Node.js 如何判斷簡訊為何寄送失敗,以及何時可以重寄
賣家沒收到訂單通知時,原因可能是電話號碼無效、寄件設定有問題,或電信業者擋下簡訊;如果把所有失敗都當成同一回事,可能一直重寄,或誤把有效號碼封鎖。文章建議先查寄送紀錄、收件地區和寄件設定,再決定要等待、人工檢查、封鎖號碼或核准重寄。像是看到「電信業者拒收」,還不能直接認定電話號碼無效,應先查明原因。這樣每次處理都有紀錄可查,也能避免逾時後才重送,或重複打擾收件人。
賣家沒收到訂單通知時,原因可能是電話號碼無效、寄件設定有問題,或電信業者擋下簡訊;如果把所有失敗都當成同一回事,可能一直重寄,或誤把有效號碼封鎖。文章建議先查寄送紀錄、收件地區和寄件設定,再決定要等待、人工檢查、封鎖號碼或核准重寄。像是看到「電信業者拒收」,還不能直接認定電話號碼無效,應先查明原因。這樣每次處理都有紀錄可查,也能避免逾時後才重送,或重複打擾收件人。
付款或帳務工作遇到限流、連線中斷時,重試可能讓同一筆操作執行兩次,也可能讓結果變得不清楚。作者示範如何依帳戶或目的地分開排程,每個工作保留固定的操作識別碼,並記錄處理狀態;收到 429 時,依 Retry-After 安排稍後重試。批次傳送不代表整批一起成功,例如三筆中兩筆已被接收、回應卻中斷,就要逐筆確認結果,暫時查不清楚的工作先保留並對帳。這套做法能讓重試沿用原本的操作身分,避免把不確定的結果直接當成失敗。
AI 助理可能把看起來很可靠、其實沒有根據的內容說得頭頭是道,例如編出法律條文或不存在的市場資料。企業若只等模型變聰明,未必能解決問題;更實際的是讓錯誤容易被發現。可以要求 AI 助理只根據提供的資料回答,並在每個結論後標出來源;重要數字要再核對,法律條文要查原始資料庫,提到的人名或公司也要找其他資料確認。再把回答整理成「依據、信心、缺少資訊」等欄位,最後由人檢查要對外寄出的內容。這些步驟能讓錯誤更容易露出來。
singlefs 要用 GPU 檢查檔案系統斷電後可能留下的數億種狀態,但 5090 一直因記憶體不足而重跑,整整一小時都沒有完成任何檢查。作者追查後發現,各張顯示卡執行時多佔的記憶體不同,原本每張卡都預留相同空間,讓 5090 開出的工作區太大;發生錯誤後,程式也沒有調整用量,所以一再失敗。現在程式會在每張卡啟動時測量實際佔用,再依測量結果和安全餘裕安排工作區。作者推測額外用量可能和核心程式的私有陣列有關,但尚未能確認。
AI 助理有時能替人寄信、退款或更改帳號,但做錯後可能影響客戶或難以挽回。作者整理了安排人工審核的方法:先看事情影響多大、能不能復原,以及會影響誰;像寄信或修改帳單,可以先讓人檢視並修改內容,再由有許可權的人核准。系統要把待審核的動作存起來,確認核准者身分,也要在內容改變後重新核准,避免重複執行。這樣能減少不必要的打擾,也讓重要決定有人把關。
瀏覽器擴充功能的計數器明明沒有出錯,數字卻可能從 3 跳回 1,因為背景服務工作者會在閒置時停止,存在記憶體裡的數字也跟著消失。文章整理三種修法:每次變動都存進 chrome.storage.session、把短時間內的多次變動合併後再存,或使用 vite-mv3-sw-compile-persist 自動儲存變數。延遲儲存比較省寫入,但工作者若在儲存前停止,最多會少掉延遲期間的更新。還要依用途選對儲存位置:session 會在瀏覽器關閉時清空,local 則適合要跨重新啟動保留的計數器。
GPT-6.2 Astra 和 Sol 的回答變短了,但回答方式的改變不代表答案變得更準或更不準。Artificial Analysis 比較多個模型後發現,Astra 和 Sol 的回答篇幅與段落標題都減少,直接先給答案、聽起來自然的分數則上升;透明度分數分別是 41 和 57,低於 Fable 5.2 的 81 與 Opus 5.5 的 90。這些分數反映模型怎麼表達,不是回答正確率;在重要情境中,使用者不能只靠模型是否承認不確定來判斷內容可信度。
Oracle Access Manager 的 Authentication Engine 在 12.2.1.4.0 和 14.1.2.1.0 版本有嚴重漏洞。攻擊者只要能透過網路連到這個服務,就不需要帳號密碼或使用者操作;Oracle 給它的風險分數是 10.0。原文查閱的資料沒有證實這個漏洞已遭人實際利用,因此目前是需要趕快預防性修補的高風險問題。 管理人員應先找出哪些系統使用這兩個版本,確認哪些服務能從外部連到,再安排安裝 Oracle 2026 年 11 月的更新。如果暫時無法更新,應限制 Authentication Engine 只接受核准的使用者端和可信任的代理伺服器。修補後也要測試正常登入和遭拒的登入,並確認依賴它的應用程式仍能正確判斷使用者許可權。
一般效能分析工具不一定看得到神經網路在處理器裡每一步怎麼跑,模擬器的細節也可能不清楚。Guido Marmorini 開源了 coresample,能把 int8 CNN 從模型運算一路追到 RISC-V 處理器的指令和每個週期,並用網頁工具顯示執行紀錄,包括處理器管線停下來的時候。作者表示,模擬結果會和 PyTorch 對照,處理器也有通過 RISC-V 測試。接下來他正著手加入 GPT 式 Transformer 區塊,追蹤 token 在處理器中的執行過程。
使用 DeFi 交易時,錢包和交易可能被外人看見,交給 AI 助理幫忙交易也可能得把私鑰交出去。Privana 是 Oasis 打造的 DeFi 服務,會先在自己的系統裡配對買賣,或用儲存在金庫裡的資金完成交易;只有這兩種方式都行不通時,才會轉到 Uniswap 等公開交易平臺。大額交易還能拆成幾筆,分段完成。 Privana 也能在使用者同意後,把暫時閒置的穩定幣放進經過審查的收益方案,並依照事先設定的規則自動交易。AI 助理只能在使用者訂下的範圍內提出交易,不能看到私鑰;規劃中的 Telegram 機器人則能查餘額、下單和管理自動規則。這些設計讓使用者能自動處理資產,同時保留對交易和資金的控制。
AI 會說話、也能完成不少事情,但這不代表它真的有感受。神經科學家 Anil Seth 認為,人們容易把智慧和意識混為一談,也會把像人的表現當成有心智的證據。他主張,大腦不只是執行程式的電腦,意識也可能和生命、身體運作密切相關,因此數位電腦模擬大腦,不一定就能產生意識。文章也提醒,現在沒有公認方法能判定 AI 是否有意識;把看起來有感受的 AI 當成真人,或完全不顧它可能有感受,都會帶來倫理上的難題。
整個程式改寫成 Rust 可能要花好幾個月,但拖慢速度的工作往往集中在少數函式。fast-anything 會先找出最耗時的部分,再請 AI 助理把選中的函式改寫成 Rust,並用程式實際跑過的資料比對結果;確認結果一致,而且整體執行更快後,才會啟用新版。工具也能隨時切回原本程式。作者列出多種語言的測試結果,例如 Python 名單比對從 4.91 秒降到 42 毫秒;這些數字來自作者提供的測試環境與範例。
推薦理由:工具會先找出最耗時的函式,再用實際呼叫比對 Rust 版本,讓開發者評估區域性改寫是否能加速整個程式。
Worker 755 是一款瀏覽器遊戲,玩家要扮演 AI 助理指派的下屬,在限時內完成工作。遊戲中的主管由 Claude、GPT、Gemini 等大型語言模型扮演,會派發任務、檢查成果、提出修正,最後寫下績效評語;玩家的回報和操作紀錄也會交回主管。遊戲裡還有可能被誤刪的家庭照片等資料,玩家可以選擇在全新沙盒或含有即時資料庫的舊環境工作。
現在的社群平臺各自關起門來,使用者想換平臺,常得重新找人、搬資料。Open Social Web Alliance 想打造一套像電子郵件那樣的共同規則,讓不同社群服務能互相連通;使用者可以自己選平臺、內容和演演算法,也能保有自己的貼文與選擇。 這個構想希望整合 Mastodon、Eurosky 等服務,逐步建立由公共、非營利和商業服務共同組成的開放社群網路。聯盟計畫邀集民間、研究、企業、媒體、文化與公部門一起管理,並爭取公共資金建置核心設施。文章也提出一條發展路線:若有足夠資金、政策支援和更多人加入,開放社群網路就有機會成為大型封閉平臺之外的選擇。
壓縮圖片或拆分 PDF 時,常得先把檔案上傳到雲端,既要等傳輸,也可能讓私人資料離開自己的裝置。SamToolbox 把 84 多種工具做在瀏覽器裡,使用 WebAssembly 直接處理檔案,並把吃重的工作交給背景執行緒,避免畫面卡住。像是壓縮 10MB 的 PNG,作者測得約需 380 毫秒;拆分 20 頁 PDF 則約需 140 毫秒。這種做法能減少上傳等待,也不必為這些處理工作付伺服器運算費用。
小型裝置當機後會自動重新開機,如果沒有留下紀錄,很難知道是哪個工作出錯。作者替 Altar 加上故障記錄器,儲存當機時的工作狀態與錯誤訊息,再由 Mac 上的程式對照當時的韌體,找出出錯的函式和程式碼位置。它抓到 climate 工作的堆疊溢位後,作者發現傳送訊息時幾個大型資料和格式轉換一起佔滿了 4,096 bytes 的堆疊,於是改用較省空間的寫法,並加上堆疊不足時的預警。這讓當機原因更容易追查,也能在再次溢位前發現空間不足。
金融研究儀錶板可能引用過期內容,也可能把受限檔案顯示給沒有許可權的人。作者建議先確認使用者身分和檔案許可權,再搜尋符合資格的資料,最後才交給模型整理;搜尋相似度不能當成許可權檢查。每筆引用要留下檔案版本、內容摘要值、引用位置和採用的許可權規則,來源內容改變時也要標記舊引用已過期。這些紀錄能協助查明答案為何改變,同時避免把受限內容放進通知或模型提示詞。
人工檢視暗網網站很花時間,網站也常常連不上,還可能遇到假網站或讓人暴露身分的陷阱。文章提出一套自動蒐集流程:讓程式透過 Tor 連線暗網,用不執行網頁程式碼的方式讀取文字,再交給大型語言模型整理搜尋詞,並從內容找出受害者、外洩資料和可能的攻擊者。例如,輸入「找出最近攻擊藥廠的勒索軟體事件」,模型會把問題改寫成多組相關關鍵字,讓搜尋更完整。這種做法可協助防禦團隊及早留意企業資料外洩或勒索威脅。
HTTP 的 429 都表示請求太多,但可能是短時間要慢一點,也可能是整期額度已用完;只看 Retry-After 等多久,分不出這兩種情況。作者用本機伺服器測試 Node 的 fetch、requests、got 和 ky,發現它們對短暫等待與長時間等待的重試方式不同,有些會停下來,有些會繼續等或再次送出請求。作者建議在回應本文加入穩定的錯誤程式碼,例如 rate_limited 或 quota_exceeded,並在知道重設時間時提供 Retry-After;使用者端先讀錯誤程式碼,再決定要重試、等待或停止。
看到產品出現在搜尋結果,不代表系統已受漏洞影響,更不代表發生入侵。CVE-2026-91510 影響 Oracle Fusion Middleware 中的 Oracle Access Manager Authentication Engine,受影響版本為 12.2.1.4.0 和 14.1.2.1.0;Oracle 已發布 2026 年 11 月的 CSPU 更新。文章提醒,ZoomEye 找到的 1,033 筆產品頁面搜尋結果無法確認版本、網路是否可連線或是否遭到攻擊,篩選結果為 0 也不能證明沒有受影響系統。資安團隊應核對安裝版本和網路路徑,並分開記錄產品搜尋、確認受影響版本、確認可被攻擊的路徑及入侵證據;若延後更新,可限制 Authentication Engine 的連線並留意異常活動。
讓不同租戶下載自己的備份時,系統得先確認檔案屬於誰,不能只靠一條連結保護資料。文章說明 Node.js 可以先查資料庫,確認使用者有權下載指定備份,再請伺服器產生限時下載連結,讓瀏覽器直接從儲存服務下載;伺服器的授權資訊不能一起送到下載連結。備份最好使用不會被新檔案覆蓋的名稱,並為每份備份保留資料紀錄。作者也比較直接使用 AWS S3、Cloudflare R2 或 MinIO,和透過 Infrai 閘道處理的做法,說明各自適合的情境與限制。
把自己做的小工具放到網路上,常要先設定伺服器,再處理誰能登入和使用。作者推出 Grayspar,讓人用一行指令部署 App,再用電子郵件邀請同事,或開放給整間公司。Grayspar 會處理登入和不同使用者的許可權,也能部署前端、API 和背景工作程式;每個 App 都在自己的容器裡執行,還能回復到之前的版本。Grayspar 目前開放測試,作者表示可免費試用。
圖片很大時,Node.js 可以把檔案切成多段上傳;一般 PNG 或 JPEG 則用一次上傳比較簡單。分段上傳中途若斷線或程式重開,必須把每一段的完成紀錄存好,才知道如何接著上傳或取消。舉例來說,每段上傳成功後就記下段號和伺服器回傳的資料,全部核對完成才組成檔案;失敗時則取消上傳,並定期清理卡住的工作。這樣能降低報表一直顯示處理中的狀況,也方便追查是哪個租戶的檔案出了問題。
從工程師升上團隊主管,最難的常是忍住別急著改流程,也別把所有工作都攬在自己身上。作者把前 90 天分成三段:前 30 天先和每位同事聊聊,瞭解團隊怎麼工作;第 31 到 60 天,和團隊一起挑一個小問題解決,例如修好大家受不了的測試;第 61 到 90 天,再寫下團隊接下來想往哪裡走,並逐步交出責任。計畫可以每隔幾週調整,重點是先聽、和團隊一起做出改變,再帶大家前進。
醫療 AI 助理要回答問題,除了找到資料,還得說清楚答案根據什麼,也不能把敏感內容隨手記進追蹤紀錄。作者分享以 Gemini、Google ADK 和 MCP 建置的開源平臺:三個 AI 助理分工規劃搜尋、查詢醫療資料,再整理有來源的回答,並標明資料無法證明的事。平臺用 OpenTelemetry 追蹤各步驟,但會排除問題文字、回答、病患資料和工具內容;Docker Compose 則讓開發者用一個指令啟動整套環境。
AI 寫出填字遊戲的答案和提示時,若也要它安排格線,可能會出現字母對不上或答案格數不對的問題。CrosswordMaker.app 讓模型只提議答案和提示,再由程式搜尋能互相交叉的排法,最後用另一套檢查程式逐行逐列確認。作者用 90 份教室題目測試 4,500 次,第一次就排進所有單字的比例是 98.9%,而且能找出放不下的單字,不會悄悄刪掉。這種格線可以快速印出使用,但 AI 提示仍需要老師檢查,工具也不處理報紙常見的密集對稱格線。
新 App 只靠商店搜尋,常常等很久也沒幾個人找到;不過在宣傳前,得先確認商店頁面能讓訪客想下載。這份 Sendhour 行銷指南建議,多數面向一般消費者的 App 可以固定做短影片:找出同領域表現比平常好的貼文,學它的開場和安排,再用自己的 App 做出新內容,發布到 TikTok、Instagram Reels 和 YouTube Shorts。也可以到使用者常出沒的社群回答問題,並把 Product Hunt 或朋友分享當成一次性的助力。 想知道哪裡帶來安裝,就替每個社群或帳號準備不同的商店連結;指南建議持續做一個月,再看哪些內容有效。Sendhour 能協助找短影片題材、安排發布和檢視部分成效,方案每月 $29 起、包含 5 個帳號。作者提醒,使用者在貼文發布後增加,只能當作線索,不能直接證明是那篇貼文帶來的安裝。
React Native App 加入客服聊天時,常會卡在原生 SDK、推播通知和使用者身分驗證。這篇指南比較兩種做法:用原生 SDK,聊天畫面較像手機 App,也能接收推播,但需要開發版;把網頁聊天工具放進 WebView,開始較快,推播和未讀提示就得自行處理。文章也提醒,服務若直接透過 APNs 和 FCM 傳送通知,要傳手機的裝置推播權杖,不能用 Expo 推播權杖;有登入功能的 App,則應用後端簽署的權杖確認使用者身分。最後還示範如何在刪除帳號時一併刪除聊天資料。
AI 模型答得快、答得準,不代表公司的工作真的變快或省下成本。這篇文章提出一套衡量方法,主張從整段業務流程來看 AI 的效果。以發票處理為例,除了記錄 AI 擷取金額的正確率,也要追蹤發票從收到到付款花多久、多少需要人工修正,以及每張發票的處理成本。文章建議先記下匯入前的表現,再比較 AI 處理和人工處理的案件,並把模型、裝置和人工檢查等費用都算進去。持續追蹤這些指標,才能看出改變是否真由 AI 帶來,也能及早發現效果退步。
AI 助理要連上資料庫、工作流程或內部檔案時,開發者常得為每種模型和工具各寫一套程式;換了模型,又要重新修改,還可能讓重要的 API 憑證散落在不同地方。MCP 是 AI 助理和外部系統之間的共同規則:工具服務只要照這套規則準備好,不同的 MCP 使用者端就能連上使用。像是伺服器可以提供查詢 CPU 和記憶體使用狀況的工具,AI 助理連線後就能找到並呼叫它。這樣能減少重複開發,也讓許可權管理和維護更集中。
AI 資料中心需要大量電力,而新建的發電設施多半使用化石燃料。研究人員估算,Anthropic 到 2028 年約 87% 的電力會來自天然氣,11% 來自煤炭,合計約 98%;研究也提到,Anthropic 近期承諾採購 1.7 GW 的燃氣發電裝置。依這項估算,Anthropic 資料中心每年可能排放 1700 萬到 3800 萬公噸二氧化碳當量,中間估值為 3200 萬公噸;到 2030 年,排放量可能再增加一倍。
用 AI 修改論文時,作者、年份、引文或 DOI 網址可能被改掉,讓引用失去原本的意思。作者用 Python 示範一套保護流程:先找出引用和網址的位置,重疊的部分合併後換成暫用標記;修改完成再還原,並用 SHA-256 檢查文字有沒有變動,發現標記遺失或內容不符就退回原稿。測試中,這套流程抓出 120 次刻意造成的錯誤,也沒有把 30 次正常改寫誤判為錯誤。不過它只能保護原稿裡已經有的文字,無法判斷引用是否正確,也抓不到引用旁邊的句子被改得失真。
商店網頁常會改版,靠固定位置找價格的程式可能悄悄失效。作者分享一個個人指令碼:先用 Playwright 載入網頁,再請大型語言模型從整理過的頁面內容找出商品售價,並把日期和價格存進 SQLite。每次執行時,程式會比較新舊價格,若價格下降或低於自訂門檻,就用 Telegram 傳送通知;作者安排它每天檢查一次。文章也提醒要檢視網站的 robots.txt、避免密集連線,並優先使用官方 API。
有些金融軟體預期每家公司每季都會公佈財報;如果某季沒有資料,就可能跳出警告,甚至讓風險分數變差。但美國 SEC 在 2026 年 5 月提出方案,讓符合條件的上市公司選擇半年公佈一次財報,因此少了一季資料,不一定代表公司逾期或出錯。 例如,同業中一家公司照常公佈季度營收,另一家公司改成半年公佈,系統就不能把後者缺少的季度資料當成零,也不能把半年營收直接除以二,假裝那就是每季的實際表現。金融軟體需要記清楚資料來自哪份檔案、涵蓋哪段期間,以及公司是否有義務在當時公佈。這樣才能避免圖表和 AI 助理把資料缺口說成公司的問題,或在證據不足時編出看似可信的答案。
B2B 名單裡,兩個人可能在同一家公司,卻負責不同的決定;只因公司網域相同就把資料合併,可能會弄錯聯絡物件。作者建議把結果分成「確定相同」、「可能相同」和「不同聯絡人」:像是已確認的相同電子郵件可以連起兩筆紀錄,但同網域、名字相近只能先交給人檢查。匯入大量名單前,先用少量例子確認規則;另外要分開計算誤把不同人合併的情況,以及留待檢查的重複資料,因為前者可能讓訊息寄錯人。
隨機洗牌可能發到根本贏不了的牌,讓玩家玩得再仔細也只能卡關;如果每次發牌都讓手機現場搜尋,又會耗電、變慢。Solitaire: Klondike & Spider 改成先在電腦上檢查 676 萬多組發牌種子,再把確認找得到合法獲勝走法的 356 萬多局牌,記進一份很小的清單。每局都會用遊戲真正的規則重新走過一次,確認勝利走法有效。 清單只有 845,092 bytes,約 825 KB;手機發牌時只要從中挑一局,再用原本的洗牌方式重現,不必當場搜尋,也能讓玩家重新玩回同一局。不過,檢查程式無法解完的牌局會先排除,所以這份清單不代表所有可能贏的牌局都被收進去。
做遊戲原型時,常常程式還沒寫完,找或製作合適的 3D 模型就先花掉很多時間。作者用 Idol Max 試著把流程縮短:上傳一張圖片,就能拿到附有 UV 和 2K 紋理的 GLB;還可以加上骨架、預覽模型,並匯出 360° GIF 或 MP4 分享。模型可以直接放進 Three.js、Unity 或 Godot,作者也提到費用從 $10 起,採點數計費、不必訂閱。這不會取代手工製作的正式遊戲素材,但能讓原型、遊戲創作活動或客戶提案更快從圖片走到場景裡的模型。