1. 丟10次骰子，恰好出現2次1點的概率

這是標準的二項分布問題，每次擲骰子出現1點的概率 p = 1/6。

公式：

$$$
P(X=2)= C(10,2) \times (1/6)^2 \times (5/6)^8
$$$

計算：

• C(10,2) = 45
• (1/6)² = 1/36
• (5/6)⁸ ≈ 0.23257

P(X=2) = 45 × (1/36) × 0.23257 ≈ 0.2907（約29.07%）

2. 丟10次骰子，連續出現2次1點的概率

這裡的「連續出現2次」跟第1題不同，指的是在10次裡至少有一次「連續兩次都擲出1點」（例如第3、4次都是1，或第7、8次都是1），跟總共出現幾次1點無關。

這種「至少出現一次連續兩次成功」的題目，直接算很麻煩，通常用反面思路：先算「完全沒有連續兩次1點」的概率，再用1減去它。

遞迴公式（設 p=1/6為出1點, q=5/6為不出1點）：

設 g(n) 為 n 次中「沒有出現連續兩次1點」的概率：

$$$
g(n)= q \cdot g(n-1) + pq \cdot g(n-2)
$$$

初始值：g(0)=1, g(1)=1

逐步遞迴到 n=10，可得：

$g(10)≈\approx 0.7988$

所以：

$P(至少一次連續2次1點)= 1 - g(10) \approx \mathbf{0.2012（約20.12\%）}$

3. 攻擊15次，命中率80%，連續出現2次miss的概率

這題結構跟第2題完全一樣，只是把「1點」換成「miss」。

• miss率 p = 1 - 80% = 0.2
• hit率 q = 0.8
• n = 15

用同樣的遞迴公式：

$$
g(n)=q \cdot g(n-1) + pq \cdot g(n-2), \quad g(0)=g(1)=1
$$

逐步算到 n=15：

g(15) ≈ 0.6103（15次攻擊中完全沒有連續兩次miss的概率）

所以：

P(至少一次連續2次miss)=1−0.6103≈0.3897（約38.97%）P(\text{至少一次連續2次miss}) = 1 - 0.6103 \approx \mathbf{0.3897（約38.97\%）}P(至少一次連續2次miss)=1−0.6103≈0.3897（約38.97%）

小結

補充說明：第2、3題若你想問的是「恰好出現一次長度為2的連續miss（不多不少）」，那答案會不同、且更複雜（需要排除連續3次以上miss的情況）。如果你的原意其實是這種更精確的情境（例如遊戲設計中想知道「玩家連續兩次不中」這個特定事件觸發的概率），可以告訴我，我可以幫你精算這個變體。

如何讓模型能呼叫外部工具，並親手實作「模型選工具 → 執行 → 回輸 → 答覆」的完整迴圈 核心原則
Tool Calling 是 Agent 的底層——Agent 不過是「會自己決定何時呼叫哪個工具的迴圈」

模型本身只會產生文字，不會真的算數、查資料、打 API。Tool Calling 的機制是：

1. 把工具的 JSON Schema 連同問題一起送給模型
2. 模型回答「我要呼叫 calculator，參數 {expression:'...'}」
3. 而程式（不是模型）真的去執行該函式
4. 再把執行結果回輸給模型
5. 模型用結果產出最終自然語言答覆

- 閱讀剩餘部分 -

X 低熵，是否代表(糾纏的)Y 高熵？

不會，而且方向可能跟你想的相反。原因如下：

一、經典資訊論的糾纏＝關聯（相關性/互信息）

對兩個隨機變數 X、Y，關係式是：

$H(X,Y) = H(X) + H(Y) - I(X;Y)$

- 閱讀剩餘部分 -

熵的鏈式法則(Chain Rule)

$H(X)=H(X1​)+H(X2​∣X1​)+H(X3​∣X1​,X2​)$

如果一個決策可以拆成連續幾個階段,總熵 = 每個階段的熵之和(後面的階段用「條件熵」,也就是在前面已知的情況下,那個階段還剩多少不確定性)。

- 閱讀剩餘部分 -

之前一直以爲游戲在A熒幕啓動是無法獲取熒幕B的解析度清單，特地問了claude，發現跟認知有所差異，特地備注處理方式，下面是claude給的答復。

「以前拿不到」的印象是對的

Screen.resolutions 概念上一直是回傳「視窗當前所在螢幕」的清單，但舊版 Unity（約 2019/2021 以前）有快取／刷新的 bug，跨螢幕後常常只回主螢幕的清單、或根本不更新。多螢幕支援在 Unity 2021～6 大幅改善，現在把視窗拖到 B 就會回 B 的清單。所以你「以前拿不到 → 現在拿得到」的記憶落差，是真實的版本行為變化。

- 閱讀剩餘部分 -