用四項指標檢查相容物件儲存的每日影像備份是否依期保留
備份工作顯示成功,不代表舊檔真的按時刪除;保留規則也可能因路徑改名而悄悄失效。作者以商店圖片備份為例,建議把刪除交給儲存桶的規則,再每天檢查逾期物件數、最新備份時間、各路徑的檔案容量,以及匯出連結遭拒的次數。逾期檢查多留一天緩衝,因為刪除可能延後處理;備份檔案太久沒更新,也要另外告警,免得空資料夾看起來像是保留正常。文章也提醒,租戶資料應放在私人儲存桶,匯出檔案要有自己的儲存期限,並記錄簽發下載連結的情況。
備份工作顯示成功,不代表舊檔真的按時刪除;保留規則也可能因路徑改名而悄悄失效。作者以商店圖片備份為例,建議把刪除交給儲存桶的規則,再每天檢查逾期物件數、最新備份時間、各路徑的檔案容量,以及匯出連結遭拒的次數。逾期檢查多留一天緩衝,因為刪除可能延後處理;備份檔案太久沒更新,也要另外告警,免得空資料夾看起來像是保留正常。文章也提醒,租戶資料應放在私人儲存桶,匯出檔案要有自己的儲存期限,並記錄簽發下載連結的情況。
不同時區的使用者查同一天資料,可能看到不同結果;遇到夏令時間,當地的一天還可能有 25 小時。作者分享自己遇到的 .NET 日期篩選問題,說明 SQL Server 的 datetime2 會存下日期和時間,卻丟掉時區偏移,讓同一筆資料在不同機器上被當成不同時刻。為瞭解決這個問題,他開發了 SolTechnology.DateTimeZone,把 DateTimeOffset 和時區放在一起,並示範如何算出柏林與東京當地一天各自對應的 UTC 查詢範圍。文章也說明套件的限制,例如時區資料來自作業系統,沒有安裝時區資料的環境無法使用。
想在自己的電腦試跑網路商店,常得先安裝好幾種工具,還要處理網域和憑證。這篇教學用 Docker Compose 一次啟動 GoCommerce、Svelte Commerce、PostgreSQL、Meilisearch 和 Caddy;Go 和 Node 都在容器裡執行。設定好環境變數並建立商店後,就能用瀏覽器開啟商店與管理後臺。第一次連線時,瀏覽器會提醒本機憑證來自 Caddy 的本機授權中心;若不設定搜尋用的金鑰,商店仍能運作,但 Meilisearch 容器會不斷重新啟動。
凌晨有人家裡水管漏水時,AI 助理可以先詢問狀況、整理資料,卻不能代替水電技師到場處理。作者建議把客戶回答、漏水是否持續和緊急程度整理成固定欄位,連「不知道」也要和「沒有」分開記錄;AI 助理可以提出技師和到場時間的建議,但夜間派工要由值班人員確認。遇到閥門沒關、信心不足或不認得的問題時,系統應通知真人並停止提出派工建議。相同訊息也要更新原有案件,避免一件漏水叫出多組派工。
備份放得便宜,不代表客戶需要時就能在期限內下載大型報表。這份 Node.js 實務指南建議,先用相同的檔案清單、登入流程和同時下載人數,在 EU 和 US 各跑一次測試,再比較下載速度、完成時間、重試次數和帳單明細。下載由服務先確認使用者身分,再從私有儲存空間取出檔案並傳給客戶;也要測試中斷後能否接著下載。最後用檔案大小和 checksum 確認內容正確,因為 HTTP 顯示完成,不代表報表一定沒壞。文章沒有替儲存服務排出最便宜名次,選擇要看實際工作量、地區限制和復原期限。
NGINX 版本落在漏洞範圍內,不代表每臺伺服器的風險都一樣。這篇實務指南建議一起檢查伺服器是否能從網路連到、是否用 HTTP/2 代理到後端,以及工作程式是否接近連線上限,再確認實際執行的程式和修補狀態。F5 說明,漏洞可能造成服務拒絕;若 ASLR 已停用或遭到繞過,才可能執行程式。NGINX Open Source 的修補版本是 1.30.7 和 1.31.9。指南建議先修補對外且承載流量集中的代理;暫時停用 HTTP/2 可降低攻擊路徑,但提高連線上限並不能修好漏洞。
嵌入模型會把文字轉成向量,用來找出意思相近的內容,但詩句常有表面意思和真正想表達的意思。作者把自己的 12 首詩交給三種模型比較,發現模型一開始常把比喻判成字面意思;加入完整詩作,並調整候選句的寫法後,結果有所改變。詞語相似度也會影響排序,因此這項小型實驗不能證明模型是否理解了比喻,卻提醒我們,測試檢索系統時要小心設計比較方式,並把相似分數和理解能力分開看。
同一個商品頁面,可能會因為所在國家或城市不同,顯示不同價格、庫存和搜尋結果;只從一個地方抓資料,可能看不到其他地區使用者看到的內容。文章說明如何用代理伺服器選擇國家或城市,並用 Python、requests、httpx 和 Playwright 設定語言、時區與瀏覽器位置。城市定位比國家定位不穩,作者建議先確認出口 IP,再檢查頁面上的價格、網址或配送地點;需要登入、選郵遞區號或分頁時,則應保持同一個 IP。文章也提醒遵守網站條款、速率限制與個人資料相關規定。
DeepTutor 用 vLLM 在本機帶微積分課時,GPU 記憶體會在對話進行到第 12 輪時耗盡,重啟後也救不回沒存下來的對話。作者分享的設定把上下文長度縮到 8192 tokens、使用 FP8 KV cache,並限制同時處理的請求數;他也提醒,DeepTutor 要先把對話整理並存好,才能縮短送給模型的內容。這些調整能替記憶體留出空間,但整理得太多,也可能失去學生先前的學習狀況。
電子郵件驗證看起來只是寄出連結,但遇上重試、延遲或同時點選時,可能重複建立有效連結,或讓過期連結仍被使用。作者建議由資料庫記錄每次驗證的狀態,並只存驗證 token 的摘要值;PostgreSQL 可用一次資料庫更新,確保同一個連結只有一個請求能成功使用。寄信工作則交給背景工作者處理,信箱只負責傳送連結,不用來判定驗證是否有效。這樣能減少重複寄信,也方便追查每次請求的狀況。
服務偶爾出問題時,小型團隊常得臨時爭論要先修穩定性,還是繼續做新功能。文章建議先挑一項使用者最容易感受到的服務指標,例如成功請求的比例,再用「100% 減去目標」算出錯誤預算;像 99.9% 的目標,在 30 天內約可容許 43 分鐘全面停機。接著把預算用完時要怎麼做、由誰決定、哪些狀況不算在內,寫成大家事先同意的政策。團隊可從負載平衡器紀錄開始,不必先架完整監控系統;預算用完後,可以安排一個工程師或下一個衝刺處理可靠性問題。
銀行常有好幾個改善方案,卻不確定該先花錢做哪一個;只加快某個步驟,其他地方卡住時,客人還是得等。這篇文章用一家假想銀行說明,先把開戶拆成收資料、判斷資格、處理例外和啟用帳戶等工作,再確認每一步需要哪些人、流程和證據,才能一起順利運作。銀行一天平均收到 100 件完整申請,估計其中 70 件符合資格;作者建議先以每天最多處理 40 件符合資格的申請來試跑,觀察處理時間和人工審查佇列。這樣可以依實際結果決定下一筆投資該補哪裡,避免只讓申請進來得更快,卻讓等待越堆越多。
付款沒有及時回覆時,店家不知道該不該把最後一副耳機放回架上,因為款項可能已經核准,只是回覆沒送到。作者以自己打造的 TypeScript 函式庫 ResultFlow 示範結帳流程:付款逾時時,用同一個訂單 ID 重試;如果重試後仍不確定結果,就先保留庫存,安排工作稍後查詢付款。只有付款被拒絕,才會釋出庫存。若付款已核准,但訂單存檔遇到版本衝突,流程只重新讀取並儲存訂單,不會再送一次付款請求。
每天備份資料時,如果每次都複製整份資料夾,磁碟空間很快就會被相同檔案佔滿。rsync 的 --link-dest 可以拿新備份和前一次的資料夾比對:沒變的檔案用硬連結共用,新增或修改的檔案才另存一份。這樣每個日期的備份看起來仍是一份完整資料夾,可以用一般工具瀏覽,也能直接複製檔案還原。參照資料夾必須和新備份位於同一個檔案系統;若檔案每天都大量變動,節省的空間也會減少。
NGINX 裝上修補檔後,舊的工作程式可能還在執行,讓漏洞依然存在。CVE-2026-123633 是 ngx_http_v2_module 的記憶體錯誤,攻擊需要 HTTP/2 流量經過上游代理;F5 列出的影響包括服務阻斷,以及在 ASLR 關閉或遭繞過時可能執行程式碼,公告沒有提供通用的攻擊方法。NGINX Open Source 1.19.7 到 1.31.8 受影響,上游修正版為 1.30.7 和 1.31.9;其他分支及套裝產品要查各自的修補版本。文章建議確認實際套件與執行中的二進位檔,並重新啟動或替換工作程式;只看映像檔標籤或版本號,可能漏掉尚未更新的服務。
每日站會如果只是輪流報告昨天做了什麼,大家聽完仍各做各的,卡住的工作也可能沒人處理。作者以敏捷教練的實務經驗,建議團隊把焦點放在 Sprint Goal,討論今天要一起完成什麼;接著從看板上最接近完成的工作開始,先安排檢查、測試或程式碼審查,減少新工作越開越多、舊工作一直收不了尾。遇到阻礙時,要當場找出由誰跟進;深入的技術討論則記下來,留給需要的人在會後處理。這樣站會能維持在 15 分鐘內,也讓開發者彼此協調,而不是隻向 Scrum Master 報告。
網頁上的毛玻璃卡片如果只加模糊,常會變得像灰色塑膠,或讓文字看不清楚。DEVLYO 用四項 CSS 設定拆解做法:半透明底色、模糊背景、提高背景色彩飽和度,再加上淺色邊框和內側亮線;文中也提供可直接複製的樣式。免費產生器能用滑桿調整模糊、色彩和邊角,再複製產生的 CSS。作者提醒,背景要有顏色才看得出模糊效果,半透明面板也不宜太多或太大,以免拖慢動畫;還要確認文字對比足夠,並為減少透明效果的設定準備純色背景。
大型模型逐字產生內容時,常受記憶體讀取速度限制;推測解碼會先讓較小的草稿模型猜幾個 token,再由目標模型一次檢查,留下它認可的部分。文章用公式說明接受率和草稿成本如何影響速度,並比較 vLLM 0.33.0 的 ngram、草稿模型、EAGLE、MTP 和 dflash/dspark 等方法。作者也提醒,接受率太低或同時處理的請求太多時,額外草稿可能拖慢速度;應依自己的硬體和工作量調整草稿長度與批次設定。文中引用的測試結果來自各研究與團隊,作者沒有自行測試。
推薦理由:文章用接受率與草稿成本說明推測解碼何時能縮短生成時間,也指出批次變大時加速可能消失,提供調整設定的實用判斷方式。
AI 助理寫的程式碼越多,工程師越需要確認它沒有隻為了通過測試而改錯地方。Anthropic 說,Claude 會在執行中的應用程式裡測試修改,並先跑建置、程式碼檢查和單元測試等一般工具,再用模型檢查測試不容易回答的問題。審查者會讀取變更前分支上的規則,結果也只適用於它檢查的那次提交;工程師仍要檢視測試結果和畫面,若問題經過三輪仍未解決,就交由工程師處理。公司表示,6 月到 9 月合併的拉取請求超過兩倍,必須回退的變更比例則下降超過 40%,但沒有公佈改善有多少來自這套檢查方法,也未提供模型審查的錯誤率或額外推論成本。
AI 助理隔天接著工作時,可能從錯誤步驟恢復、記住不適用的偏好,或找到過期檔案,這些問題不一定都出在「記憶」。文章把需要管理的資訊分成三種:讓工作流程接續的狀態、留到下次使用的記憶,以及回答當下要查的外部資料。以客服助理為例,流程紀錄用來接續訂閱變更,使用者偏好要經過應用程式規則確認才儲存,回答則要查符合存取許可權的最新政策。LangGraph 和 LangChain 能協助組合流程與工具,但應用程式仍須管理資料的儲存期限、適用物件、更新和刪除方式,才能查清錯誤從哪裡來。
檔案一多,逐筆產生嵌入向量會花很多時間,也可能因工作中斷而重做。這篇教學把資料切成固定小份,交給多個 GPU 工作同時處理;每份完成後各自存檔,工作重新啟動時就能跳過已完成的部分。作者也測試了中途強制停止再繼續執行,完成的向量與不中斷執行相同。文中估算,用 L40S 處理 1,000 萬筆、每筆 512 個 tokens 的檔案,GPU 費用約 $6.17;但自架模型和 API 的排序效果不同,仍要用自己的搜尋問題評估。
叫車 App 要讓車子看起來一直在移動,得同時處理訊息太多、附近車輛難找,以及網路和 GPS 資料不穩的問題。Uber 改用伺服器在有變化時才推送小段更新,再透過 H3 把地圖切成六角形區域,只查看乘客附近幾格裡的車,不必一臺臺搜尋所有車輛。手機收到位置更新前,會先依車速、方向和所在道路估算車子怎麼走;新資料抵達後,再慢慢修正位置,讓圖示不會突然跳動。看似只是地圖上的小車在移動,背後其實有好幾套系統一起工作。
語音 AI 助理的 webhook 會收到電話號碼、通話逐字稿和摘要;如果請求來源沒驗證好,或平臺重送同一通電話的事件,就可能留下重複紀錄或多寄電子郵件。Ali Ahmed 以自己打造的 HI Agent 為例,說明如何檢查 Vapi 傳來的金鑰,並用通話 ID 更新同一筆紀錄,只在通話完整結束後寄出摘要和逐字稿。他也指出,開發環境若略過金鑰檢查,設定錯誤的測試站可能變成任何人都能使用的入口;若寄信後回應遺失,重送事件仍可能造成重複郵件,因此可以記下是否已寄出。
程式碼推上去後,還要經過安裝套件、編譯、打包等步驟,才會變成伺服器真正執行的成品,例如 Docker 映像檔或 Java JAR。成品做好後就不會改動;要換設定或套件,就得重新建置。像 Vercel 或 Render 回復舊版時,通常只要把流量切回先前的成品,不必重做整個建置,因此能更快完成。把部署想成生產線,就會更容易理解:每次提交都要做出可上線的成品,並確認測試過的那一份也確實送到正式環境。
同一個人從不同 WhatsApp 串接傳訊息,可能被系統認成兩個帳號,原本設定的角色和群組許可權也就套用不到。NanoClaw 的 Baileys 會用帶有網域的身分代號,WhatsApp Cloud API 則只用電話號碼;作者把兩種格式統一成同一個使用者 ID,並提供資料遷移,合併已經分開的帳號及其角色和群組許可權。群組用來決定訊息要送到哪裡的代號則維持原樣。這個做法也提醒開發者,系統有多種登入或訊息入口時,應在建立使用者身分時統一格式,避免許可權被分散到不同帳號。
只把規則寫在 CLAUDE.md 裡,AI 助理可能把它當成參考,久了也容易漏掉。Kevin De Notariis 分享他開發 Gitmoap 的做法:替每條規則編上固定代號,再寫測試檢查檔案、程式碼和資料是否符合規定;例如從程式碼清單找出所有端點,確認每個都有檔案,也確認檔案沒有列出已移除的端點。遇到暫時清不完的問題,可以設上限或期限,讓測試在欠款增加或到期時提醒。作者也提醒,檢查必須確實執行,檔案審閱紀錄本身不能保證內容仍然正確。
AI 助理寫的程式變多後,工程師花在審查和測試上的時間也跟著增加。Runway 說明他們如何逐步讓 AI 助理處理程式檢查、審查、部分核准、產品測試和故障修復,再由協調器安排任務與合併順序;高風險改動和特定重要區域仍交由人核准。Runway 表示,10 月合併的程式改動中有 38% 由雲端 AI 助理協助完成,首次核准的等待時間也從 2 小時以上降到約 5 分鐘。工程師則轉而設定規則、處理卡住的工作,並決定要打造什麼。
推薦理由:Runway 逐步交代 AI 助理接手寫程式、審查、測試與故障處理的做法,可用來理解自動化如何改變軟體交付流程。
資料湖倉的不同處理層若一再替同一欄位轉換型別,資料可能彼此不一致,後續的關聯和圖表也會出錯。作者建議在來源資料穩定後,盡早於 Bronze 層或最早可重用的乾淨資料層定義型別,Silver 和 Gold 層則沿用,專心處理商業規則。UNION 各分支為了對齊型別而轉換欄位可以保留,但要把轉換寫在 UNION 附近;Gold 層的未知資料列也要使用符合關聯欄位型別的值。團隊可用 lint 檢查多餘的 CAST;型別契約變更時,則要一併重建相依資料。
離開科技業一段時間後,求職時最讓人擔心的常不是空窗本身,而是履歷看不出你現在還會什麼。文章建議誠實寫出休息的起訖時間,再用近期作品證明能力:例如完成一個能展示的網站或服務,附上程式碼存放位置和實際展示連結;技能也分成最近用過的和以前用過的,並照真實職缺調整履歷用字。這樣招募人員能快速看懂你的經歷,也有新的成果可以在面試時聊。
資料報表常會遇到同一批資料在不同頁面算出不同數字,尤其兩邊都能互相對應多筆資料時,直接攤平成一張表可能造成重複計算或漏資料。作者建議先說清楚每筆資料代表什麼,再用橋接鍵記錄兩邊的關係,並讓不同事實表共用同一套配對規則。完成後,還要檢查鍵值是否重複、是否有找不到對應資料的專案,並確認不同日期欄位的鍵值格式一致。先驗證資料模型,再重做報表頁面,能讓不同篩選下的數字比較容易對得起來。
程式碼審查和單元測試可能看不出服務執行時偷偷開啟外部連線或啟動命令列工具。Signadot 示範把修改後的服務放進 Kubernetes 沙箱,再用 Falco 監看它實際做了什麼:教學中的路由服務呼叫第三方套件後,啟動命令列工具並連到叢集外,檢查工作就會失敗;修正後,同一項檢查便會通過。這種做法能在合併程式碼前找出可疑行為,也能把警示交給審查者檢視。
搜尋系統有數百萬筆資料,但回覆時間只有約 100–200ms,昂貴的排序模型無法逐筆檢查。這份面試教學建議先用關鍵字搜尋和語意搜尋,快速找出幾百個候選專案,再讓模型仔細排序;像搜尋「feel-good films」時,語意搜尋能找出意思相近、但用字不同的電影。文章也說明,系統可從點選和觀看紀錄學習,但使用者常因結果排在前面才點選,因此要修正排序位置造成的偏差,避免模型一再強化舊結果。
員工離職後,公司雖然能在身分系統停用帳號,已登入的瀏覽器工作階段和 API 權杖卻可能繼續有效。這篇教學說明如何用 SCIM 處理帳號停用:收到停用通知時,除了擋住新的登入,也要撤銷現有工作階段、API 權杖和更新權杖,並取消待處理邀請、留下紀錄。作者也提醒要檢查密碼登入、登入連結和手機程式等其他入口,最後用原本的 Cookie 和權杖測試是否真的無法再存取。
Laravel 專案拆成多個模組後,模組彼此呼叫太多,容易讓測試和修改都牽動整個系統,也很難單獨拆出服務。作者示範用 deptrac 檢視模組之間的依賴,再為每組模組訂出單一依賴方向,並依需求用介面、領域事件或防腐層拆開反向連結。跨模組傳遞資料時,他也建議使用識別碼或小型資料物件,避免直接傳遞 Eloquent 模型;把既有問題記成基準後,還能在 CI 中攔下新增的違規。
AI 助理要連資料庫或呼叫 API 時,常需要密碼或金鑰;如果把它們貼進提示詞、放在程式庫或印進指令輸出,就可能被複製到模型對話或紀錄裡。Sandscale 的 Vault 會把憑證送進執行中的環境,結束後就失效;DLP 則會檢查提示詞和 MCP 工具呼叫,發現敏感資料就擋下來。舉例來說,啟動沙箱時可以讓程式使用資料庫密碼,但 AI 助理看不到密碼本身。 不過,沙箱裡執行的程式仍能讀取環境變數;如果指令把密碼印出來,文章沒有說 DLP 會檢查這種輸出。這兩項工具能減少憑證在送程序式前外洩的機會,仍要搭配短效、許可權較小的憑證,並留意 AI 助理實際執行的指令。
Expedia 風格的機票和飯店搜尋,難處在於價格和空房資料分散在許多外部供應商手上;有些回得慢,有些會故障,資料也可能很快過期。這篇面試解析帶讀者設計一個搜尋整合系統:同時詢問多家供應商,等到期限就先整理已收到的結果,並短暫快取資料,減少每次搜尋都去敲供應商。 例如,一家供應商逾時,系統可以先顯示其他供應商回來的結果;但使用者要訂購時,還得重新確認價格和空房,再完成付款與訂位,避免賣出已經沒有的房間。這套設計的重點,是在搜尋速度、資料新鮮度和訂位正確性之間取得平衡。
替每位客戶限制 API 用量時,Python 程式可能在驗證使用者和計算模型 token 數量的時間點上遇到問題。作者用 Django REST framework 和 LiteLLM 實測:DRF 的一般中介軟體只認得登入工作階段,因此可能把帶有有效 DRF 權杖的使用者看成匿名;LiteLLM 則要等模型回覆後才提供 token 用量,但額度必須在呼叫前確認。作者建議在中介軟體自行驗證權杖,並先保留整個請求可能用到的額度,完成後再依實際用量結算;若一次請求會呼叫模型多次,就要合計各次用量。測試使用 Django 6.1.3、DRF 3.18.3 和 LiteLLM 1.110.2,其他版本可能有不同表現。
用 Claude Code 時,使用者不一定能隨時看出 5 小時用量和上下文視窗用了多少。這份教學用 Claude Code 的狀態列指令碼讀取兩個百分比,再透過 Multimeter 的連結把數字送到 Mac 選單列,還能設定用量偏高時提醒。5 小時用量需要 Claude Pro 或 Max,並會在 Claude Code 第一次回覆後才出現;上下文數字則可搭配任何登入方式。儀表顯示的是 Claude Code 最近一次更新時看到的數字,不會定時重新整理。
NanoClaw 原本只讓 127.0.0.1 上的程式送出 Webhook,卻沒有確認呼叫者是誰,因此同一臺電腦上的其他程式也能假冒使用者按下按鈕,讓 AI 助理把未經同意的操作當成真的。作者先用隨機密碼保護網址;維護者後來改用系統已有的 Discord bot token,放在每次請求的標頭裡驗證。兩種修法都能擋住漏洞,但沿用現成 token 不必管理新密碼,也不會改動網址。這個案例提醒我們,本機服務也要確認呼叫者身分;會影響 AI 助理決定的輸入,更不能任人偽造。
A/B 測試工具能把程式碼放進網站,帳號或程式碼欄位遭到濫用時,訪客就可能載入惡意內容。Optimizely 的 Experimentation 註冊流程漏洞曾讓攻擊者把程式碼寫進客戶專案;研究者找到 188 個受感染的程式片段,Optimizely 表示漏洞已修補,注入的程式碼也已移除。文章提醒,CSP 若只允許信任的網域,仍可能放行該網域送來的惡意程式碼。網站團隊可清查編輯許可權和 API 權杖、限制自訂 JavaScript 的發布者,並避免測試程式載入結帳、登入與帳戶頁面;記錄程式碼變更並設定警示,也能較早發現異常。