推荐TTS用pyttsx3（离线轻量）或gTTS（需网、多语言），高自然度选CoquiTTS；ASR离线首选Whisper.cpp或Vosk，在线可用云API。

WebSocket断线后需在onclose中手动重连，采用指数退避策略（1s起，上限30s）并限制最大重试次数（如5次），同时发送前校验readyState并缓存未发消息；FastAPI后端无需特殊处理，但会话状态需依赖token和外部存储。

函数装饰器是Python中通过闭包和语法糖为函数添加功能的技术，使用@符号将装饰器应用于目标函数，等价于将原函数作为参数传入装饰器并接收返回的新函数。装饰器内部通常包含一个包装函数（wrapper），用于在原函数执行前后插入额外逻辑，如日志、计时或权限校验。对于带参数的函数，装饰器需使用args和*kwargs适配任意参数形式；若装饰器自身需接收参数，则采用三层嵌套结构：最外层接收装饰器参数，中间层接收被装饰函数，内层执行包装逻辑并返回结果。典型应用包括计时、缓存、日志记录等，本质是利用函数可作为参数传递

openpyxl主打写入与新建，支持.xlsx等格式并控制样式；xlrd仅读.xls文件，2.0+版不再支持.xlsx；推荐pandas+openpyxl组合处理数据与格式。

保存py文件是通过文本编辑器或IDE将Python代码以.py扩展名存储。使用记事本或VSCode等编辑器编写代码后，选择“另存为”，输入文件名如hello.py，保存类型选“所有文件”，编码用UTF-8；在IDLE、PyCharm等IDE中，新建Python文件，编写代码后按Ctrl+S，首次保存需指定文件名并确认扩展名为.py，选择合适路径。注意文件名避免中文和特殊字符，路径不含空格或中文，推荐UTF-8编码，确保.py扩展名正确，以便正常运行。

Python中I/O密集型任务以等待外部资源为主、CPU利用率低，适合多线程或asyncio；CPU密集型任务持续占用CPU、利用率近100%，应选多进程或C扩展。

Pythonsocket模块封装底层TCP/UDP接口，核心是通信端点；需指定AF_INET、SOCK_STREAM/SOCK_DGRAM等参数；TCP面向连接可靠，UDP无连接不可靠；服务端三步bind-listen-accept，客户端直接sendto/recvfrom；需处理超时、粘包、异常及资源释放。

装饰器本质是基于闭包的语法糖，通过多层嵌套函数实现参数化配置，类装饰器适用于需维护状态的场景，装饰器链按从下往上顺序包装、从上往下执行。

secrets模块提供密码学安全随机数，random模块仅适用于非安全场景；前者调用系统熵源不可预测，后者基于可逆MersenneTwister算法易被预测；涉及密钥、token等敏感值必须用secrets。

Python是分析链上交易数据最实用的工具，可直连节点或API获取原始数据，经清洗、聚合、可视化实现可控可复现分析。

在re.sub()中引用匹配分组需用反向引用：数字形式为\1、\2（需双反斜杠或原始字符串），命名组用\g<name>；也可传入函数，通过Match对象的group()方法获取分组内容。

NumPy中的numpy.fft模块用于计算快速傅里叶变换，可将信号从时域转换到频域以分析频率成分。1.一维FFT使用numpy.fft.fft对一维数组进行变换，返回复数数组，结合np.fft.fftfreq生成频率轴，利用np.abs获取幅度谱，常用于音频、振动等周期性信号分析。

关键在于语料“懂人”、调优“知心”：需构建三层情感语料，保留非结构化情绪线索，采用情感感知损失组合，并实施情绪引导解码。

Python深度神经网络训练与调优遵循“数据准备→模型搭建→训练监控→迭代优化”四步闭环，核心在于每步设置可验证反馈：数据需标准化、标签规范编码、图像增强；模型首选Keras快速验证，损失与优化器按任务匹配；通过loss曲线诊断过拟合、学习率问题或数据泄露；辅以标签平滑、混合精度和模型集成等低成本高收益技巧。

Python3.8+中/表示其左侧参数仅能位置传参，*表示其右侧参数必须关键字传参；二者可共存形成三段式参数结构：位置专用、混合、关键字专用。