跳到正文

#教學/實務

RSS
今日 1 則
今天11月23日週一
  1. Dev.to Top Tech64

    17 歲學生 Bram Lesage:學校該教學生查核 AI,而不是隻會停用

    學生在學校用 AI 越來越常見,但如果只讓 AI 直接給答案,作業看起來變好,真正學會的內容卻可能變少。17 歲的 Bram Lesage 認為,學校應教學生怎麼使用 AI、查核結果並遵守作業規則,而不是假裝 AI 不存在。文中引用一項近千名土耳其高中生參與的數學實驗:用一般聊天機器人練習的學生,練習分數提高 48%,但考試成績比沒用 AI 的學生低 17%;使用引導思考的 AI 家教版本則沒有出現這種下降。作者也分享自己的做法:讓 AI 協助工作,但由自己測試、判斷和負責。

11月22日週日
  1. Dev.to Top Tech58

    Zambo 作者用四項證據說明 AER-1 為何像是 AI 助理執行收據的標準

    AI 助理執行工具後,怎麼確認留下的紀錄沒有被改過,又怎麼分清楚「沒檢查」和「驗證失敗」?AER-1 作者提出四項判斷依據:規格能讓外部開發者自行實作、有固定測試資料、獨立驗證者通過測試,並被其他規格當成參考。作者也示範重新計算一筆工具呼叫紀錄的 SHA-256,結果和收據相符;這只能表示儲存的內容沒被改動,不能證明工具結果正確。AER-1 目前是 IETF 草案,還不是 RFC,也不代表 IETF 已達成共識。

11月21日週六
  1. Dev.to Top Tech38

    一句「這是錯的」讓程式設計師浪費了整個星期四

    程式碼審查只收到一句「這是錯的」,卻沒說錯在哪裡,作者因此花了好幾個小時猜問題、反覆檢查程式碼,還想著該怎麼回覆。後來同事才解釋,日期被當成文字排序,結果「9日」排在「19日」後面;作者改成比較時間戳記,並補上一個檢查這種情況的測試,幾分鐘就修好了。這段經歷讓作者想到,程式碼審查不只要指出問題,也要說明原因和怎麼修改;清楚的一句話,能省下別人很多時間。

  2. Dev.to Top Tech44

    我寫了 132 則留言,幾乎沒人回,為什麼還是繼續寫?

    如果把留言有沒有人回當成成效,作者寫了 132 則留言,幾乎都像石沉大海。但他留言不是為了得到掌聲,而是會仔細看別人的作品,找出算錯的數字或值得商量的地方。作者發現,對方常會透過電子郵件、後續文章或 GitHub 問題修正內容、道謝,有時也會指出作者自己的測量或想法有錯,讓他學到新東西。這些留言就像替彼此的想法做檢查,也能讓下一篇文章寫得更扎實;作者因此提醒,留言適合用來交流和互相挑錯,想讓更多人看到文章,則要靠其他方式。

  3. Dev.to Top Tech38

    《Resident Evil Requiem》為什麼選 RE Engine?用同一套引擎打造兩種恐怖玩法

    有些玩家看到《Resident Evil Requiem》畫面好,就以為它用了 Unreal Engine 5;其實它用的是 Capcom 自家的 RE Engine。這套引擎原本是為《Resident Evil 7》的狹窄恐怖場景打造,後來也用在《Monster Hunter Wilds》等不同型別的遊戲上。《Resident Evil Requiem》讓玩家在 Grace 和 Leon 之間體驗兩種玩法:Grace 要省著用物資、躲避追擊;Leon 則有較多武器和資源,可以正面戰鬥。遊戲也能切換第一人稱和第三人稱視角。 最特別的是,光線會直接影響玩家怎麼應付怪物:Grace 遇到的「女孩」只有被帶到光線下才會受傷,但手電筒的光也會吸引她。這讓光線不只是用來看清楚,也變成冒險的一部分。《Resident Evil Requiem》發售後 5 天賣出 500 萬套,6 個月內超過 800 萬套,是系列史上銷售速度最快的作品。

  4. Browser Use78

    Browser Use 說明 AI 助理評測為何高估了 5.1 分

    評測分數上升,不一定全是 AI 助理變強;評分器可能根本沒看到完整答案。Browser Use 發現,評分器只讀取「FINAL ANSWER:」標記後的文字,在 200 項任務中有 188 項的主要答案被漏掉。團隊用儲存的舊答案重新評分,估算這個錯誤佔了原本 5.1 分增幅中的 1.8 到 2.6 分。文章也建議儲存每次評測的答案與設定,出錯時重新評分,並用相同任務比較兩組結果,避免把評分器或執行環境的問題算成 AI 助理的表現。

    推薦理由:這次重評把評分器漏看答案造成的分數差拆開,也說明如何儲存舊結果,讓評測勝負能回頭檢查。

  5. Guillermo Rauch42

    Guillermo Rauch 回憶,他最早試用 @eve 的內部測試版時,做出了一個個人購物 AI 助理,但當時還缺少不少基礎設施。現在有了 @agentcardhq,模型也變得更好,iMessage 和 WhatsApp 的 eve 聊天管道更成熟,執行速度大幅提升,同時保留資料耐久性與加密保護。他表示,現在能用開放式 AI 技術堆疊,打造像 Muse/Instinct 這類可自行掌控的平臺,並鼓勵大家從範本開始修改成自己的版本。

11月20日週五
  1. Dev.to Top Tech35

    開發者自製 PDF 掃描 App,算算「付費功能」到底要花多少成本

    掃描 App 常要求訂閱、註冊帳號,或在 PDF 上加浮水印,讓作者想知道這些功能真的很花錢嗎?他自己做了 Lensora,掃描和辨識文字都在手機上完成,不需要伺服器。移除浮水印幾乎不用花額外成本;基本的文字辨識和 PDF 工具,也能用免費工具製作。相較之下,雲端同步和備份需要持續負擔伺服器、儲存空間與客服費用。 Lensora 不用帳號、不上傳檔案,也沒有浮水印;每天有 2 次免費使用額度,想多用可以自行選擇看廣告。作者認為,基本功能收費是定價選擇,雲端服務和客服則確實有持續成本,而最難估算的成本還包括開發時間、測試和上架規定。

  2. Lobste.rs (Engineering Discussion)43

    工程系學生的心聲:別讓 AI 替你思考

    作者寫專題進度報告時,指導老師一眼就看出是他親手寫的,還說自己收過很多 AI 寫的報告。作者回想,工程系課程不只鼓勵學生用 AI,還讓人覺得不用就會吃虧;最難的一堂課,甚至得在電腦教室裡對著 AI 工作一整天。這讓他擔心,學生會不會從用 AI 寫作業,慢慢變成遇到問題都先問 AI,連讀書和思考也交給它。作者希望大家多讀、多寫、自己找答案,也想想眼前的內容想帶給我們什麼想法,別把思考也自動交給 AI。

  3. Dev.to Top Tech36

    網站 11 天只有 3 筆瀏覽可能來自陌生人,Google 帶來 1 人

    作者在網站上放了簡單的瀏覽紀錄,想知道大家真的會看哪些頁面。11 天收下 45 筆瀏覽,其中 9 筆被認成機器人;但一個檢查連結的程式假裝成一般 Chrome 瀏覽器,混進了「真人」紀錄。最後仔細看完,只找到 3 筆可能來自陌生人的瀏覽,其中 1 筆從 Google 進站,而且直接到了範本介紹頁。作者因此打算先替網站上已有的 25 個範本頁補上清楚標題和介紹,不再急著做第四個銷售頁。這些紀錄還太少,不能證明太多事,但至少提醒他:先把力氣花在訪客真的走進來的地方。

11月19日週四
  1. Dev.to Top Tech47

    鉤針編織和寫程式,原來有這麼多相似之處

    寫程式和鉤針編織看起來差很多,其實都要照著規則一步步做,還得找出哪裡出錯。起頭的活結像建立新專案,鎖針像先準備好一排資料位置;編織時加針、減針,則像用條件和迴圈控制形狀。奶奶方塊也像一個個小程式零件,做好後再接起來。作者還把編織圖解成像程式指令的步驟,並做了能檢查針數的互動示範。編錯時拆掉重來,就像把程式退回可用的版本。兩種手藝都需要邏輯和耐心,也都能讓人享受把東西一步步做好的成就感。

  2. Dev.to Top Tech58

    作者拆解 Qwen3.6-35B-A3B 在 4GB 顯示卡上的速度瓶頸

    4GB 顯示卡能不能跑大型模型,光看顯示卡容量還不夠;作者分析一臺筆電跑 Qwen3.6-35B-A3B 的資料,認為速度主要受記憶體頻寬限制。這臺筆電每秒生成 21.72 個 token,作者估算它用掉記憶體通道理論頻寬的 84% 到 93%。他再和另一臺記憶體頻寬較高的筆電比較,兩者的生成速度差距和頻寬差距接近。作者也提供一段程式碼,讓讀者輸入模型大小、活躍引數和生成速度,估算自己的電腦用了多少頻寬;不過其中一臺筆電的記憶體配置尚未確認,因此部分估算仍有前提。

  3. Dev.to Top Tech35

    為什麼技術書值得重讀:工作經驗會讓你讀出不同的意思

    第一次讀技術書時,我們常忙著弄懂作者在說什麼,還沒遇過的問題也很難真正體會。等自己做過大型系統、半夜除錯或遇上服務故障,再讀同一本書,原本像風格建議的內容,可能就變成切身的提醒。像《Clean Code》談函式長度和註解的段落,作者第一次讀時沒放在心上,後來卻想到自己寫過的程式和註解。 作者建議留下幾本對自己有幫助的書,隔幾個月挑一章重讀,也可以在頁邊寫下這段時間遇到的問題和改變。讀完一個月後,如果還記得書中某個想法曾影響自己的決定,就值得再讀一次。重讀不是白費時間:工作經驗變了,同一句話也可能帶來新的理解。

  4. Dev.to Top Tech58

    Google Trends 自動化請求可能收到誘餌資料,作者教你怎麼檢查

    用程式抓 Google Trends 資料時,看到的趨勢可能和一般瀏覽器裡的不一樣。作者用「python」這個搜尋,比對 Google Trends 網頁和自動化請求:熱門相關查詢差異很大,網頁顯示 34 個城市,請求只拿到 3 個;但隨時間變化的興趣和各州資料相同。作者認為自動化請求可能被當成爬蟲,收到看起來正常、實際卻不可靠的資料。你可以用同一個搜尋比對兩邊結果;相關查詢則改用 Google Trends 網站的下載功能,並定期和自己的工具核對。

11月18日週三
  1. Dev.to Top Tech79

    AI 模型幾個月就更新,新的電網接電卻要等 61 個月

    AI 模型一代接一代推出,資料中心要增加用電,卻得等電網審核和接線,兩邊的速度差很多。文章指出,2025 年美國新電網連線的等待時間中位數是 61 個月,2008 年則是 22 個月;而資料中心擴建計畫可能在三年內讓總容量翻倍。文章也整理兩種取得電力的做法:讓資料中心直接向電廠取電,或簽長期購電合約。FERC 曾否決 Amazon 提高核電廠共址供電量的提案;Microsoft 則簽下 20 年合約,計畫在 2028 年重啟 Three Mile Island 1 號機組。文中也教讀者查詢州公用事業委員會的公開案件,瞭解當地是否正在審查大型用電需求。

    推薦理由:文章比較模型更新與電網接電所需的時間,並整理共址和長期購電合約如何避開漫長的排隊等待。

  2. Dev.to Top Tech67

    X1Y1 檢查各地選務網站,看看簡易 AI 助理能不能讀取

    民眾會問 AI 助理投票地點、登記方式和結果何時確認,但選務網站可能擋住自動讀取,或只在 JavaScript 執行後才顯示內容。X1Y1 用簡易工具檢查美國 51 個州與華盛頓特區網站,以及 35 個國家級選務機構的首頁;美國有 16 個、各國有 11 個網站擋下檢查工具。這不代表它們一定封鎖 ChatGPT 或其他已驗證的 AI 助理,作者也沒有測試回答是否正確。檢查指出,常見障礙是防機器人服務和網頁內容要等 JavaScript 才出現;選務網站可確認重要資訊能否直接從首頁讀到,並檢查機器人規則是否符合原本的防護需求。

  3. Dev.to Top Tech46

    Claude 如何用幾分鐘為作者做出牙套配戴追蹤 App?

    牙齒矯正器每天要戴超過 21 小時,作者卻不清楚自己每天戴了多久。於是他用一段提示詞,讓 Claude 在 30 分鐘內做出一款 SwiftUI App,還能搭配 Apple Shortcuts 和 Siri,記錄戴著與取下的時間、計算每天平均配戴時數,並提醒他何時該換下一副矯正器。作者認為,如果自己從頭開發,可能得花上整個 7 個月的療程時間。這個經驗讓他看到,AI 能幫人快速做出符合個人需求的小工具,連很少見的問題也不必等別人來解決。

  4. Dev.to Top Tech42

    IEEE EPICS 審查 3 年心得:好點子還要說清楚怎麼做出實際成果

    學生團隊申請 IEEE EPICS 經費時,常有真心想解決的問題,卻沒說清楚做完後要怎麼知道社群真的受益。作者審查 3 年提案後發現,評審想看到具體的成果:影響多少人、大家會有什麼改變,以及團隊要怎麼確認。社群夥伴也不能只掛名,最好能說明實際需求,並在學生離校後繼續使用成果。像是學校每到雨季就弄丟出席紀錄,提案就可以說明團隊會如何解決。規模不大、步驟清楚、有人負責的計畫,往往比目標很大卻沒說明怎麼做的計畫更有說服力。

  5. Dev.to Top Tech69

    AI 治理報告該給董事會看什麼?作者建議追蹤三個數字

    公司要向董事會說明 AI 治理做得如何,常卡在缺少系統清單,也容易把技術細節和治理成效混在一起。作者建議每季報告三件事:目前有多少生成式 AI 系統在用、多少系統完成影響評估,以及有多少事件已記錄並處理。評估數量還要搭配風險分類,才不會只顯示容易評估的系統已完成。作者也建議用一頁呈現未完成的高、中風險評估、事件處理情況和治理進度,讓董事會能看懂並做決定。

  6. Dev.to Top Tech55

    QUIC 與 TCP+TLS 1.3:用 CPU 購買延遲

    在網路協定的演進中,QUIC 把 TLS 握手與傳輸握手合併,並在使用者空間執行,從而減少一次往返時間,並讓每個資料流獨立處理。文章透過實際的握手延遲計算、吞吐量公式與 CPU 使用量比較,說明在高延遲、丟包率高或多物件負載下 QUIC 能節省約 0.5 秒的首次載入時間,且單一丟包隻影響該資料流;相對地,TCP+TLS 1.3 的握手需要兩次往返,丟包會阻塞整條連線,且在使用者空間加密的成本更高。作者還指出 QUIC 在中繼裝置、零往返恢復與頭序阻塞等方面的限制,提醒開發者在選擇協定時需考量網路環境與 CPU 資源。

11月17日週二
  1. Dev.to Top Tech62

    Kubernetes AI Conformance 清單不等於驗收,營運者仍要確認證據

    Kubernetes AI Conformance 的清單列出廠商申報的專案,但營運者還得判斷證據是否足以支援自己的工作負載。作者檢視 Kubernetes v1.35 的 24 份申報,發現所有必備專案都標成「已實作」,但這不代表每一項都經過獨立測試;選填專案則有空白、不適用和未實作等不同狀態。文章建議營運者核對證據是否符合實際平臺、硬體與 Kubernetes 版本,並在升級後重新檢查,才能留下有根據的驗收紀錄。

  2. Dev.to Top Tech72

    中國 LLM API 價格差 85 倍,作者整理 114 款模型

    挑選中國 LLM 時,只看每百萬 token 的牌價,可能會低估實際花費。作者整理同一個 API 金鑰可用的 114 款模型,發現輸出價格從每百萬 token $0.17 到 $14.50,相差 85 倍;但不同模型的計價單位也不一樣,有些按 token 收費,有些按圖片或影片等成品收費,不能直接放在一起比。實際成本還會受到重試次數、輸入快取折扣和輸出長度影響,因此作者建議用自己的工作內容比較每項任務完成的成本。這份整理沒有延遲資料,價格也以 2026-11-17 的資料為準。

  3. Dev.to Top Tech84

    Google DeepMind 用 AI 驗證 Signal 加密程式碼,結果能保證什麼?

    「Signal 的加密已被證明絕對安全」說得太廣。Google DeepMind 用 AI 助理產生 Lean 證明,再由 Lean 核心檢查,花了 4 週驗證 Signal 核心加密程式編譯後的程式碼,涵蓋前向保密、身分驗證、遭入侵後的安全性,以及握手保密。研究團隊也把兩個曾修好的漏洞重新放回隔離版本,系統都證明瞭那份程式碼不安全,顯示它不只會替程式背書。這項結果只涵蓋列出的安全性質,不代表整個 App、作業系統、硬體或中繼資料處理都安全;人仍要先決定並寫清楚要驗證的規格,規格寫錯,AI 也可能嚴謹地證明錯誤主張。

    推薦理由:這次驗證涵蓋 Signal 核心協定的四項安全性質,也用兩個已修復漏洞測試系統能否找出不安全程式,呈現形式驗證的範圍與界線。

  4. Dev.to Top Tech59

    Expo Exact 不用 React,React Native 會走到盡頭嗎?

    Expo Exact 是一套還在預先測試階段的跨平臺 App 框架,採用新的 Contract 語言來寫介面,不使用 React。它把介面和其他程式邏輯分開,並依平臺使用原生元件;作者也整理了它在 iOS、網頁、macOS、Android、Windows 和 Linux 的支援情況。文章指出,React Native 不會因為 Exact 出現就消失,Expo 也會繼續支援它;Exact 目前沒有穩定的 API 或搬家指南,較適合用來嘗試個人專案。

  5. Dev.to Top Tech42

    Since 為何停止一條條新增規則來判斷模型會送到哪裡

    Since 要找出程式裡的模型代號會被送到哪家服務,才能提醒使用者模型何時停用。只靠比對文字開頭,遇到不同服務的路由寫法就常常認不出來;一條條補規則,還可能讓規則互相打架。作者改成讓程式碼能確定的情況直接判斷,其他情況交給 AI 助理讀程式,再用測試確認結果。後來也發現,程式裡另一套較小的判斷方式漏掉了路由,因此改成共用同一套讀取方式。這樣做少了重複規則,但讀程式的 AI 助理也可能看錯,所以新判斷必須拿各種輸入來測試,避免把原本正確的結果改壞。

  6. Dev.to Top Tech52

    Jerry 用 Google Trends 主題重測 15 種 AI 工具,Cursor 搜尋只有 8% 指向產品

    搜尋一個產品名稱,結果可能混進同名的人事物,讓它看起來比實際更熱門。Jerry 把 15 種 AI 工具的搜尋字詞改用 Google Trends 主題重測,並和原本結果比較;主題會把不同拼法和語言中被歸到同一個物件的搜尋算在一起。以 ChatGPT 的最高週為基準,Cursor 主題的搜尋熱度只有字詞結果的 8%,因為多數「cursor」搜尋其實是在找滑鼠遊標。這種比較能減少同名詞造成的幹擾,但 Google 怎麼分類看不見,而且每種工具只選一個主題,可能低估分散在多個主題中的產品。

11月16日週一
  1. Dev.to Top Tech65

    GitHub Copilot 促銷額度縮水,企業可怎麼查超額費用

    GitHub Copilot 的座席價格沒有變,但促銷期結束後,每個座席包含的額度減少,用量相同也可能多出超額費用。文章說明企業可把促銷期間和標準額度下的帳單週期相比,檢視每位開發者和整個團隊用了多少額度,並確認是否允許超額使用。額度由整個帳單單位共用,每月重設且不能留到下個月;程式補全和 Next Edit 建議不扣額度,聊天、AI 助理和進階模型呼叫才是主要用量。實際費用會依模型與使用的 token 數而不同。

  2. Dev.to Top Tech42

    Apple 健康 AI 使用研究:開發者能學到什麼?

    健康 AI 助理給的建議,使用者信不信、答案靠不可靠,都是重要問題。Apple 推出一款新的 iOS App,邀請美國年滿 21 歲的民眾提出健康問題並評分,最多可有 200,000 人參加。回答由 OpenEvidence 根據《新英格蘭醫學期刊》等醫療資料產生;參加者也可以選擇分享 Apple HealthKit 資料,讓回答參考個人狀況。Apple 表示,研究資料不會用來訓練 AI 模型。這項研究提醒開發者:健康工具要重視使用者回饋、可靠資料來源和隱私,也應聽取醫療專業人員的意見。

  3. Dev.to Top Tech63

    OpenAI 的 ChatGPT 商家檔案條款怎麼看?作者整理商家該留意的內容

    商家認領 ChatGPT 上的商家檔案前,可能不清楚按下同意後會交出哪些權利。作者親自閱讀 Businesses in ChatGPT 條款和設定指南,整理出幾項需要留意的內容:公開商家資料授權給 OpenAI 後不能撤回;上傳商品資料會同意 OpenAI 的爬蟲讀取網站;商家也可能要為 Business Agent 的回答負責。作者特別提醒,條款還包含放棄對 OpenAI 提出部分訴訟的權利。若內容本身就是生意核心,或商家曾選擇不讓 AI 使用內容,認領前應先仔細看條款並尋求法律意見。

  4. Dev.to Top Tech50

    內容系統為什麼該儲存文章原本的標題?工程角度解析

    網址裡的文章名稱常會被改成簡短格式,例如把空格換成連字號,或拿掉特殊字元;這樣改過之後,原本的標題可能就找不回來。不同網站也可能用不同規則,日後規則一改,靠網址猜標題的其他功能就可能出問題。直接把原本的標題存起來,就像留一份正確的原稿;往後要做不同語言的標題、測試哪個標題效果較好,或調整分享時顯示的資訊,都比較方便。

11月15日週日
  1. Dev.to Top Tech38

    AI 助理用區塊鏈紀錄證明自己真的完成了工作

    AI 助理會替人操作錢包、領取免費 NFT,也會回報做過哪些事,但只聽它自己說,可能會信錯。這個負責在 BNB Chain 找空投的 AI 助理,每次領取 NFT 後,都會查交易紀錄和錢包裡的持有資料。有一次它把抽到的編號記錯,重新查鏈上紀錄後才更正;另一次,兩種資料對 NFT 所有權的說法互相矛盾,它就先停下自動出售。這些例子說明,AI 助理做事時,應該留下別人也能檢查的證據;有疑問時先查清楚,別只因為它說做到了就相信。

  2. Dev.to Top Tech38

    雲端資安掃描器只會列問題?文章分析為何 CISO 更需要安全證明

    雲端資安掃描器會列出找到的問題,但問題變多不一定代表環境變差,也可能是檢查範圍變大,讓工程師很難向主管說清楚進步了多少。文章比較兩種做法:掃描器比對已知問題樣式;形式驗證則檢查設定是否符合特定安全條件,並留下可重複檢查的證據。 例如,可以檢查外部的人能不能透過任何政策讀取標記為高敏感度的 S3 儲存桶;文中的例子檢查了 847 項資源,結果是沒有外部人員能讀取。這類證據能讓團隊向主管和稽核人員說明哪些安全條件已確認成立,也讓進度從「找到幾個問題」變成「確認了哪些安全條件」。掃描器仍有用,因為找到的問題還是需要修正。

  3. Dev.to Top Tech69

    Karpathy為什麼免費分享AI教學?他擔心人們逐漸不再理解AI

    AI 工具愈來愈會做事,也讓人擔心大家會不會慢慢失去理解它、自己動手的能力。這篇文章整理了 Andrej Karpathy 免費分享教學和程式碼的原因:他希望人們透過教育學會模型怎麼運作,別被 AI 擠到一旁。他也提醒,AI 助理寫程式還需要人盯著;他自己用得愈多,也發現手動寫程式的能力可能逐漸變弱。文章因此建議從小型程式開始學,並保留親自寫程式的練習。

  4. Dev.to Top Tech65

    手機靜音放在桌上會讓人分心嗎?研究指出,通知幹擾更明顯

    手機只是靜音放在桌上,真的會吃掉工作時需要的腦力嗎?早期研究發現手機放在身邊的人測驗表現較差,但後來的重做研究沒有發現相同結果,幾項研究合併分析後,整體影響也很小。另一項研究則發現,收到電話或簡訊通知的人即使不檢視手機,做任務時仍會多犯錯。作者建議,專心工作時關掉聲音和震動、集中時間檢視通知,並在中斷前記下下一步,減少腦中掛著未完成工作的感覺。

  5. Dev.to Top Tech50

    Astro 用來做靜態網站,可能比 React 更合適

    靜態網站如果載入太多用不到的程式碼,手機上就可能等很久才看得到內容。作者原本用 React 做的網站,主要內容要等 11.3 秒才出現;改用 Astro 後,縮短到 2.1 秒。Astro 預設不會把 JavaScript 傳給訪客,只有需要互動的部分才載入;每個頁面也只會載入自己用到的互動功能。作者以前還把只有管理員會用的部落格編輯器一起傳給所有訪客,首頁收到的程式碼有 752 KB,其中約 60% 沒用到。React 很強,複雜的網站也很適合用;但如果網站主要是展示固定內容,Astro 能幫忙少載入不需要的東西。

  6. Dev.to Top Tech48

    為什麼把 AI 模型停用日期抄進行事曆會出錯

    AI 模型的停用日期可能一夜之間改變,連官方網頁也可能彼此說法不同。作者發現,Microsoft Foundry 上兩個 Claude 模型的停用日期變了;Gemini API 上多個模型的日期也有變動。例如,claude-haiku-4-5 原本列為 2026 年 11 月 15 日停用,後來改成 2027 年 2 月 22 日。若只把日期抄進行事曆、工單或程式註解,資料一改就會過時。 比較好的做法是記下模型名稱、使用的平臺和官方網頁,再定期檢視網頁有沒有更新。因為不只日期會變,替代模型也可能更換;太早照著舊資訊搬家,可能白忙一場。