本文评估了四种Python开源差分隐私工具（DiffPrivLib、Tumult Analytics、PipelineDP和OpenDP）的可用性。研究背景是差分隐私（DP）已成为隐私保护数据分析的黄金标准，但在实际数据集和系统中实施仍具挑战。最近开发的DP工具旨在简化实施过程，但缺乏系统性的可用性评估。作者通过对24名具有不同DP知识的美国数据从业者进行用户研究，评估了这些工具的易用性。研究采用任务驱动方法，观察参与者在完成典型DP任务（如添加噪声、计算敏感度、设置隐私预算等）时的表现，并收集主观反馈。结果表明：使用这些工具有助于DP新手更好地理解概念；API设计和文档质量对成功实施DP至关重要；用户满意度与任务完成度高度相关。例如，Tumult Analytics在文档和API一致性上得分较高，而DiffPrivLib在易用性方面稍逊。研究还发现了常见困难，如参数选择不直观、调试困难等。基于证据，作者提出了改进DP工具可用性的建议，包括更清晰的错误消息、更完善的示例代码、更一致的API设计等，以促进DP在工业界的广泛采用。本文适合DP工具开发者、隐私工程师及关注隐私保护技术落地的数据科学家阅读。