在 Go 语言中进行 IO 操作（比如读写文件）很简单；与其他编程语言一样，当写入文件时，需要指定打开文件的模式。

夏天又到了最闷热的时候，体感相当不舒服，因此想看看室内外的温度、湿度的情况。于是找到箱底的硬件，DIY一个温度湿度监视器。

通常，在控制台运行命令，如果失败，那么会直接返回非0的退出码。有时候，可能希望在命令失败退出后，还能继续重试，直到运行成功。而 demoray/retry-cli 工具就是一个小巧的实现。

Tabby 是一个开源的AI代码助手，可用于在本地搭建大模型服务。它提供了Web界面，还提供了IDE/编辑器，比如 VS Code插件。Tabby 是用 Rust 编写的，提供了小巧的可执行文件，部署起来非常简单。不过，虽然 Tabby 是开源的，但也是有授权协议的，提供了不同的订阅选项：免费的 Community 授权，以及付费的 Team 和 Enterprise 授权。

在机器学习项目中，数据科学家在服务器上的 Jupyter Notebook 完成机器学习的模型的搭建，包括读取数据、清洗数据、特征工程、模型训练，最终创建推理代码和模型。这些代码和模型需要被部署到生产环境运行。数据科学家完成的一系列工作可认为是在自己的“沙盒”或者实验环境里离线完成的，与生产环境有很大的差异，还需要考虑更多非功能的因素；而数据科学家没有经过软件工程的训练，编写的代码很可能不是生产就绪（Production Ready）的。因此，需要对数据科学家编写的代码进行工程化的重组和改造，才可以部署到生产环境。

在开发 Python 应用或者完成机器学习任务时，通常使用 pip install -r requirements.txt 安装第三方包。但是，当代码在生产环境中运行前，才去安装依赖包，会产生一些问题。比如安装时间长的问题：从官方PyPI服务器或者国内镜像安装依赖包时，网速不够快。对于一些大型包，尤其是机器学习使用的包，可能耗费几分钟或者几十分钟的时间。

参考应用开发的模式，可以将打包和运行解耦。在部署之前，将代码及其依赖打包成本地文件，在运行期间从本地文件中安装或者提取依赖。

通常数据科学家或者工程师会交互式地使用Jupyter Notebook。其实 Jupyter 还提供了在命令行直接运行 Notebook 的能力。详细说明见其文档《Executing notebooks 》。

同比与环比是数据分析中的常见指标。新手在新接触它们时，还是需要澄清一些细节的。

在越来越多的情况下，难以直接使用 docker 命令行构建和运行容器。那么使用代理服务器是一个可选方法。在使用代理时，需要考虑两个场景：

• Docker 守护进程的代理
• Docker 容器中的代理