塔羅占卜網站怎麼設計,才能不像在填表
許多線上塔羅工具雖然能抽牌,操作起來卻像做測驗,少了占卜原有的節奏和儀式感。作者分享設計網站的做法:先把牌陣當成桌面上的位置安排,抽到的牌一張張揭開,每張牌出現後稍作停頓,再依牌的位置、正逆方向和其他牌的關係組成解讀。深色暖光、牌面質感和一次只做一個動作,也用來營造專注的氣氛。這種設計會刻意增加等待時間,也得顧及文字對比、螢幕閱讀器和減少動態效果的需求。
許多線上塔羅工具雖然能抽牌,操作起來卻像做測驗,少了占卜原有的節奏和儀式感。作者分享設計網站的做法:先把牌陣當成桌面上的位置安排,抽到的牌一張張揭開,每張牌出現後稍作停頓,再依牌的位置、正逆方向和其他牌的關係組成解讀。深色暖光、牌面質感和一次只做一個動作,也用來營造專注的氣氛。這種設計會刻意增加等待時間,也得顧及文字對比、螢幕閱讀器和減少動態效果的需求。
用編輯器檢查 API,能馬上看到結果,適合先摸清資料長什麼樣、確認哪些地方需要檢查;但檢查只留在對話裡,之後不一定有人會再跑一次。把同一組檢查存成情境檔,再交給 CLI 自動執行,就能在每次提交程式碼或排程時重跑,失敗時用非零結束碼擋下合併。比如可以檢查回應狀態、標頭和內容欄位,兩邊共用同一份檔案,才不會各自得出不同結果。這樣編輯器負責快速試驗,CLI 負責反覆把關;不過,沒寫進檢查的部分仍然沒有被確認。
如果後臺要一直檢視很多交易帳戶,透過網路逐筆讀資料可能太慢,風險檢查也會錯過兩次檢查之間的變化。作者在實際平臺同時使用 MT5 Manager API 和 Web API:前者把帳戶與持倉資料留在本機,讀取只要幾毫秒,適合頻繁監控;後者透過 HTTPS 傳送指令,適合偶爾查詢或由 Linux 後臺處理操作。作者也提醒,Manager API 不適合多個執行緒同時呼叫,必須逐一保護讀取並核對帳戶編號。最後採用兩者搭配:用 Manager API 快速讀取,原本的 Web API 寫入流程則繼續使用。
推薦理由:作者在同一套實際交易平臺比較兩種 API,說明讀取延遲如何影響風險監控,也整理了各自適合的工作情境。
遙測資料送到後端前,可能帶著授權憑證、難懂的名稱,或太多健康檢查紀錄。OTTL 是 OpenTelemetry Collector 裡的轉換語言,可以在資料匯出前遮蔽、改名或過濾資料;每條指令可以指定要處理的欄位,也能設定條件,決定什麼時候執行。文章提醒,雜湊短而好猜的識別碼仍可能被還原;過濾追蹤資料也可能留下沒有父項的子追蹤。實際使用前,應先在測試環境檢查結果,並設定錯誤時要怎麼處理。
大家常問 AGI 什麼時候會出現,但不同預測對「做到什麼才算 AGI」有不同標準,所以日期很難直接相比。文章整理了 Metaculus、研究者調查和多位業界人士的預測,也介紹 METR 怎麼測量 AI 助理完成軟體工作的能力:看它能用多長時間完成一項有明確檢查方式的任務,並記錄成功率。以 METR 的測試為例,Claude Opus 4.5 完成這類任務的 50% 時間範圍約為 320 分鐘;這不代表 AI 能完成所有工作。作者提醒,閱讀預測時要一起看它的定義、資料和測試方法。
systemctl 顯示服務是 active,不一定代表它有設定好、重開機後也能回來。作者發現 Qdrant 雖然正在執行,卻沒有對應的設定檔;機器重開後,它就沒再啟動。另一個問題是 NVIDIA 驅動程式的兩個部分版本不一致,讓 nvidia-smi 出錯,PyTorch 也找不到明明裝在電腦裡的 GPU。這些例子提醒工程師,不能只看一個「正在執行」的訊息,還要檢查服務設定檔的位置,以及驅動程式兩邊的版本是否相同。
重複寫好幾次相同的指令很麻煩,Python 的 while 迴圈可以幫忙:只要條件成立,就會一直做同一件事。像是要印出 1 到 5,可以從 1 開始,每印一次就加 1,直到超過 5;電梯每隔 3 層停一次,就把樓層每次加 3。想倒數時,則從 10 開始每次減 2,印出 10、8、6、4、2、0。記得每次更新計數的數字,迴圈才知道何時停止,也不會一直跑下去。
結帳時,如果寄收據或產生發票的服務變慢,整個 API 可能跟著卡住,讓使用者等不到回應。文章示範把建立訂單和付款留在主要流程,再把寄信、更新分析資料和產生發票等工作送進訊息佇列,由背景工作者之後處理。即使寄信服務暫時故障,結帳仍可繼續;佇列也能先存下尖峰時湧入的工作,讓工作者按自己的處理能力逐步完成。
產品上線後,Search Console 的曝光數增加,不一定代表真的有人想找你的產品。作者教你把搜尋字詞的曝光、點選率和排名放在一起看,再確認搜尋的人是不是可能的客戶;排名很後面的低點選率,通常不是改標題就能解決。接著用 GA4 檢視訪客到了網站後有沒有停留、點選下一步或完成轉換。把每組搜尋字詞和頁面標成「現在處理」、「繼續觀察」或「先忽略」,再固定時間回頭檢查,就比較不會被每天的數字變化牽著走。文章也提醒,Search Console 有些資料會匿名或延遲,GA4 則取決於事件設定,這些數字只能作為判斷依據。
同一份虛擬機器設定能在不同平臺使用,不代表虛擬機器在各平臺上的表現和運作方式也相同。VM API 提供共同的欄位來描述虛擬機器,但映像檔和網路名稱要由各平臺各自解讀;排程、高可用性、即時遷移和故障復原也由平臺決定。文章建議,除了確認設定能套用,還要在各平臺測試主機故障、調整資源和復原資料時的結果,並比對工作負載是否符合相同的可用性、復原和效能需求。
Rightmove 的「最新」排序,容易讓人把降價或重新上架的房屋當成剛上市的新物件。作者用自己做的 Rightmove Scraper 檢查曼徹斯特的房屋列表,發現 47 筆一般房屋中有 21 筆是降價物件,真正上架不到一天的只有 23 筆。作者也示範用上架原因、首次出現日期和市場天數篩選資料,分開整理新房屋與降價房屋;若要找真正的新上架物件,不能只看網站顯示的「昨天新增」,還要核對它最早出現的日期。
第一次逛華強北,最容易遇到樓層資訊過時、同款商品價差大,或買到有問題的商品。這份指南整理了幾棟主要市場的樓層用途:SEG Plaza 可找零件和電腦硬體,華強電子世界有數位產品與零件,飛揚時代大樓則以二手 Apple 裝置和維修零件為主;明通數碼城已改成化妝品市場。作者也提醒,買二手 iPhone 要先確認帳號已登出、功能正常,再付款,並問清楚保固;含鋰電池的商品寄送回國,應使用能處理電池與報關的運送管道。樓層和商品供應可能變動,抵達後要再看現場標示。
網路線接上螢幕或擴充基座後,下載速度可能遠低於預期,畫面上卻看不出問題。作者整理 Oscar Molnar 的測試:同一個 USB 網路卡直插筆電時,下載約 2.2 Gbps;接在螢幕後則約 600 Mbps。原因是網路卡每次傳送的資料量較小,經過集線器又多了延遲,資料來不及送走便會掉包,讓下載速度降下來。文章提供用 iperf3 比較直插與經過螢幕或擴充基座的測法,也整理了直插筆電、改用傳送量較大的網路卡等做法。
各公司的徵才網站格式不同,逐一查詢職缺很花時間,也不容易比對。作者介紹自己維護的 Apify Actor,能讀取多種徵才網站,把職缺整理成相同欄位,再用 Python 統計各公司的職缺數、遠端職缺和已公開薪資,也能比對每天新增或關閉的職缺。作者用六家公司測試,約 64 秒整理出 28 筆職缺;不過工具只會查使用者提供的公司,而且職稱關鍵字可能找到不完全符合的職缺,部分 Workday 欄位也可能缺漏。
MCP 伺服器每多一個工具,都會增加模型每次收到的說明內容;工具加得太多,成本也會跟著上升。Nova Ops 實際比較三個候選工具:查詢工作狀態的工具要等生成工作改成非同步後才有用,放大圖片的工具目前沒有實際需求,而包辦四種操作的單一工具,說明內容比現有兩個工具加起來還長。最後伺服器維持兩個工具,每回合約 198 個 token。作者的判斷方式是先看現有工作是否真的受阻,再衡量新增工具的成本與說明是否夠簡單。
第一次用加密貨幣錢包,很容易搞不清楚誰保管金鑰,也可能把錢交給不熟悉的平臺。這份指南建議,新手先用開源、經過安全檢查的線上錢包,只放少量資產;資產變多後,再把大部分轉到離線的硬體錢包。建立錢包時會拿到一組代表資產控制權的助記詞,應抄在紙上、分開收好,絕不要輸入網站或存進雲端。平時也要確認交易地址、用另一個錢包測試新專案,並小心過高報酬的承諾。守好錢包靠的是持續養成安全習慣。
用賽事資料做搜尋時,一筆資料可能包著整場賽事的多場比賽,問題只問其中一場,搜尋結果卻帶進其他比賽。作者示範用 Python 把 ESPN 網球資料拆成單場比賽資料,並把賽事名稱等背景一起保留,讓每場比賽能單獨搜尋。空白通知、不完整資料和超過 1200 個 token 的內容會送進檢查清單,不直接塞進搜尋資料;缺少的欄位也不自行補上。這種拆法符合查詢單場比賽的需求,但文章提醒,是否讓搜尋更準還得用實際問題測試。
很多人不是被高明的駭客攻擊,而是把錢包助記詞存進雲端筆記,或不小心讓別人看到,最後拿不回加密貨幣。錢包不是真的把幣放在裡面,而是保管能證明資產屬於你的私鑰;助記詞則能找回這些鑰匙,所以要像保護重要的實體鑰匙一樣保護它。 文章建議先選開放原始碼的軟體錢包,能離線產生私鑰更好;資產價值較高時,可改用 Ledger 或 Trezor 這類硬體錢包。助記詞要寫在紙上或刻在金屬片上,分開存放在兩個實體地點,別截圖、放雲端或輸入陌生網站。也可以加上一組自己記住的額外密語。先用少量資金練習備份和復原,再存入真正要保管的資產。
GitHub 的貢獻日曆只顯示每天的貢獻數,作者想把它變成更像圖表的樣子,於是做了 gh-trading-terminal。這個 GitHub Action 會把真實貢獻資料畫成 SVG,放進個人檔案的 README,就能看到 K 線、熱度圖、連續貢獻天數和音量等面板,也能切換配色與顯示專案。由於 GitHub 沒有每日的盤中資料,K 線是用每日貢獻數依固定公式推算;「Developer Index」則是作者設計的虛構指數,不能當成真實交易或工作表現。
在坦克對戰場上,機器人每次行動的運算時間有限,靠本機測試也不一定能看出它面對其他玩家的表現。作者分享自己打造的 battle.training 坦克機器人,公開第三版控制程式的做法:開賽前先算好幾條行進路線,對戰時查表決定方向,並讓重型坦克掩護火炮。它在本機模擬中贏了 560 場裡的 494 場,但公開排行榜的 113 場比賽有 40 勝、44 敗和 29 場平手。作者指出,本機模擬對手不會調整策略,排行榜上的其他機器人則會,兩種成績因此差很多。
把多項 API 放上架,除了寫好功能,還得確認安全檢查、檔案匯入和公開設定都真的正常。作者在 Cloudflare Workers 上做了五項 API,並分享架構、價格比較,以及四個差點讓服務無法使用或根本沒公開的錯誤,例如安全檢查把所有網域都擋下來,還有頁面顯示已公開,實際上卻沒有儲存設定。作者也比較自己的收費和市場價格,並提醒延遲要用使用者實際感受到的時間來說明;文中指出,從印度測得的連線時間是 172ms,而 Worker 本身約花 16ms。這是一篇作者介紹自家服務的實作紀錄,價格與延遲資料也有說明測量限制。
作者想讓超出畫面的投影片自動縮小,卻發現手機和電腦上的每張投影片都縮到了 30%,看起來難以閱讀。原因是量測用的區塊設了和視窗一樣高的最小高度,程式便一直以為內容放不下,反覆縮小到設定的下限。作者暫時把內容的最小高度設為 0,再量出內容本身的高度,完成檢查後恢復原設定。修正後,大多數投影片不必縮小,只有部分尺寸下的最後一頁或封面需要調整;作者也用截圖檢查實際畫面。不過,他尚未確認縮到 30% 的版本是否只出現在預覽中。
網站流量看起來變多,不代表真的有更多人來逛。作者檢查自家商店的紀錄後發現,一天顯示 79 次「真人」瀏覽,實際上來自 12 個訪客編號,其中兩個瀏覽器就留下 69 次紀錄,還包含作者自己和測試頁。過去 30 天也有 220 次瀏覽,去重後只有 48 位訪客。作者因此改用不重複的訪客編號計算人數,並排除自己的網站連結和測試頁;他提醒,瀏覽次數適合檢查追蹤工具,不能直接當成商店有多少客人。
大量產生 AI 影片時,選用的模型可能遇到流量限制,或暫時無法使用,讓工作中斷。這篇文章示範用 Python 串接一個入口,先列出可用的影片模型,再選一個送出任務;如果這條路線失敗,就按順序自動重試其他路線。送出時要使用同一組重試識別碼,避免逾時後重送,意外多做一份影片、重複付費。這樣可以依不同價格選擇模型,也能減少服務中斷時對使用者的影響。
客戶開始讓自己的 AI 助理代打客服電話,但很多客服團隊還不知道怎麼確認助理是否真的代表本人。Zendesk 的調查中,78% 的企業主管表示目前沒有辦法確認 AI 助理的身分;這類電話也可能讓客服通話時間、滿意度和員工評分失準。 文章建議依照要求的風險訂規則:查訂單或改預約這類低風險要求可以處理;退款或改地址等要求要先用帳戶裡的電話或電子郵件向本人確認;轉帳、重設密碼等高風險要求則只讓帳戶本人辦理。客服系統也可以替 AI 來電加上獨立標記,並留下紀錄,方便本人之後打來時接續處理。
用手機玩 Solana 遊戲時,玩家常得在遊戲、網站和錢包之間切換,回來後可能搞不清楚交易有沒有成功,或接下來該做什麼。設計時可以先用白話說明要玩家做的事,再分開顯示「等待錢包核准」、「交易已送出」和「交易已確認」等狀態;如果遊戲會發獎金,也要把遊戲結果和付款進度分開。像是玩家從錢包切回遊戲時,畫面應保留原本選的專案和進度,並說清楚交易是遭拒、失敗還是還在處理中。這樣玩家就不用猜,也比較知道能不能安全重試。
想回頭看看早期 Linux,光放幾張截圖或做個假終端機,無法讓人真的操作舊系統。作者打造 Linux Time Machine,用 v86 在瀏覽器模擬 x86 電腦,讓部分早期 Linux 環境可以開機操作;較晚期的內容則是教學用重現,不是原始系統。網站也把較大的虛擬硬碟切成小檔案,讓瀏覽器下載後重新組合。這個專案呈現了讓舊系統在現代瀏覽器運作時,開機設定、相容性和檔案大小都得一併處理。
厚膜加熱器會把電阻線路印在不鏽鋼或陶瓷等導熱材料上,體積能做得比較小,也能把熱送到靠近需要加熱的地方。設計時要先算清楚要加熱多少東西、需要升高幾度,再決定功率和電阻;同樣功率的加熱器,如果熱量集中在小區域,就可能出現過熱、零件受損或水垢堆積。 例如,咖啡機或熱水裝置的水流量會改變,光靠固定功率不一定能維持出水溫度,因此可用感測器回報溫度,讓控制系統調整加熱。系統也要有獨立的過熱保護,並在感測器故障或水流中斷時進入安全狀態。最後,必須把加熱器、安裝方式、控制電路和保護裝置組合起來一起測試,才能確認整套裝置加熱穩定又安全。
Raagtune 當機後,舊伺服器裡的資料救不回來,網站也沒有自己的紀錄檔,讓作者花了不少時間才找出原因。問題出在每個歌曲頁面都請資料庫把整張歌曲表打亂,再挑出 10 首相關歌曲;歌曲累積到 400,000 首後,這個做法讓伺服器忙不過來。作者改成先用索引挑出少量歌曲,再由網站程式打亂,並替資料庫加上連線數和查詢時間上限。 重建網站時,作者保留了搜尋引擎已認得的舊網址,讓頁面慢慢恢復上線。等查詢問題修好後才加上快取,回應時間從約 0.1 秒降到幾乎立刻完成。這次經驗提醒我們,網站出問題時要先看得清楚發生什麼事,再修好根本原因;快取可以加快網站,卻不能代替修理錯誤。
播放器寫著支援 4K,不代表播起來一定順,遇到高畫質影片還可能卡住或顏色不對。作者用 SilkPlayer 2.0.2 播放 120、200、400 Mbps 的 4K 影片,還測了兩種 8K Dolby Vision 影片,五個檔案都順利播放;其中 8K Profile 5 的顏色也顯示正常。這些測試只檢查影片解碼,還沒涵蓋字幕、音訊等情況。SilkPlayer 本身不到 20 MB,免費且開放原始碼。
網頁版面一變,客戶留下的回饋標記可能就會指錯地方。Pinmarkup 作者分享的做法,是記住標記落在哪個網頁元素,以及落在元素內的大約位置,讓標記能跟著元素移動和縮放;同時用較穩定的 CSS 選擇器,在重新載入頁面後找回元素。若找不到,系統會留下元素原本的位置和前 80 個字元的文字,讓人還能看懂留言在說什麼。遇到第三方 iframe、封閉的 Shadow DOM 或頁面結構每次都變時,Pinmarkup 會改用整頁截圖供客戶留言。
在筆電上跑 Android 模擬器會佔用不少資源,雲端裝置服務則按使用時間收費。Emuly 把模擬器放進你自己的 GitHub Codespaces,畫面會傳到瀏覽器,也能用 adb 和 scrcpy 操作。每月可用多久取決於 GitHub 方案:Free 約 30 小時,Pro 約 45 小時,時間和其他 Codespaces 共用。Emuly 也提供 HTTP API 和 CLI,讓 AI 助理安裝 App、點按畫面、截圖並檢查結果。停止模擬器後,已安裝的 App 和登入資料會留在磁碟中;但它仍是模擬器,不能取代實體手機的相機等硬體。
作者想讓 AI 助理經營的商店也能在 Mastodon 發文,於是用程式在 4 個不同站點註冊帳號。註冊和收信確認可以自動完成,但其中 3 個站點要求 CAPTCHA,另一個則把新帳號排進人工審查;審查完成前,作者還拿不到發文用的 API 權杖。結果是 4 個帳號都建立了,卻 0 個能發文。這次經驗顯示,讓程式辦好註冊不難,真正卡住的是站點需要先確認新帳號值得信任。
自己做的 AI 助理要怎麼找到合適的同伴,並安全地交換訊息?這份教學從頭用 Python 寫出一個小程式,讓它能在 LobsterMatch 登記資料、搜尋其他 AI 助理,再用有固定欄位的訊息卡提出請求。收到通知時,程式會先檢查簽章,確認訊息確實來自網路,再讀取對話並交給模型處理;簽章不符就不會啟動模型。教學也說明如何避免對話卡住後一直呼叫模型,以及把金鑰放在環境變數中。
推薦理由:這份教學把尋找同伴、傳送結構化訊息與驗證 webhook 串成一個流程,能參考其做法控制喚醒時機並保護憑證。
Expo App 做好後,上架 Google Play 還是可能卡在簽章、版本和付款等細節。作者分享自己發布 20 多款 App 的經驗:發行版要用自己的上傳金鑰,JDK 要固定版本;升級 Expo SDK 時,也要確認安裝的套件都屬於同一版。若舊 App 後來加入廣告,還要檢查是否封鎖了廣告識別碼許可權。至於移除廣告的付費功能,商店暫時沒有回應時,應保留上次查到的購買狀態,並確認每筆購買都已回報給 Google Play。作者也把這些處理方式做進付費起始範本。
求職網站常有重複職缺,也可能漏掉公司剛刊出的工作。作者示範用 n8n 每天查詢指定公司的招募頁,從 Greenhouse、Lever、Ashby 等平臺整理新職缺,再依職稱、地點和遠端條件篩選,並新增到 Google 試算表,也能改用 Slack 或電子郵件接收提醒。流程會記住前次查過的職缺,之後只送出新刊登的專案。作者也說明,範例使用他製作的付費 Apify 工具;若公司使用其他招募系統,可能會查不到。
遠端 MCP 伺服器有時連不上,工具名稱或輸入內容悄悄改掉,也可能讓 AI 助理的工作中斷。NestDaddy 每天用公開連線檢查官方登入的伺服器,看看能不能連上、回應多快,以及工具和說明是否清楚,再給每臺伺服器 A+ 到 F 的成績。這次檢查了 41,645 臺伺服器,其中 41,089 臺資料足夠評分;最高分的 A+ 有 7,051 臺,最多的是 B 級,有 16,185 臺。 檢查發現,伺服器第一次回應的中間速度是 253 毫秒,但有些伺服器不夠穩,工具說明也不一定完整。像工具的輸入欄位沒有說明,AI 助理就得猜該填什麼。NestDaddy 建議把每個工具和輸入欄位說清楚、保持名稱穩定,也要讓伺服器維持正常運作;使用者就更容易看懂工具能做什麼,AI 助理也比較不會因為工具突然改變而出錯。
小模型直接寫 JSON 時,可能漏掉括號或填入表單沒有的欄位,讓程式無法使用。作者用一個名為 pankhllm 的專案示範「限制解碼」:模型每次選字前,先擋掉會讓 JSON 格式不合規的選項,因此輸出格式有效率從 91.6% 提升到 100%。但格式正確不代表內容正確;只檢查格式時,答對率從 47.3% 小幅升到 50.5%。再加上核對問題中是否提到選項的規則後,答對率升到 71.3%。文章提醒,使用模型產生 JSON 時,也要檢查格式正確但內容答錯的情況。
客戶開發工作交給 AI 助理後,如果同一封信寄兩次、寄到失效的信箱,或漏掉共同創辦人的回覆,生意可能就卡住。作者替 Telegram 機器人 Mono 加上 9 項防錯處理,例如每件工作開始前先標記已有人接手、寄信前先檢查信箱,遇到 Gemini 忙碌就稍後重試。客戶填完需求後,作者也能按下「Build it」,讓 Claude Code 在雲端工作階段製作網站,每天最多 2 次。這些安排提醒我們,自動化不只是讓機器自己做事,也得先想好它可能在哪裡出錯,以及怎麼補救。
Chrome Releases 的 Feedburner 訂閱內容會延遲更新,而且使用 HTTP 傳送時,網路上的人可能竄改或刪除安全更新。作者實測後發現,在 Blogger Feed 網址加上 ?redirect=false 可以取得較新的內容;要求 gzip 壓縮並儲存 ETag,再用 If-None-Match 查詢,內容沒變時就能收到很小的 304 回應,減少重複下載。作者也發現 If-Modified-Since 的結果不穩定,Feedburner 本身仍可能落後數小時甚至數天。