09:41 用 Descript 剪影片時,方案用量看的是匯入或錄下的原始素材,不是剪完後的影片長度,因此只按成品時間估算,可能會用到一半就超量。作者寫了一支約 60 行的 Python 程式,可以輸入每支影片的錄影時間和每月影片數,也能讀取 WAV 錄音檔來加總時數,再依素材用量與需要的輸出解析度找出符合條件的方案。文中舉例,每月錄 12 小時、只需要 1080p 時,Hobbyist 的 10 小時額度不夠,Creator 才符合需求;若需要 4K,也得選支援 4K 的方案。價格和額度可能變動,作者提醒要檢視 Descript 的最新方案資訊。
09:41 測試全部通過,不代表程式真的符合需求;有些測試甚至完全沒檢查程式。作者做了開源工具 Veritas,會從檔案等資料整理出可能的規格,再比對程式和測試,找出沒被測到的情況。比如規格說訂單滿 1,000 就有折扣,但程式把條件寫成「超過 1,000」,Veritas 能找出剛好 1,000 的反例,並在 JavaScript 裡重跑確認。它也會說明哪些結果有證據、哪些功能不支援;目前尚未發布到 npm,工具能驗證的程式範圍也有限。
09:41 接到陌生來電,對方說有人偷了你的身分資料、用你的名義借錢,先別急著回答或請對方念出資料來證明。你一旦說出「對」或更正個人資料,就可能幫對方確認手上的資訊。先掛電話,再自己查信用資料、銀行和貸款紀錄,或從自己找到的官方頁面檢查帳戶安全;有查到異常,再透過官方管道處理。文中的來電紀錄沒有證明電話另一端是誰,也不知道信用資料是否真的有異常,因此只能把它記下來,不能當成已確認的詐騙或身分遭盜用事件。
09:41 使用雲端服務很方便,但資料放在廠商的伺服器上,遇到合約要求資料留在自家環境,或有人追問「誰在什麼時候改了資料」,就可能答不上來。GewuMind Boot 可以安裝在自己管理的伺服器,資料存進自己的資料庫;系統也會記錄誰在何時、從哪個 IP 新增或修改資料,以及外部應用程式何時呼叫 API。像客戶資料不必經過廠商的雲端,團隊也能拿出操作紀錄查明變更經過。這讓資料位置和紀錄更容易掌握,但公司仍須自行維護伺服器,產品也不等於合規認證。
09:41 舊式圖片滑桿在手機上容易卡頓、讓畫面突然移動,還得安裝其他套件;比較高畫質照片時,也不一定適合把私人圖片上傳到雲端。作者因此做了 DiffSlider,讓圖片在瀏覽器裡用 HTML5 Canvas 直接比對,不必上傳到伺服器,並用 CSS clip-path 讓人用手指拖曳時能以每秒 60 格滑動。它也能用一行 HTML 嵌入 Shopify 或 WordPress。這讓照片比較更順暢,也能留在使用者自己的裝置上處理。
09:41 一臺 Windows Server 2019 跳板主機的遠端桌面入口,因防火牆名單留著過期的 IP 範圍,整晚收到約 40,000 次錯誤登入,警報卻沒有響,直到工程師發現帳號被鎖住。每次嘗試都要由主機檢查帳密、更新錯誤次數並留下紀錄,連續大量請求也會拖慢主機。作者建議按來源 IP、目標帳號和整臺主機計算短時間內的失敗次數,超過門檻才通知,並自動暫時封鎖可疑 IP。這樣能減少零星打錯密碼造成的警報,也比較有機會及早攔下大量猜密碼攻擊。
09:41 Base64 圖片解不開時,問題可能出在格式寫錯、內容被截斷,或解碼後根本不是圖片。文章說明,Data URI 要用逗號分開標頭和內容;少了 ;base64,瀏覽器就會把內容當成文字。標頭寫的圖片格式也可能不對,可以檢視資料開頭的位元組來辨認真正格式。作者還示範如何檢查字元、長度和解碼結果,並提醒 Base64 會讓內容約大三分之一;小圖示放進 CSS 有時方便,大照片則可能增加檔案負擔。
09:41 一般模型上線後,內部引數就固定了;新資料只能暫存在對話裡,對話結束後就留不下來。Test-Time Training(TTT)讓模型讀到新內容時,也替內部一個小型記憶網路更新引數,把眼前的規則或程式資訊記起來,再接著回答。像 Titans 這類架構會特別留意出乎意料的新資訊,讓重要內容更容易寫進記憶,同時保留原本的基礎知識。這種做法希望讓模型遇到陌生任務時能更快調整,也減少長對話中遺失細節的問題。
09:26 網路逾時後,AI 助理可能重試工具呼叫,讓退款、扣款或寄信意外執行兩次。作者示範在 Node.js 中替每個動作產生識別鍵,鍵值由使用者、工具和引數決定;相同請求再次送來時,就回傳第一次的結果,不重做動作。若兩次呼叫同時發生,也會共用同一個結果。實際使用時應把結果存進可持久儲存的資料庫,避免程式重啟後忘記已做過的事;能把識別鍵也傳給付款或寄信服務時,重複執行時就多一層保障。
09:26 網路不穩時,POS 平板需要用本機資料估算購物車金額,但放進網頁程式的價格表和折扣也可能被人下載。作者說明,隱藏在畫面上的商品、員工折扣、成本和稅率,仍可能從程式檔或離線快取中讀到;PIN 畫面也擋不住已經存在檔案裡的折扣資料。文章建議把成本、未公開商品和正式結帳金額留在伺服器,或等平板恢復連線後再確認。若裝置需要離線估價,可以保護估價程式,並避免公開來源對照表;但這只能增加檢視和複製的難度,不能把下載到裝置的資料變成秘密。
09:26 做 SaaS 開發時,寄出的陌生開發信可能被郵件系統丟進垃圾信匣。文章建議先把 SPF、DKIM 和 DMARC 這三項網域設定好,再慢慢增加寄信量:新網域第一週每天寄 5–10 封,觀察是否有人回覆,別一開始就大量寄送。信件內容也要像真人寫給特定物件,盡量用純文字、最多放一個連結,避免網址縮短服務。寄出正式信件前,可以用 mail-tester.com 檢查設定。這些做法能協助改善寄件網域的評價,降低信件被當成垃圾信的機會。
09:26 離開 Cursor 後,切到 Slack 或郵件打字,熟悉的 Tab 自動補字就不見了。這篇整理了 Mac 上 7 種選擇,從 macOS 內建預測文字,到 Gmail、Word 和 Outlook 的句子建議,以及 Cursor、Zed、Cotypist 和 DraftKey。不同工具能用的地方和接受建議的按鍵不一樣:macOS 要按空白鍵,其他幾種可按 Tab;DraftKey 還能改寫選取的文字。文中也列出各工具的費用與部分使用條件,方便依常寫的 App 和預算挑選。
09:26 發票和付款一多,光靠眼睛核對很容易漏掉。這篇教學用 Make 監看 Google Sheets 裡的新發票和付款,再請 OpenAI 比對金額、日期和付款參考資料,把每筆發票標成「已對上」、「部分付款」或「尚未找到」,對不上的付款則放進另一個工作表,留給人檢查。 教學用 18 筆虛構發票測試,15 筆很快對上,3 筆需要複查,其中一筆付款是 $320.00,卻沒有參考資料。這套流程能省下人工逐筆核對的時間,但遇到資料不足時仍可能判斷不清;它也不會替你入帳或催款,因此要定期檢查待複查的專案。
09:26 想部署 vLLM,得先把它和需要的軟體一起裝進容器映像檔。這篇教學帶你從 vLLM 專案準備檔案,再用不同的 Dockerfile 建立 CPU 或 GPU 版本,最後把映像檔上傳到容器登入站。舉例來說,CPU 版本使用 Dockerfile.cpu,GPU 版本則使用 Dockerfile;啟動 GPU 容器時,主機的 CUDA 版本必須符合 Dockerfile 要求,並加上 --gpus all。做好後,就能把映像檔交給 Docker Compose 或 Kubernetes 等工具部署。
09:26 語音 AI 如果要等使用者說完才停下來,常會和使用者的聲音重疊,讓對話很不自然。HardCall 把處理拆成兩個步驟:先用本機語音偵測,在約 18ms 內發現有人開口並清空待播放的聲音;接著再判斷這句話是反駁、附和,還是雜音。作者表示,這套做法讓插話延遲降到 52.16ms,也能減少咳嗽或敲鍵盤造成的誤判。HardCall 是開源的語音面試與高壓情境練習工具。
09:26 Whisper.cpp 可以用 CPU 或 GPU 把語音轉成文字。這份教學帶你準備伺服器、下載 Whisper.cpp 專案,再用不同的 Docker 設定檔,分別打包成適合 CPU 或 GPU 的容器映像檔,最後上傳到容器登入庫。文中範例做出的 CPU 映像檔大小是 608MB,GPU 映像檔是 2.76GB;使用 GPU 版本時,主機的 CUDA 版本要符合設定檔要求。完成後,就能把映像檔放到轉錄流程中使用。
09:26 想調整軟體的設定,不一定要改程式碼;在 Linux 裡,可以用環境變數存放設定,讓程式和指令讀取。你可以用 env 檢視目前有哪些變數,像 GREETING=Hello 這樣設定一個只在目前終端機有效的變數;若把它寫進 ~/.bashrc,之後開啟終端機也會保留。若要讓所有使用者都能讀到,則可把變數寫進 /etc/environment,但不能加上 export,而且修改後要重新登入。比如設定 GLOBAL_GREETING=Hello,Bash 指令碼就能讀到並印出問候語。記得全系統變數可能會讓所有使用者都看得到,因此不要把密碼或秘密放在裡面。
09:10 每次準備 GitHub PR,都要把分支差異貼給 Claude Code,再重寫標題和說明,會很花時間。作者示範把這段工作存成 .claude/commands/pr.md,之後輸入 /pr 就能草擬 PR 標題和內容,也能用 $ARGUMENTS 指定基礎分支或補充要求。指令會先檢視工作狀態、近期提交和分支差異;如果沒有比基礎分支多出的提交,就會停止。建立 PR 前,Claude Code 必須先展示內容並等你確認。
09:10 GBase Database(GBase 8s)的 dbspace 快滿時,可以新增一個 chunk,或把現有 chunk 加大。新增 chunk 會多出一筆儲存空間,也能放在另一顆硬碟或檔案系統;加大現有 chunk 則會保留原本的 chunk 數量,但得先確認它能擴充,而且檔案所在的檔案系統有足夠空間。像新增 chunk 時,新空間的頁面大小就必須和 dbspace 相同。 擴充後要用 onstat -d 確認空間真的增加、chunk 狀態正常,並更新儲存紀錄。作者偏好新增 chunk,認為這種方式在安排儲存空間上較有彈性;不過選哪種方法,都要先確認目標和所需空間,再檢查擴充結果。
09:10 一個人推出產品時,最怕資料不見、付款出錯,或網站壞了卻沒人發現。作者根據自己看過和處理過的上線問題,整理出七道檢查關卡,要求每一關都留下能核對的證據,例如把備份還原到測試資料庫、用新帳號走完付款流程,以及確認錯誤通知真的會送到手機。文中也提醒,資料庫改動要分階段進行,讓舊版程式還能運作;上線前先寫好出錯時的處理門檻,才不會等到故障發生才臨時決定。
09:10 機器人在模擬環境中能完成任務,不代表換到真實機器人上也會成功,因為鏡頭、馬達和碰撞情況都可能不同。CAVEDU 整理 SO-101 的開發流程,從校正手臂、模擬操作和收集資料,到訓練 GR00T VLA、測試真機;Cosmos 在這條路徑中用來增加訓練資料的變化。文章也說明另一條路:把經過訓練的 Cosmos 3 Edge 機器人策略部署到 Jetson AGX Thor 上。兩條路各有分工,不能直接當成接上 SO-101 就能使用的整合方案,仍要在真實機器人上評估表現。
09:10 在 Google Sheets 裡,檔案編輯者有時仍不能修改特定儲存格,因為該範圍另外設了保護。文章用一個公式儲存格示範兩種設定:提醒模式會出現「Edit anyway」,按下後仍可修改;限制編輯者的硬性封鎖則沒有這個按鈕,只有被允許的人能修改。若要讓對方編輯,表格擁有者可以把對方加入允許名單,或移除保護。文章也提醒,Commenter 許可權會讓整張表格都不能編輯,和單一範圍的保護不同。
09:10 排程工作還沒跑完,下一輪又啟動時,兩個程式可能同時改寫同一份狀態檔,讓資料遺失或重複。作者示範用 O_EXCL 原子建立鎖檔,確保同一時間只有一個工作取得鎖;若程式當掉,則依鎖檔修改時間判斷是否過期,再嘗試接手。程式也會在工作結束時釋放鎖,並提醒鎖定機制遇到非預期錯誤時記錄問題後繼續工作。這套做法可用在會修改共用資料、又可能超過排程間隔的工作。
09:10 程式依賴的網址或套件名稱搬家後,舊位址不一定會失效;它也可能指向別的內容,或一直提供沒有更新的舊版本。作者提醒,這些情況會讓建置失敗、悄悄下載陌生程式碼,或錯過安全更新。文章建議替每個實際使用的遠端位址建一筆紀錄,寫下它目前對應的內容摘要或版本、誰能改變它,以及上次確認的日期。也可以把檔案存到自己管理的位置,或固定內容摘要,避免只靠別人維持網址。文末提供一個簡短練習,挑三個程式中的遠端位址,重新確認實際內容並記下日期。
09:10 用 AI 助理整理計畫時,一題題打字回答可能不夠方便。作者把 Matt Pocock 的 Claude Code 技能 grill-me 改成 grill-me-multiple-choice,每輪透過 AskUserQuestion 提供選項,也能自行填寫其他答案;建議選項會標示出來,問題編號會接續累計,並使用提問者的語言。原本的決策樹和確認流程則維持不變。這個外掛只能在 Claude Code 使用;作者也提到,某些環境中呼叫其他技能可能失敗,備用做法尚未在 Claude Code 以外測試。
09:10 在網路上找到 MicroStrategy 登入頁,不代表裡面的資料已經外洩;真正要看的是使用者能進哪些專案、扮演什麼角色,以及角色有什麼許可權。使用者可能能登入整個系統,卻只能檢視某個專案的少量內容;專案管理員也不一定能管理整個平臺。 檢查時要確認產品版本和負責單位,檢視管理角色、專案許可權、自訂角色、閒置帳號,以及整合服務使用的驗證權杖。也要留意哪些專案放有受管制資料、財務報表或嵌入的憑證。ZoomEye 搜尋到的 MicroStrategy 網站只是待確認的線索,還要比對專案許可權和活動紀錄,才能判斷它是資料曝露風險,還是一般登入頁面。
09:10 在 CI 裡用 Puppeteer 和 Headless Chrome 截圖,常遇到 Chrome 當機、記憶體用量忽高忽低、字型顯示和本機不同等問題,還得花時間維護 1.2GB 的 Docker 映像檔。作者改用 API 截圖:送出 HTTP 請求,就能拿到 PNG 或 WebP;還可以等指定畫面元素出現後再截圖,不必猜要固定等幾秒。換了之後,截圖步驟從約 4 分鐘縮短到不到 90 秒,畫面也更一致。作者估計,以每次部署約 200 張、每天部署約 3 次的用量,API 費用比多花的 CI 時間便宜;用量更大的人,成本可能不同。
09:10 Voice AI 產生語音時,選錯音訊格式或音質設定,可能讓聲音失真、檔案太大,或在某些裝置上播不出來。WAV、FLAC 適合儲存音質完整的音訊;MP3、AAC 檔案較小,適合分享和播放;需要即時對話時,OGG 容器搭配 Opus 延遲較低。一般語音可以選 MP3 的 128–192 kbps,或 AAC 的 96–128 kbps,單聲道通常就夠用。 設定取捨時,也要配合模型輸出的取樣率:例如 TTS 輸出 24 kHz 音訊,直接降成 16 kHz 可能讓聲音變差,除非使用適當的濾波處理。文章也以 ElevenLabs 為例,示範如何指定輸出格式、取樣率和位元率。先想好音訊要儲存、串流還是即時播放,再依裝置調整設定,才能兼顧音質、檔案大小和相容性。
09:10 用 AI 生成大量廣告影片時,同一款模型在不同平臺的價格可能差很多。作者整理 Seedance、Kling 和 Veo 3.1 在六家平臺的文字生成影片價格,按秒比較不同解析度與是否含音訊的費用;例如 Kling 3 Standard 不含音訊,每秒價格從 $0.0714 到 $0.168。表格也提醒,部分平臺的計價方式不同,圖片或影片輸入另計,而且價格可能每週變動。作者也說明自己經營 UberLLM,並附上各平臺的價格來源。
08:54 兩張 Google 試算表看起來相似,數量或品名卻可能不同;如果資料順序也不一樣,直接逐格比對還會把許多列誤認成差異。這篇教學整理了幾種用公式找差異的方法:資料排列相同時,可以逐格比對;順序不同時,可以用品名等欄位找出另一張表沒有的資料,也能列出整列不相同的專案。文中用「Banana」數量不同和「Date」拼成「Dates」的例子,說明多餘空格、文字格式的數字也會影響比對結果。
08:54 AI 叢集裡的晶片除了要會運算,彼此也得夠快地交換資料。NVIDIA 的 NVLink 讓多張 GPU 高速互通,適合集中使用同一家廠商硬體的訓練工作;搭配 CXL 的 PCIe 傳輸較慢,但能讓 CPU、加速器和記憶體更方便地共享資料。文中舉例,單張 GPU 的 NVLink 雙向頻寬約 900 GB/s,PCIe 5.0 x16 則每個方向約 64 GB/s。選哪一種,要看工作最需要速度、記憶體容量,還是不同廠商硬體一起使用的彈性。
08:54 用手機記錄貓咪吃了多少、體重變化很方便,但多貓家庭要分配食物、計算自製食譜,手機畫面就不太好操作;每次更新還得等多個 App 商店審核。PurrTrack 保留輕巧的 Flutter 手機版,另外用 React 和 Firebase 做網頁版,讓兩邊共用會員和訂閱,也能同步資料。像是一次替多隻貓記錄餐點、檢視 7、14、30 天的熱量與體重變化,都能在網頁上處理。 作者也試過用 AI 拍照讀取貓食包裝上的熱量和成分,但小罐頭的標示會繞著罐身,亮光也可能遮住小字,讀錯熱量會影響餵食計算。因此,掃描只當作輔助,使用者確認食物資料後,系統再依照記錄好的數字計算。這個做法讓 AI 幫忙省事,同時避免把不可靠的辨識結果直接當成營養資料。
08:54 直式影片要放進 16:9 畫面時,直接拉成 1920×1080 會讓人物變寬,裁切則會切掉畫面上下部分。作者用 FFmpeg 示範先等比例縮小影片,再把它放到 1920×1080 畫布中央,兩側補上黑邊。文中的測試確認成品保留原本畫面比例,AAC 音訊不變,片長也和原片接近。這個做法適合需要完整保留直式畫面的情況。
08:54 有些日文看起來一模一樣,電腦裡的字元編碼卻可能不同,讓搜尋或檔名比對失敗。文章用 Python 說明 NFC 和 NFD 會用不同方式表示「が」:一種用一個字元,另一種拆成兩個,因此直接比較會得到不相同的結果。不同作業系統處理檔名的方式也不同;例如文中測試的 APFS 能用其中一種形式找到另一種形式建立的檔案,但程式自己的字串比較仍可能失敗。作者建議在比對或建立索引時,先把文字統一成 NFC,並另外保留原始檔名;NFKC 雖能統一部分相似字形,也可能改掉原本內容。
08:54 在記憶體不多的 KVM VPS 上建置 Python 服務,pip 和 Poetry 可能要花很久整理套件,也會吃掉不少記憶體,讓伺服器因記憶體不足而中斷。作者改用 Astral UV 管理 Python 版本和套件,並透過共用快取重用已下載的資料。以一個有 48 個直接依賴套件的 FastAPI 服務為例,沒有快取時,安裝時間從 pip 的 84.2 秒降到 4.1 秒,記憶體用量則從 410 MB 降到 42 MB。作者表示,整個 CI/CD 建置流程也從 4.5 分鐘縮短到 22 秒,讓部署更快,也減少 VPS 因記憶體不足而當機的情況。
08:54 搜尋系統用 AI 幫文章打分時,常會遇到好幾篇分數一樣,結果靠原本的排序把不對的文章放到前面。作者比較三種做法:維持原本的 0 到 10 分、改用 0 到 100 分,或讓模型在分數相同時,再看它對各個分數有多確定。結果發現,分數改得更細也沒用,gemma3:12b 常常還是給出相同分數;但看它對分數的把握度後,12 題有 11 題把正確文章排第一,修正了原本被平手影響的兩題。代價是每題約要 95 秒,適合批次整理或夜間報告,未必適合即時搜尋。
08:39 電腦算得快,資料在晶片裡跑來跑去卻很耗時間和電力。光子運算用光傳資料,適合跑長距離、搬大量資料;電子運算則擅長計算、記憶和短距離傳送。舉例來說,晶片之間或資料中心的連線,用光可以同時傳多種波長,速度快、每個位元耗電也較低;但在晶片內幾毫米的短線上,產生和接收光的額外成本可能更高。 所以實際做法是讓光負責搬資料,電子元件負責計算和記憶。兩者來回轉換太頻繁,雷射和轉換過程就會吃掉省下的電力;光子零件也較大,製造和設計成本較高。光不會取代電晶體,而是有機會取代長距離傳資料的電線。
08:39 網路交換器得快速找出符合 IP、MAC 位址或規則的資料,普通記憶體要逐筆查詢或靠演演算法搜尋。CAM 會同時比對所有專案,TCAM 還能用「不在意」的位元表示萬用規則,因此可在一個時脈週期內回報結果;但每個位元需要額外比對電路,晶片面積和耗電都高,更新資料也比較麻煩。SRAM 比較省空間,資料更容易增減,但搜尋可能需要多次讀取,或在資料量大時花很多週期。文章用交換器查詢路由和存取規則為例,說明只有必須在固定時間內完成的查詢,才值得使用 CAM;其他資料通常更適合放在 SRAM。
08:39 診所的電話問候就算能正常播放,姓名、藥名或地名念錯,還是會造成困擾;要改發音,往往得請開發者更新設定。Fluency Lab 範例讓員工用簡訊送出更正,由每間診所專用的程式角色檢查內容、更新發音字典,再重新產生問候音訊。遇到多人同時修改時,它會先讀取最新內容再重試,避免漏掉別人的更新;系統也會定期產生音訊並比對檔案是否改變。不過,比對結果只能看出音訊是否不同,不能判斷念得好不好,面向病患的發音仍應由合適的人員確認。
08:39 一個人用 AI 做事不難,難的是讓整個團隊每天都願意用;卡關的地方常常不是模型不夠強,而是工具和大家原本的工作方式合不來。作者認為,團隊需要在共用的頻道和討論串裡看見彼此怎麼下提示詞、檢查結果和修正內容,也要把重複雜事交給 AI 處理,重要決定仍由人來做。像是先請 AI 重做一天的電子郵件,再要求加上方便比較差異的畫面;試出有用的方法後,就把它整理成團隊能重複使用的程式或檢查流程。工具若能集中處理登入和安全設定,並配合團隊熟悉的聊天、檔案和專案方式,就更容易讓不同職務的人一起用。
上一頁 1 … 48 49 50 最多提供 50 頁,更早的內容請使用搜尋或主題頁。