Claude Code Token 費用分析：費用計算、工具統計與 Web Dashboard 實作
這個章節要説明關於 Claude Code Analytics 的部分内容
計算 token 費用、分析工具使用模式、建立 Web Dashboard
首先加入 Token 計算器
這邊要查詢所有 session，計算每個 session 的 token 用量與美金費用
新增費用計算模組
新增 lib/costs.mjs：
分類 AI 下的文章
深入解析 Claude Code Session History：JSONL 格式、訊息結構與快取費用優化
session保存格式結構如下：
json格式化如下：
為什麼選擇 JSONL？
Claude Code 沒有使用資料庫，而是選擇了最簡單的格式：每個 session 一個 .jsonl 檔案，每行一條 JSON 訊息。
| 比較面向 | JSONL 格式 | 關聯式資料庫 |
|---|---|---|
| 讀取方式 | 任何文字編輯器、cat |
需要 DB 驅動 |
| 追加速度 | 極快（append-only） | 需要 transaction |
| 查詢能力 | 低（需全掃） | 高（SQL） |
| 跨機器遷移 | 複製檔案即可 | 需要 dump/restore |
| 故障恢復 | 行級別，單行壞掉不影響其他行 | 依賴 transaction log |
| 版本控制 | 可用 git 追蹤 | 不適合 |
結論：AI 對話是只增不改、需要人類可讀、不需要複雜查詢的應用場景，所以JSONL 是最合適的選擇。
SSIM vs ResNet 餘弦距離：兩種跨年變化偵測方法的取捨
系列 B 第二篇：量化「兩個年份之間城市變了多少」有兩條主流路徑——SSIM 著重結構相似度，ResNet 著重語義變化。本篇拆解兩者各自的擅長領域，並以實際數據示範何時應同時採用兩個指標。
一、為何需要「跨年變化偵測」
前一篇介紹的三個指標（邊緣密度、建築覆蓋率、紋理熵）屬於單幀指標——每張影像獨立計算一個數值。
然而研究城市發展時，真正想回答的問題是「這個地點從 2018 到 2025 發生了多大的變化」。最直覺的做法是差分（metric_2025 - metric_2018），但此方式有一個根本限制：
兩張影像的 edge_density 同樣是 0.18，差值為零——但實際上整片區域可能已完全重建，只是新舊建築的邊緣密度恰好相同。
差分丟失了「像素級的對應關係」。需要的是直接比對兩張影像本身的方法。
主流有兩條路徑：
| 方法 | 偵測對象 | 計算成本 | 可解釋性 |
|---|---|---|---|
| SSIM | 結構相似度（像素對應） | 低（CPU 即可） | 高 |
| ResNet 餘弦距離 | 語義相似度（特徵對應） | 中（一次 forward pass） | 中 |
兩者並非替代關係，而是互補。
用 Claude Code + huashu 自動生成 AI 簡報 PPT｜附 remotion vs HyperFrames 比較
安装 huashu skills
$ npx skills add alchaincyf/huashu-design
安装完的skill如下
切換到 cc 后讀取 .agent，嘗試生成
$ 做一份 AI 心理學的演講 PPT，推薦 3 個風格方向讓我選
下面是讓我選擇風格
用統計說話：Chi² 適合度檢定驗證彩球號碼是否真正隨機
01 · 彩票的隨機數真的隨機嗎？讓我們用 Chi² 來查詢分析資料
彩票開到現在，將近 1900 期、總共開出 11400 顆主號碼球。如果機器是公平的，理論上 1-38 號每個號碼應該出現約 300 次 左右。
如果某個號碼出現了 335 次（比期望多 35 次），這算正常的隨機波動，還是機器有問題？
憑直覺很難判斷。30 次差距聽起來不少，但攤在 1900 期裡又似乎還好。
這正是 Chi² 適合度檢定 要解決的問題：它把「直覺判斷」變成「可量化的 p-value」。