0.0,>=4.8.0 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Using cached anyio-4.13.0-py3-none-any.whl.metadata (4.5 kB)

Collecting google-auth<3.0.0,>=2.48.1 (from google-auth[requests]<3.0.0,>=2.48.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Using cached google_auth-2.49.1-py3-none-any.whl.metadata (6.2 kB)

Collecting httpx<1.0.0,>=0.28.1 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Using cached httpx-0.28.1-py3-none-any.whl.metadata (7.1 kB)

Collecting requests<3.0.0,>=2.28.1 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading requests-2.33.1-py3-none-any.whl.metadata (4.8 kB)

Collecting tenacity<9.2.0,>=8.2.3 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading tenacity-9.1.4-py3-none-any.whl.metadata (1.2 kB)

Collecting websockets<17.0,>=13.0.0 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading websockets-16.0-cp312-cp312-win_amd64.whl.metadata (7.0 kB)

Collecting typing-extensions<5.0.0,>=4.14.0 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Using cached typing_extensions-4.15.0-py3-none-any.whl.metadata (3.3 kB)

Collecting distro<2,>=1.7.0 (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Using cached distro-1.9.0-py3-none-any.whl.metadata (6.8 kB)

Collecting sniffio (from google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading sniffio-1.3.1-py3-none-any.whl.metadata (3.9 kB)

Collecting idna>=2.8 (from anyio<5.0.0,>=4.8.0->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading idna-3.11-py3-none-any.whl.metadata (8.4 kB)

Collecting pyasn1-modules>=0.2.1 (from google-auth<3.0.0,>=2.48.1->google-auth[requests]<3.0.0,>=2.48.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading pyasn1_modules-0.4.2-py3-none-any.whl.metadata (3.5 kB)

Collecting cryptography>=38.0.3 (from google-auth<3.0.0,>=2.48.1->google-auth[requests]<3.0.0,>=2.48.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading cryptography-46.0.6-cp311-abi3-win_amd64.whl.metadata (5.7 kB)

Collecting certifi (from httpx<1.0.0,>=0.28.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading certifi-2026.2.25-py3-none-any.whl.metadata (2.5 kB)

Collecting httpcore==1.* (from httpx<1.0.0,>=0.28.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading httpcore-1.0.9-py3-none-any.whl.metadata (21 kB)

Collecting h11>=0.16 (from httpcore==1.*->httpx<1.0.0,>=0.28.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading h11-0.16.0-py3-none-any.whl.metadata (8.3 kB)

Collecting jsonpatch<2.0.0,>=1.33.0 (from langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Using cached jsonpatch-1.33-py2.py3-none-any.whl.metadata (3.0 kB)

Collecting langsmith<1.0.0,>=0.3.45 (from langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading langsmith-0.7.25-py3-none-any.whl.metadata (15 kB)

Collecting packaging>=23.2.0 (from langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading packaging-26.0-py3-none-any.whl.metadata (3.3 kB)

Collecting pyyaml<7.0.0,>=5.3.0 (from langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading pyyaml-6.0.3-cp312-cp312-win_amd64.whl.metadata (2.4 kB)

Collecting uuid-utils<1.0,>=0.12.0 (from langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading uuid_utils-0.14.1-cp39-abi3-win_amd64.whl.metadata (4.9 kB)

Collecting jsonpointer>=1.9 (from jsonpatch<2.0.0,>=1.33.0->langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading jsonpointer-3.1.1-py3-none-any.whl.metadata (2.4 kB)

Collecting orjson>=3.9.14 (from langsmith<1.0.0,>=0.3.45->langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading orjson-3.11.8-cp312-cp312-win_amd64.whl.metadata (43 kB)

Collecting requests-toolbelt>=1.0.0 (from langsmith<1.0.0,>=0.3.45->langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Using cached requests_toolbelt-1.0.0-py2.py3-none-any.whl.metadata (14 kB)

Collecting xxhash>=3.0.0 (from langsmith<1.0.0,>=0.3.45->langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading xxhash-3.6.0-cp312-cp312-win_amd64.whl.metadata (13 kB)

Collecting zstandard>=0.23.0 (from langsmith<1.0.0,>=0.3.45->langchain-core<2.0.0,>=1.2.5->langchain-google-genai)

Downloading zstandard-0.25.0-cp312-cp312-win_amd64.whl.metadata (3.3 kB)

Collecting annotated-types>=0.6.0 (from pydantic<3.0.0,>=2.0.0->langchain-google-genai)

Using cached annotated_types-0.7.0-py3-none-any.whl.metadata (15 kB)

Collecting pydantic-core==2.41.5 (from pydantic<3.0.0,>=2.0.0->langchain-google-genai)

Downloading pydantic_core-2.41.5-cp312-cp312-win_amd64.whl.metadata (7.4 kB)

Collecting typing-inspection>=0.4.2 (from pydantic<3.0.0,>=2.0.0->langchain-google-genai)

Downloading typing_inspection-0.4.2-py3-none-any.whl.metadata (2.6 kB)

Collecting charset_normalizer<4,>=2 (from requests<3.0.0,>=2.28.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading charset_normalizer-3.4.7-cp312-cp312-win_amd64.whl.metadata (41 kB)

Collecting urllib3<3,>=1.26 (from requests<3.0.0,>=2.28.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading urllib3-2.6.3-py3-none-any.whl.metadata (6.9 kB)

Collecting openai<3.0.0,>=2.26.0 (from langchain-openai)

Downloading openai-2.30.0-py3-none-any.whl.metadata (29 kB)

Collecting tiktoken<1.0.0,>=0.7.0 (from langchain-openai)

Downloading tiktoken-0.12.0-cp312-cp312-win_amd64.whl.metadata (6.9 kB)

Collecting jiter<1,>=0.10.0 (from openai<3.0.0,>=2.26.0->langchain-openai)

Downloading jiter-0.13.0-cp312-cp312-win_amd64.whl.metadata (5.3 kB)

Collecting tqdm>4 (from openai<3.0.0,>=2.26.0->langchain-openai)

Downloading tqdm-4.67.3-py3-none-any.whl.metadata (57 kB)

Collecting regex>=2022.1.18 (from tiktoken<1.0.0,>=0.7.0->langchain-openai)

Downloading regex-2026.4.4-cp312-cp312-win_amd64.whl.metadata (41 kB)

Collecting cffi>=2.0.0 (from cryptography>=38.0.3->google-auth<3.0.0,>=2.48.1->google-auth[requests]<3.0.0,>=2.48.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading cffi-2.0.0-cp312-cp312-win_amd64.whl.metadata (2.6 kB)

Collecting pycparser (from cffi>=2.0.0->cryptography>=38.0.3->google-auth<3.0.0,>=2.48.1->google-auth[requests]<3.0.0,>=2.48.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading pycparser-3.0-py3-none-any.whl.metadata (8.2 kB)

Collecting pyasn1<0.7.0,>=0.6.1 (from pyasn1-modules>=0.2.1->google-auth<3.0.0,>=2.48.1->google-auth[requests]<3.0.0,>=2.48.1->google-genai<2.0.0,>=1.56.0->langchain-google-genai)

Downloading pyasn1-0.6.3-py3-none-any.whl.metadata (8.4 kB)

Collecting colorama (from tqdm>4->openai<3.0.0,>=2.26.0->langchain-openai)

Using cached colorama-0.4.6-py2.py3-none-any.whl.metadata (17 kB)

Downloading langchain_google_genai-4.2.1-py3-none-any.whl (66 kB)

Using cached filetype-1.2.0-py2.py3-none-any.whl (19 kB)

Using cached google_genai-1.70.0-py3-none-any.whl (760 kB)

Using cached anyio-4.13.0-py3-none-any.whl (114 kB)

Using cached distro-1.9.0-py3-none-any.whl (20 kB)

Using cached google_auth-2.49.1-py3-none-any.whl (240 kB)

Using cached httpx-0.28.1-py3-none-any.whl (73 kB)

Downloading httpcore-1.0.9-py3-none-any.whl (78 kB)

Downloading langchain_core-1.2.26-py3-none-any.whl (508 kB)

Using cached jsonpatch-1.33-py2.py3-none-any.whl (12 kB)

Downloading langsmith-0.7.25-py3-none-any.whl (359 kB)

Downloading pydantic-2.12.5-py3-none-any.whl (463 kB)

Downloading pydantic_core-2.41.5-cp312-cp312-win_amd64.whl (2.0 MB)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.0/2.0 MB 4.2 MB/s 0:00:00

Downloading pyyaml-6.0.3-cp312-cp312-win_amd64.whl (154 kB)

Downloading requests-2.33.1-py3-none-any.whl (64 kB)

Downloading charset_normalizer-3.4.7-cp312-cp312-win_amd64.whl (159 kB)

Downloading idna-3.11-py3-none-any.whl (71 kB)

Downloading tenacity-9.1.4-py3-none-any.whl (28 kB)

Using cached typing_extensions-4.15.0-py3-none-any.whl (44 kB)

Downloading urllib3-2.6.3-py3-none-any.whl (131 kB)

Downloading uuid_utils-0.14.1-cp39-abi3-win_amd64.whl (187 kB)

Downloading websockets-16.0-cp312-cp312-win_amd64.whl (178 kB)

Downloading langchain_openai-1.1.12-py3-none-any.whl (88 kB)

Downloading openai-2.30.0-py3-none-any.whl (1.1 MB)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.1/1.1 MB 3.1 MB/s 0:00:00

Downloading jiter-0.13.0-cp312-cp312-win_amd64.whl (205 kB)

Downloading tiktoken-0.12.0-cp312-cp312-win_amd64.whl (878 kB)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 878.7/878.7 kB 4.4 MB/s 0:00:00

Downloading python_dotenv-1.2.2-py3-none-any.whl (22 kB)

Using cached annotated_types-0.7.0-py3-none-any.whl (13 kB)

Downloading certifi-2026.2.25-py3-none-any.whl (153 kB)

Downloading cryptography-46.0.6-cp311-abi3-win_amd64.whl (3.5 MB)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 3.5/3.5 MB 5.0 MB/s 0:00:00

Downloading cffi-2.0.0-cp312-cp312-win_amd64.whl (183 kB)

Downloading h11-0.16.0-py3-none-any.whl (37 kB)

Downloading jsonpointer-3.1.1-py3-none-any.whl (7.7 kB)

Downloading orjson-3.11.8-cp312-cp312-win_amd64.whl (127 kB)

Downloading packaging-26.0-py3-none-any.whl (74 kB)

Downloading pyasn1_modules-0.4.2-py3-none-any.whl (181 kB)

Downloading pyasn1-0.6.3-py3-none-any.whl (83 kB)

Downloading regex-2026.4.4-cp312-cp312-win_amd64.whl (277 kB)

Using cached requests_toolbelt-1.0.0-py2.py3-none-any.whl (54 kB)

Downloading tqdm-4.67.3-py3-none-any.whl (78 kB)

Downloading typing_inspection-0.4.2-py3-none-any.whl (14 kB)

Downloading xxhash-3.6.0-cp312-cp312-win_amd64.whl (31 kB)

Downloading zstandard-0.25.0-cp312-cp312-win_amd64.whl (506 kB)

Using cached colorama-0.4.6-py2.py3-none-any.whl (25 kB)

Downloading pycparser-3.0-py3-none-any.whl (48 kB)

Downloading sniffio-1.3.1-py3-none-any.whl (10 kB)

Installing collected packages: filetype, zstandard, xxhash, websockets, uuid-utils, urllib3, typing-extensions, tenacity, sniffio, regex, pyyaml, python-dotenv, pycparser, pyasn1, packaging, orjson, jsonpointer, jiter, idna, h11, distro, colorama, charset_normalizer, certifi, annotated-types, typing-inspection, tqdm, requests, pydantic-core, pyasn1-modules, jsonpatch, httpcore, cffi, anyio, tiktoken, requests-toolbelt, pydantic, httpx, cryptography, openai, langsmith, google-auth, langchain-core, langchain-openai, google-genai, langchain-google-genai

Successfully installed annotated-types-0.7.0 anyio-4.13.0 certifi-2026.2.25 cffi-2.0.0 charset_normalizer-3.4.7 colorama-0.4.6 cryptography-46.0.6 distro-1.9.0 filetype-1.2.0 google-auth-2.49.1 google-genai-1.70.0 h11-0.16.0 httpcore-1.0.9 httpx-0.28.1 idna-3.11 jiter-0.13.0 jsonpatch-1.33 jsonpointer-3.1.1 langchain-core-1.2.26 langchain-google-genai-4.2.1 langchain-openai-1.1.12 langsmith-0.7.25 openai-2.30.0 orjson-3.11.8 packaging-26.0 pyasn1-0.6.3 pyasn1-modules-0.4.2 pycparser-3.0 pydantic-2.12.5 pydantic-core-2.41.5 python-dotenv-1.2.2 pyyaml-6.0.3 regex-2026.4.4 requests-2.33.1 requests-toolbelt-1.0.0 sniffio-1.3.1 tenacity-9.1.4 tiktoken-0.12.0 tqdm-4.67.3 typing-extensions-4.15.0 typing-inspection-0.4.2 urllib3-2.6.3 uuid-utils-0.14.1 websockets-16.0 xxhash-3.6.0 zstandard-0.25.0

檢視目前 pip 套件 :

(myvenv) D:\python\test>pip list

Package Version

---------------------- ---------

annotated-types 0.7.0

anyio 4.13.0

certifi 2026.2.25

cffi 2.0.0

charset-normalizer 3.4.7

colorama 0.4.6

cryptography 46.0.6

distro 1.9.0

filetype 1.2.0

google-auth 2.49.1

google-genai 1.70.0

h11 0.16.0

httpcore 1.0.9

httpx 0.28.1

idna 3.11

jiter 0.13.0

jsonpatch 1.33

jsonpointer 3.1.1

langchain-core 1.2.26

langchain-google-genai 4.2.1

langchain-openai 1.1.12

langsmith 0.7.25

openai 2.30.0

orjson 3.11.8

packaging 26.0

pip 26.0.1

pyasn1 0.6.3

pyasn1_modules 0.4.2

pycparser 3.0

pydantic 2.12.5

pydantic_core 2.41.5

python-dotenv 1.2.2

PyYAML 6.0.3

regex 2026.4.4

requests 2.33.1

requests-toolbelt 1.0.0

sniffio 1.3.1

tenacity 9.1.4

tiktoken 0.12.0

tqdm 4.67.3

typing_extensions 4.15.0

typing-inspection 0.4.2

urllib3 2.6.3

uuid_utils 0.14.1

websockets 16.0

xxhash 3.6.0

zstandard 0.25.0

可見除了核心套件 langchain-core 外, 還有串接 OpenAI 與 Gemini 的 langchain-openai 與 langchain-google-genai 套件; 此外還會安裝底層的 SDK 依賴套件 google-genai 與 openai. 如果想用原生 SDK 串接 API 就可以使用這兩個套件. 其中 google-genai 是谷歌 2024 年底發布的新版 SDK, 用來取代舊版的 google-generativeai (已於 2025 年進入維護模式), 用法參考下面這篇的補充說明 :

# Google Gemini API 學習筆記 (一) : 文字聊天測試

先來串接 OpenAI API :

(myvenv) D:\python\test>python

Python 3.12.1 (tags/v3.12.1:2305ca5, Dec 7 2023, 22:03:25) [MSC v.1937 64 bit (AMD64)] on win32

Type "help", "copyright", "credits" or "license" for more information.

>>> from dotenv import dotenv_values

>>> config=dotenv_values('.env')

>>> openai_api_key=config.get('OPENAI_API')

>>> from langchain_openai import ChatOpenAI

>>> chat_model=ChatOpenAI(api_key=openai_api_key, model='gpt-3.5-turbo')

>>> response=chat_model.invoke('你是誰?')

>>> response.content

'我是一個機器人助手，可以回答你的問題和提供幫助。有什麼我可以為你做的嗎？'

更換為 gpt-4o-mini 模型 :

>>> chat_model=ChatOpenAI(api_key=openai_api_key, model='gpt-4o-mini')

>>> response=chat_model.invoke('你是誰?')

>>> response.content

'我是一个人工智能助手，旨在回答你的问题和提供帮助。如果你有任何疑问或需要的信息，请随时告诉我！'

下面是串接 Gemini :

>>> from dotenv import dotenv_values

>>> config=dotenv_values('.env')

>>> gemini_api_key=config.get('GEMINI_API_KEY')

>>> from langchain_google_genai import ChatGoogleGenerativeAI

>>> chat_model=ChatGoogleGenerativeAI(api_key=gemini_api_key, model='gemini-2.5-flash')

>>> response=chat_model.invoke('你是誰?')

>>> response.content

'我是一个大型语言模型，由 Google 训练。'

更換模型 :

>>> chat_model=ChatGoogleGenerativeAI(api_key=gemini_api_key, model='gemini-2.5-flash-lite')

>>> response=chat_model.invoke('你是誰?')

>>> response.content

'我是一個大型語言模型，由 Google 訓練。'

蝦皮購買 HC-SR501 紅外線人體感測器 (PIR)

2026-04-01T11:51:00.005+08:00

因為要製作 ESP32-S3 CAM 人體偵測照相需要, 上蝦皮買了 10 顆 PIR 感測器 :

# HC-SR501 PIR熱紅外線人體進出感應模組數位訊號熱釋電紅外線輻射被動式紅外線感測器 $29 x 10

明華智取店免運 290 元.

如何利用 Gemini 搜尋 Youtube 教學影片

2026-03-30T14:13:00.008+08:00

我最近專心在看洪老師寫的 "史上最強 Gemini/NotebookLM 領軍" 這本書, 發現利用 AI 可以大大地加速學習進程. 眾所周知, Youtube 就是最好的技能補習班, 想學甚麼上 Youtube 找就對了, 不論甚麼題材與領域的知識, 都有能人製作成影片供大家免費學習.

但是直接上 YT 搜尋容易迷失在茫茫片海中, 請 Gemini 推薦快又省事, 方法是在提示詞前先下 "@YouTube" 然後輸入自己想學習甚麼領域知識, 請它提供教學影片, 例如 :

@YouTube

我正在學習 Vibe coding, 請幫我找最多人看的五部 Google Antigravity 的教學影片

結果如下 :

哈哈, 第一部就是林鼎淵老師 (上周才來我司內訓) 教學影片, 我之前已看到一半. 所推薦的每一部有亮點簡介與影片連結, 真不錯.

【Vibe Coding 學習地圖】用實戰帶你搞懂 Gemini、Google AI Studio、Antigravity 的使用情境
這部是中文圈最推薦的入門影片。它完整梳理了從入門到專業的工具使用情境（Gemini -> AI Studio -> Antigravity），並示範了如何透過 Antigravity 完善專案並發佈至 GitHub Pages。
The Ultimate AntiGravity Masterclass (3+ HOUR FREE COURSE)
這是一部超過 3 小時的「大師課」，適合想深度掌握 Antigravity 核心功能的學習者。內容涵蓋了將創意轉化為應用程式、連接 NotebookLM 與 MCP 協議等進階技巧。
VIBE CODING FULL COURSE: Gemini 3.1 + Antigravity (6 Hrs)
長達 6 小時的完整課程。教學內容非常紮實，帶領觀眾實作 5 個完整的應用程式，並深入探討軟體設計模式、版本控制以及如何使用代理（Agents）進行編程。
[Uncle Kevin] 手把手教你 Antigravity 的設定與應用：Rules + Skills + Workflows
中文詳解 Antigravity 的三大核心要素：規則 (Rules)、工作流 (Workflows) 與技能 (Skills)。這部影片特別適合想了解如何透過 MCP 協議連接外部工具（如 Notion, Slack）的開發者。
Google AntiGravity + Stitch 太猛了！用 Vibe Coding 打造超強前端設計
重點在於前端設計的實戰範例，展示了如何結合 Antigravity 與 Stitch 等工具，在極短時間內完成高品質的 UI/UX 開發。

注意, 提示詞前加 "@YouTube" 並非必要, 但加上它有助於更精準地啟動 YouTube 擴充功能, 可以確保它直接調用 YouTube 的 API 只從 YouTube 搜尋, 而不是抓取一般的網頁文章或部落格.

蝦皮購買 DW100Pro+ 充電線

2026-03-30T10:16:00.007+08:00

由於 DW100Pro+ 手錶需每日充電, 所以上蝦皮再買兩個充電線 :

# 華強北手錶充電線DW100 華強北電話手錶充電線無線磁吸充電線智能手錶充電器蜂窩插卡充電線 $159 x 2 = 317

貨到付款 317 元.

2026 年第 12 周記事 (掃墓)

2026-03-29T22:09:00.004+08:00

上周六從日本回來就感冒了一周, 應該是搭大阪地鐵沒帶口罩被傳染, 在機場就流鼻水, 第二天咳嗽, 去看黃昭文拿藥 + 龍角散, 經過一周終於好了. 人多的地方還是戴著口罩為妙啊!

本周主要任務是掃墓, SOP 參考 (需要修訂) :

# 掃墓用品

這次掃墓有些不同, 首先是上個月堂哥傳 LINE 說因為堂嫂健康問題今年無法參加大眾墓園的掃墓, 昨天與嬸嬸確認早上掃墓時間才理解並非僅今年, 而是以後都不會參加, 箇中緣由恐有難言之隱, 我也不便多問, 也難為他了. 其次, 嬸嬸找我商量既然以後早上掃墓只剩我們兩家, 是否可在年十五元宵後就掃墓, 這樣堂弟可在元宵後返回雲南, 雖然這樣就無法與來台祖同一日掃墓, 但好處是不用同一天處理兩份牲禮. 另外, 由於退伍軍人去年八月停業, 今年掃墓的紅龜粄與發粄我改向郵局旁邊的早餐店訂購, 出奇的好吃.

鄉下家的貓小乖離家已逾兩周未歸, 應該是不會再回來了. 我去日本的前一天 (3/11 週三) 下班回鄉下即未看到小乖, 推測應該是那個周日~週三之間離家的. 這一胎四姊妹只剩吉哇哇, 哇哇吉, 與小黑了, 只有小乖與吉哇哇我摸得到不怕人. 懷念可愛的小乖.

週日下午忙完廚事, 到菜園巡芭樂, 大概只套了五顆而已. 樹下雜草叢生, 打算下周要來進行刮地皮作業清除雜草. 此外, 菜園的三棵再生鳳梨又結果了 :

蝦皮購買 DW100Pro+ 表帶

2026-03-29T17:03:00.004+08:00

由於之前賣家附贈的錶帶都不甚好用, 今天上蝦皮買過新的 :

# 裝甲磁吸矽膠錶帶親膚觸感適用 apple watch s10 錶帶 9 8 7 6 SE 蘋果錶帶蘋果手錶錶帶 $126x2

明華智取店免運.

現在每天都配戴安卓手錶 DW100Pro+, 雖然需要每天充電, 但因為與我的主門號手機 S24U 同振, 可以確保電話不漏接, 且手機不在身邊時也可以傳 LINE 訊息很方便.

DW100pro+ 插卡電話手錶換表帶的方法

2026-03-27T20:33:00.003+08:00

我的 DW100pro+ 插卡電話手錶上回換成附贈的磁吸式米蘭表帶, 雖然配戴方便, 但它有一個缺點, 就是金屬網狀表帶會夾長袖上衣袖口的纖維 (到夏天穿短袖就不會這困擾了), 所以決定改回塑膠表帶. 但是要拆卸米蘭表帶時卻發現向左或向右都推不出來 :

問老闆卸除表帶方法, 結果他一時也不清楚, 要我傳照片給他, 傳完後想說問 Gemini 說不定有解, 果真在回應中提到手錶下方靠近表帶處左右各有一個解鎖按鈕, 按下後就順利卸下表帶了 :

市圖還書 7 本 : Python 相關書籍

2026-03-25T09:54:00.006+08:00

今天上班前去河堤還了下面這些書 :

由於今年大部分時間都會用在 AI, 所以這些基礎理論的書都不會有時間看, 都還了吧!

2026 年第 10 & 11 周記事 (關西記行)

2026-03-23T23:52:00.014+08:00

為期 9 天的 2026 關西之旅在周六結束, 這次有菁菁同行憑添許多樂趣, 行程規劃也是以菁菁外拍與覺得好玩為主, 總結此番旅行之規劃完成度有九成以上, 遺珠之京都景點有高台寺, 建仁寺, 南禪寺, 與錦市場; 大阪的通天閣也沒去成, 但這些並非規劃時列為必去之處 (其實請 Gemini 幫我規劃時還要它避開寺廟神社哩), 以後有機會再走訪. 菁菁說去天橋立伊根餵海鷗最好玩; 還有保津川遊船與坐馬車也很棒. 我自己覺得能一睹二月堂的修二會與巧遇清水寺青龍法會非常幸運.

這次我因忘記在 klook 結帳沒訂到 11:00 的保津川遊船票改訂 13:00 的班次反而是個不錯的行程安排, 早上先去逛竹林小徑再到嵐山站搭小火車前往保津川坐遊船, 到達終點站渡月橋上岸後再去逛嵐山, 這樣的路線反而比較順哩. 以下是這次旅行的心得 :

JR 關西周遊券必買 :
這張物超所值的票太好用了, 完整涵蓋在京都+奈良+天橋立伊根的五天交通費用, 連去奈良都捨近鐵而選 JR 奈良+公車兩段, 可說已把此票券價值最大化.
所有文件包含 klook 預購票券, 入境的 VJW 登錄, 機票登機證等除了存放在手機特定資料夾, 最好都在出發前列印出來放在背包文件夾內, 避免手機網路信號問題無法掃描 QR 碼.
三月的關西還是很冷 :
還是需要穿一件厚外套 (最好是有帽子那種), 毛帽, 發熱衣, 手套等禦寒衣物.

這次旅行主要是菁菁外拍, 所以較少參訪歷史古蹟與寺廟神社, 這回只在宇治平等院鳳凰堂與神戶的生田神社有蓋到御朱印 :

週六晚上從機場回到家已快 11 點半, 趕緊盥洗睡覺, 因為第二天 (周日) 還要一早趕回鄉下跟小舅家一起給外公外婆掃墓. 原本想先去鎮上買水果, 小舅說甚麼都不用帶, 人來就好. 結束後又載小舅, 左營阿姨, 與爸去福慧寺祭拜發榮伯公與伯婆 (謝貴妹).

我們家則是下周日 3/29, 已向榮發舅媽訂兩份牲禮.

2026 關西之旅 Day 9 (3/21) : 難波地下商店街

2026-03-22T23:36:00.010+08:00

今天是此番關西之旅最後一天, 昨晚水某與菁菁已將行李打包完畢, 早上睡到自然醒, 接著整理環境, 將民宿恢復到入住之時的樣子. 在 10:00 checkout 之前菁菁在旅客留言冊上繪圖留言, 然後我加上註解. 翻閱留言冊發現自去年九月我與水某來過之後, 又有許多人來入住過.

關閉暖氣與照明鎖好門, 將鑰匙放回門口密碼盒後, 搭四橋線地鐵前往難波, 出站後發現從地鐵此札口到南海電車需上到地面, 穿越道路步行幾分鐘才會到達南海的車站. 到達南海電車後先到 2F 的中央札口旁櫃台預定下午 15:05 開往關西機場的特急 Rapi:t 列車車票並劃好座位 (特級車有 alpha 標誌), 行車時間約 40 分鐘, 指定席票價 1490 日圓. 也可以買空港急行列車, 但它全部自由席, 且沒有放行李的空間. 接著將行李寄放在中央札口右邊的寄物櫃後就可以去逛難波車站商店街並吃午飯了.

繞了好久從難波 Walk 走到 City 商店街都沒找到滿意的餐廳, 有找到去年來時吃的田舍, 但菁菁說我們吃過的店跳過, 最後找到位於三番街 B29 的膳屋 (zen ya) 這家 CP 值很高的日式套餐店. 我點了牛壽喜套餐, 水某點炸雞套餐, 菁菁單點咖哩, 總共是 3476 日圓 :

吃完飯出來轉角有一家有名的日式和果子老店 "甘党前田 (Amato Maeda)", 我們點了三樣 : 1. 御手洗糰子最中聖代, 結合了霜淇淋和 "最中 (Monaka)" 餅殼, 口感從酥脆, 綿密到糰子的 Q 彈都有, 是鎮店之寶 (菁菁還真懂吃); 2. 烤麻糬紅豆湯 (Zenzai), 是日本最有代表性的甜點, 搭配那一小碟鹹鹹的 "昆布絲", 這種先甜後鹹的吃法能讓紅豆的甜味更有層次, 是道地的大阪風情; 3. 抹茶蕨餅霜淇淋聖代 : 抹茶霜淇淋配上大塊的抹茶蕨餅口感絕佳 (前田的蕨餅非常有彈性) :

這兩家店都在難波 Walk 地下街與大阪地鐵難波站東改札口附近, 甘党前田和果子店一出來左轉就是改札口, 記下來等下次造訪難波時再來品嘗 :

吃完甜點逛了一下附近商店街便去寄物櫃領出行李, 前往九號月台搭南海電車前往機場 :

上車後過了幾站上來一團年輕女生, 其中一位坐我旁邊, 剛坐下就跟後坐同伴問有無拿她包包, 聽到否定的答案臉色大變, 說她的護照與證件都在裡面, 趕緊走到後面找她們同伴商量並詢問列車人員如何處理, 我一聽馬上問 Gemini 處理方式, 等她回坐時詢問狀況, 說還沒找到, 我把手機查詢結果給她看以便心裡有個底. 原來她們是大四學生, 要好的同學組團來日本畢業旅行, 所幸稍後列車人員回報已找到背包, 且會送到關西機場, 真是萬幸.

從難波搭南海特急電車過海關購買完免稅品於 19:50 登機, 20:20 起飛, 22:50 回到小港, 結束長達九天的日本關西之旅.

2026 關西之旅 Day 8 (3/20) : 神戶生田神社 + 北野異人館

2026-03-20T22:54:00.014+08:00

今天的行程是從大阪前往神戶, 主要目的是去參觀 Yuna 老師日文課程介紹的北野異人館, 所謂異人者外國人也, 因為幕末時期許多洋人來到神戶, 當時日本人稱呼這些來自異國的人為異人 (後來才改為外國人), 這些洋人的住宅就被稱為異人館, 建築風格充滿西洋風.

早上 10:00 從北加賀屋民宿出發, 搭地鐵四橋線前往難波站, 轉乘私鐵阪神電車前往神戶 (使用 ICOCA 或 Suica), 搭快速急行 (Rapid Exp) 直達神戶三宮站 (Sannomiya), 單趟車資 660 日元 (240 + 420), 行車時間約 45 分鐘, 約 10:30 到達阪神三宮站, Gemini 建議我先去車站旁巷子內的 Steakland 牛排本店門口排隊 (說 CP 值最高), 剛好可以趕上店家 11:00 開門, 我們到達時拿到 No.1 號碼牌, 隨即被帶到隔壁巷子大樓的五樓神戶館分店用餐.

吃完牛排後先到車站旁的商店街買菁菁的鞋子, 然後步行前往生田神社, 裡面有一個生田之森, 是神戶市區僅存的原始森林, 神社後方有一個水之靈籤, 把空白籤紙放入水池中會顯示籤詩, 有很多年輕女生在池邊看籤詩, 想必是問感情居多.

離開生田神社后在商店街出口的公車站搭 City Loop 公車到北野異人館, 神戶的 City Loop 公車還保有車掌, 聽說在日本大概只有神戶碩果僅存, 她一路上會介紹經過的景點與協助旅客上下車.

在第 10 站的北野異人館站下車後, 沿著左手邊的階梯往上走, 會經過一些不用門票的館, 但我設定的導航目標是 Gemini 建議有收費的風見雞館與盟黃之館. 途中路過一個清幽的宅邸, 門口放了一個今天傍晚婚宴的告示牌 :

我上傳照片給 Gemini 查詢, 原來這是明治時期來此貿易的敘利亞 (茶葉, 絲綢, 金融) 富商大衛薩松之宅邸, 為兩層樓維多利亞風格之木造建築, 裡面有 100 坪的綠地庭院, 目前租給婚紗公司經營婚宴場地與私人招待所, 故不對外開放參觀.

往前走會經過北野天滿神社, 要爬一個很陡的階梯才會上去本殿, 看到左手邊有一個蓋御朱印的亭子, 興沖沖拿出本子來要買票, 亭子裡的女孩卻指著窗口的指示牌, 原來這裡不提供毛筆字手寫的御朱印, 僅可購買印刷的御朱印, 只好作罷. 從神社往下看, 可以一覽神戶市區 :

走出神社不遠處有一個表演空間, 剛好今天有默劇表演, 雖然看不太懂內涵, 但是那四腿的黑衣人動作還挺有趣的 :

表演空間附近便是 Gemini 建議去參觀的風見雞館與萌黃之館, 每個館單獨購票是 500 日圓, 兩館合購則是 650 日圓, 那當然買兩館券啦!

風見雞館得名於屋頂有一個風見雞 (Weathercok), 它除了有辨別風向功能外, 亦有警惕與驅邪之意 (館內有陳列一個風見雞複製品), 很幸運的是, 此館原為明治年間來到神戶的德國貿易商托馬士 (Thomas) 的私宅, 是異人館中為一的紅磚建築, 托馬士一家在此居住到一戰爆發返回德國, 此建物幾經轉手後被神戶市政府收購與維護. 由於建物內禁止拍照, 所以我只拍了門口 :

隔一條路下方便是萌黃之館, 此館為淺綠色之兩層木造建築 (日文之萌黃是指嫩草之淺綠色), 原為明治年間美國總領事亨利夏普之私宅, 也是幾經轉手後, 最終持有者神戶電鐵小林家族將其移交給神戶市政府, 並被指定為國家文化財. 此館未禁止攝影, 所以我拍了許多照片.

2026 關西之旅 Day 7 (3/19) : 天神橋筋 + 黑門市場 + 阿倍野觀景台

2026-03-19T22:50:00.009+08:00

由於昨天下午大阪地區持續下雨, 晚上查詢天氣, 發現今天神戶降雨機率有四成, 於是決定將 3/19 與 3/20 行程互換, 改為 3/20 去神戶, 今天是大阪巡禮, 但把通天閣與新世界換成天神橋筋商店街, 因為與黑門市場以及阿倍野觀景台都是不怕下雨的行程 :

早上 : 天神橋筋商店街

中午 : 黑門市場

下午 : 阿倍野 HARUKAS 300 觀景台

昨天逛心齋橋與道頓堀時菁菁的鞋子弄濕了, 為了用洗衣機烘乾鞋子很晚才睡, 早上 10:30 才從北加賀屋民宿出發, 先搭四橋線地鐵 (往西梅田方向) 在本町站下車, 轉乘地鐵中央線 (Chuo Line) 往學研奈良登美丘或生駒方向在堺筋本町站下車. 再轉乘地鐵堺筋線 (Sakaisuji Line) 往北千里或高槻市方向在天神橋筋六丁目站下車, 走出地鐵站進入右手邊大樓, 搭電梯上 8 樓的 "大阪生活今昔館 (Osaka Museum of Housing and Living)" 購票參觀, 有點像是展示古時大阪生活與住宅的民俗村 :

參觀完下到大阪今昔館一樓往左轉就是天神橋筋商店街六丁目 (Tenjinbashi-suji 6-chome) 的入口, 此商店街全長 2.4 公里, 我們只逛到四丁目便右轉出去, 那邊有堺筋線的南森町站, 搭往天下茶屋方向列車於日本橋站 (Nipponbashi Station) 下車, 從 10 號出口出來步行不到 2 分鐘就是黑門市場的入口了 (馬路對面是千日前的中央通).

2026 關西之旅 Day 6 (3/18) : 大阪城公園 + 心齋橋 + 道頓堀

2026-03-18T22:57:00.010+08:00

今天行程是參觀大阪城與心齋橋 + 道頓堀購物, 終於可以不用為了趕預約的票券而早起, 昨晚問 Gemini 是否有票券可用, 它建議買大阪一日周遊券較划算, 包含今日主要行程的大阪城二之丸殿參觀券與御座船船票, 以及大阪地鐵 + 梅田藍天大廈空中庭園參觀券等, 非常超值. 我上 klook 購買大阪一日周遊券, 每人 680 元台幣 :

收到憑證後先不要啟用 (不要按 Start 鈕), 因為它是半夜重新 reset, 如果晚上訂購後馬上啟用, 那麼就算是今天使用了, 半夜就會到期, 明天無法使用, 等要使用的那天早上再啟用. 如果是幫家人一起購買, 則搭地鐵時要找可掃 QR 碼的閘門, 使用方式是由購買者點憑證信函上的超連結, 或複製連結到手機 Chrome 瀏覽器顯示 QR 碼後掃碼, 掃一個過一個, 切換下一個 QR 碼再掃, 使用上較不方便, 所以最好是各自購買 :

早上 09:00 從北加賀屋民宿出發, 搭四橋線地鐵往西梅田方向到本町站下車, 轉乘中央線往長田/學研奈良登美大丘方向在森之宮站 (Morinomiya) 下車, 從 1 號或 3 號出口出來幾步路右轉就是大阪城公園的入口了, 門口有幾株早櫻已盛開, 但大部分都只有花苞而已 :

沿著外護城河前往大阪城極樂橋附近的大阪城御座船售票處 (約需要步行 15 分鐘). 出示大阪一日周遊卡 QR Code 換取船票後於 11:00 登船遊覽內護城河 (滿十餘人即開船).

大阪城城牆上有一個人面石 (中間那顆較黑的), 據說大阪城的東北方向被視為鬼門, 是不吉利的方位, 因此人面石被刻意放置在東北角的石垣上, 其猙獰或怪異的面孔被認為具有威懾力, 可以阻擋惡靈或災禍進入城內, 守護城池的平安. 另有一種說法是, 當時的石匠或勞工在漫長的工程中, 為了排解壓力或留下自己的記號, 偷偷在石頭上刻下了臉孔 :

2026 關西之旅 Day 5 (3/17) : 嵐山小火車與保津川遊船

2026-03-17T22:59:00.006+08:00

今天是在京都的最後一天, 行程是去搭嵐山小火車與龜岡的保津川遊船, 由於不太清楚憑證的使用方式, 所以也是最沒把握的, 但因為提早出發, 整個 timing 都提前, 所以都順利完成了. 行李昨晚就打包好, 早上 07:20 就從東福寺民宿退房出發, 剛好坐上 07:30 開往京都的普通車, 出站到 B1F 的 Crosta 寄放行李後, 便搭 JR 嵯峨線前往嵐山, 下車後直接往竹林小徑走, 在野宮神社拍照後出來走右邊往常寂光寺的小徑, 其終點就是小火車的嵐山站, 這條小徑我去年沒走過 (那時是走大覺寺方向), 發現景色更佳.

2026 關西之旅 Day 4 (3/16) : 海之京都天橋立+伊根

2026-03-16T22:50:00.012+08:00

早上 07:28 從東福寺搭 JR 奈良線前往京都車站, 於嵯峨野線月台 (31 號月台, 隔壁是 HARUKA) 搭 08:38 往天橋立的橋立一號特急列車, 車程約 2 小時, 於10:39 到達天橋立車站, 拿已先列印的 JR 五日周遊券 + 伊根兩日通票購買憑證到車站剪票口右側櫃台兌換伊根通票 :

車站出來左邊就是往伊根的巴士站牌, 車程約 1 小時 (每小時一班), 從後方上車時毋須取整理券, 下車時將兌換的 2 日通票給司機過目即可下車. 去程巴士不是坐到最後一站伊根町, 而是在日出站下車, 在那裏搭也是憑 2 日通票免費搭觀光船繞伊根灣一周. 下船後如時間較趕, 可到對面站牌搭巴士回天橋立, 也可徒步約 20 分鐘到伊根町享受舟屋午餐後再搭巴士返回天橋立, 我們是走路到伊根町, 邊走邊拍照, 今天陽光普照非常適合外拍.

3/16 (一) 時間表 :

08:38 京都車站發車 (Hashidate 1 號)

10:40 抵達天橋立，換通票。

11:22 搭【伊根線】巴士 (天橋立站發車)。

12:20 抵達伊根 (日出站)，直接搭觀光船餵海鷗。

13:00 - 14:30 伊根町漫步。

14:45 從伊根搭巴士回程。

15:30 在「傘松纜車下」下車，搭纜車上山看飛龍觀。

16:30 下山，搭觀光船橫跨海灣回車站側 (這段航程 12 分鐘，風景極美)。

17:00 車站周邊買伴手禮。

18:09 搭火車回京都 (Hashidate 6 號)。

因為要坐 2 小時的車, 因此在車站小七買好零食上車.

2026 關西之旅 Day 3 (3/15) : 京都二条城 + 清水寺外拍

2026-03-15T21:29:00.008+08:00

今天行程原本規劃是去清水寺在東山一帶外拍, 但想到清水寺周末人潮擠爆, 不適合拍照, 臨時更改為租和服到二条城外拍, 那邊人較少. 但我上 klook 訂購 3/15 10:00 和服租借服務時, 以為租借的夢館是二条城附近的烏池御丸店, 沒注意到寄來的憑證上其實寫的是五条店 (豐彩大樓), 結果早上坐地鐵到烏池御丸站下車時才發現此烏龍, 經聯繫店家才知道不少客人有此誤解, 等走到位於高倉五条的五条店時已經 11 點了, 化好妝利用 GO app 叫計程車到二条城時已近中午.

買票進入二条城時, 有外國人看到菁菁穿著和服, 紛紛詢問可否與她們一起拍照. 由於二条城的主殿二之丸御殿內部禁止攝影, 所以外拍都在殿外 (主要是華麗的唐門).

進入二之丸殿繞一圈出來後才兩點, 由於可拍背景少, 便叫了計程車前往清水寺, 想說下午應該人群較少, 哪知仍然是人山人海. 由於下午 17:30 要歸還和服, 所以我們沒有購票拜觀, 而是走左側經堂與開山堂旁的小路上山, 這邊人潮較少容易抓到吾人空檔拍照.

我也在三重塔附近捕捉到早開的櫻花 :

今天下午來清水寺很幸運遇到一年三次的青龍法會, 剛到廟門口, 法師便引領青龍下山灑淨除厄 :

PS : 雖然清水寺外有許多和服出租店, 但夢館的和服款式很多, 且有會講中文的服務人員很方便.

2026 關西之旅 Day 2 (3/14) : 奈良二月堂修二會

2026-03-14T22:46:00.004+08:00

今日原本是要搭近鐵前往奈良, 但臨時修改計畫, 因早上起來後詢問 Gemini 得知從 JR 奈良搭公車到春日大社只要 10 分鐘左右, 覺得反正今天時間很夠, 似乎搭 JR 奈良線更好, 可直接從東福寺站出發, 無需前往京都車站轉近鐵, 且可充分利用到 JR Pass 五日周遊券, 省下搭近鐵的車費.

搭 09:04 出發的 JR 都路快速約 45 分鐘到達奈良, 出站後向左走到前方第二月台搭巴士至春日大社下車往右側走進去就是奈良自然公園了 (春日大社在公園內). 幫菁菁買了兩包鹿餅餵鹿拍照, 菁菁第一次來此感到非常新鮮好玩, 我也幫她拍了許多美照. 約 11 點飢腸轆轆便走出公園尋找志津香

公園店, 原來就在外面登大路上, 巴士站對面而已, 但到達時已大排長龍, 前面約有 15 個人, 從 11:30 排了快一小時才輪到.

釜飯乍看飯量不多, 原以為會吃不飽, 但實際添到碗裡卻出奇的多, 總共是吃了三碗飯超飽. 店員端上來時要先結帳, 她們會指導添完飯要馬上蓋上釜蓋, 這樣飯才能保持濕氣, 避免鍋巴過多.

吃過飯沿著登大路向南走到近鐵奈良站的 Lawson 買東西, 準備傍晚二月堂修二會前壓肚子的點心, 然後往回走, 再次從南邊進入奈良自然公園, 前往高畑町的志賀直哉舊居, 以前聽過此名字, 查詢才知是知名日本文學家, 他為了孩子的教育, 搬遷於此並建造了自己屬意的住宅.

離開志賀直哉舊居, 依據手機導航穿過若草山與春日山的 "下之禰宜道" 山路 (志賀直哉經常散步的小徑) 前往二月堂, 當我們在 15:40 到達時二月堂前已大排長龍, 還好沒太晚在管制人流額滿之前入列, 可以進入二月堂前的階梯觀賞火炬儀式, 在刺骨寒風中等了三小時, 終於在 18:30 法會結束時一賭十分鐘的火炬饗宴 :

2026 關西之旅 Day 1 (3/13) : 宇治平等院

2026-03-13T21:54:00.007+08:00

今天按原定計畫 07:05 從小港出發, 日本時間 10:55 到達關西機場, 順利地在機場的 JR 車站櫃台以列印出來的 JR 關西五日周遊券兌換實體券, 同時劃位馬上要搭乘前往京都的 HARUCA 特急列車坐位, 以及 3/16 (周一) 要往返天橋立的橋立一號 (去程, 早上 08:38 京都發車) 與橋立八號 (回程, 下午 18:09 天橋立發車) 的坐位, 但伊根 2 日通票要當日到達天橋立才能劃位. 辦好劃位後剛好趕上 12:14 分的 HARUCA, 於 13:37 分到達京都.

JR Pass 五日周遊券實體票

JR HARUKA 關空-京都特急車票

依計畫出了中央閘口後走手扶梯下 B1, 左側就是 Crosta 寄行李櫃台, 直接拿給服務人員, 每個行李箱都是 1000 日元, 然後就回一樓從中央閘口進站, 前往 10 號月台順利搭上 14:04 的 JR 奈良線都路快速前往宇治 (17 分鐘), 步行到平等院購票進入時雖然才 14:45 分, 但離鳳凰堂 15:15 拜觀結束僅 30 分鐘, 菁菁說只要在外面照相就好不用進去 (須另行購票). 參觀旁邊的鳳翔館則不用另外買票.

從平等院出來後回宇治車站, 沿路吃了抹茶拉麵, 還進去一家抹茶店品嘗道地的抹茶滋味. 總之, 今天時間管理非常到位, 利用還無法 Checkin 的時間去將行李寄放在車站, 到京都南邊的宇治參觀日元十元硬幣背後的鳳凰堂, 並享受抹茶美食.

日本自助旅遊備忘錄

2026-03-12T11:07:00.002+08:00

這一周在忙著規劃安排 3/13~3/21 的關西之旅, 發現出國玩自助行要預先準備的東西還不少, 有些還需要搶票 (例如保津川遊船熱門時段), 我把該注意的事項條列如下存參 :

購買機票 : 長榮/華航/廉航
安排行程 :

問 AI (可許願想去那些地方)
看 YT 旅遊達人介紹

購買交通周遊券 & 景點套票 :

可上 klook/kkday 購買
注意開放預訂時間, 有些熱門景點可能會提前售完

購買 eSIM/行動數據漫遊 :

eSIM 可上 klook/kkday 購買
不要買限量型, 超量會斷網

上 Visit Japan Web 登錄入出境資訊 :

出國前 6 小時填妥 (可幫同行家人一起填)
填好後取得 QR 碼存在手機入境時掃碼
參考 : 上 Visit Japan Web (VJW) 網站填寫日本入境資訊

買日幣 :

原則上平均每人每天約 8,000 - 15,000 日元計算
可用 AI 協助估算 (提供情境, 例如已刷卡買交通周遊券)

列印備用文本 :

護照內頁
住宿旅館民宿確認函 & 聯絡地址電話頁面
Visit Japan Web 登錄完成之 QR 碼
交通票券之憑證 pdf

預約計程車機場接送
出國行李物品清單

小狐狸事務所

AI 應用程式專案 (二) : Youtube 字幕摘要生成器

AI 應用程式專案 (一) : 新聞稿生成器

好書 : 歸剛 Vibe Coding

Hahow 購買黑木太太日語課

2026 年第 13 周記事

LangChain 學習筆記 : 串接 LLM 模型 (四)

LangChain 學習筆記 : 串接 LLM 模型 (三)

蝦皮購買 HC-SR501 紅外線人體感測器 (PIR)

如何利用 Gemini 搜尋 Youtube 教學影片

蝦皮購買 DW100Pro+ 充電線

2026 年第 12 周記事 (掃墓)

蝦皮購買 DW100Pro+ 表帶

DW100pro+ 插卡電話手錶換表帶的方法

市圖還書 7 本 : Python 相關書籍

線上課程大全 : 抓住知識分享的機遇, 打造你的第二財富通道

Django 3從平凡到超凡 : Python架站實作演練

密碼管理系統理論與實作 : 使用Python的Crypto、Tkinter與Django套件

Python非同步設計 : 使用Asyncio : 理解Python同步設計特

NumPy 高速運算徹底解說 : 六行寫一隻程式?你真懂深度學習?手工算給你看!

Python跨領域學 : 資料科學基礎養成

It's django :用Python迅速打造Web應用!

2026 年第 10 & 11 周記事 (關西記行)

2026 關西之旅 Day 9 (3/21) : 難波地下商店街

2026 關西之旅 Day 8 (3/20) : 神戶生田神社 + 北野異人館

2026 關西之旅 Day 7 (3/19) : 天神橋筋 + 黑門市場 + 阿倍野觀景台

2026 關西之旅 Day 6 (3/18) : 大阪城公園 + 心齋橋 + 道頓堀

2026 關西之旅 Day 5 (3/17) : 嵐山小火車與保津川遊船

2026 關西之旅 Day 4 (3/16) : 海之京都天橋立+伊根

2026 關西之旅 Day 3 (3/15) : 京都二条城 + 清水寺外拍

2026 關西之旅 Day 2 (3/14) : 奈良二月堂修二會

2026 關西之旅 Day 1 (3/13) : 宇治平等院

日本自助旅遊備忘錄