電子郵件驗證測試不能只確認六位數通過
測試只確認六位數驗證碼能讓畫面打勾,無法知道過期、重寄或重複使用時是否也符合規則。作者建議先寫清楚各種情況應有的結果,再用每次測試專屬的收件地址等待正確郵件,並確認收件人和信件內容,避免抓到別的通知裡的數字。測試也要檢查帳號是否真的完成驗證;過期時間可用測試專用時鐘控制,重寄時則依產品規則確認新舊驗證碼能否使用。這樣能找出流程中的安全問題,也讓失敗訊息更容易查明原因。
測試只確認六位數驗證碼能讓畫面打勾,無法知道過期、重寄或重複使用時是否也符合規則。作者建議先寫清楚各種情況應有的結果,再用每次測試專屬的收件地址等待正確郵件,並確認收件人和信件內容,避免抓到別的通知裡的數字。測試也要檢查帳號是否真的完成驗證;過期時間可用測試專用時鐘控制,重寄時則依產品規則確認新舊驗證碼能否使用。這樣能找出流程中的安全問題,也讓失敗訊息更容易查明原因。
代理服務如果對外開放,可能讓不該使用的人借道連上內部網路;但只看到服務名稱,還不能判斷它是否有風險。作者比較 ZoomEye 的搜尋結果,指出 GOST 回應中的 Proxy-Agent 標頭比一般標題更能辨認代理軟體,也提醒這些筆數不能證明代理服務開放或使用了有漏洞的版本。檢查時要分開確認代理連線與管理 API 是否能從不可信的網路連上,並檢視驗證方式、可連線目的地和已撤銷帳號是否仍能使用。即使登入有效,也要限制代理能連到哪些地方。
公司準備把內部專案公開時,開發者可能會擔心舊程式被陌生人檢視。作者建議先檢查 Git 紀錄,因為刪掉的密碼或金鑰可能還留在過去的提交裡,可用 gitleaks 或 trufflehog 掃描;也要看看留言是否寫了內部伺服器或客戶名稱,並確認提交紀錄中的姓名和工作信箱是否適合公開。若時間允許,再修好一兩處自己不放心的程式碼即可。公開後的程式也能成為展示作品的連結,而維護者友善回應問題同樣重要。
合作平臺把多個 SKU 寫成重複的 sku 引數送來,Flask 卻只讀到第一筆,於是其他商品的庫存資料都沒回傳。平臺把沒收到的 SKU 當成零庫存,上午十點前就有 380 個商品被標成缺貨;伺服器回應仍是成功,也沒有錯誤訊息,問題直到比對要求和回覆才被發現。 修正後,API 會讀取每一筆 sku,也會回覆每個被詢問的 SKU;不認識的 SKU 會標成「unknown」,不再直接漏掉。遇到不認識的查詢引數時,API 也會明確報錯。這提醒開發者:只回一部分資料卻看起來像完整答案,可能讓合作平臺做出錯誤判斷。
分店之間的庫存調貨,如果沒算進貨車上正在運送的商品,系統可能會一再補貨,最後又把多出的商品調回去。作者的公司有 38 家分店,夜間系統會依各店庫存自動安排調貨;但貨物離開原分店後、送到目的地前,系統看不見它們。於是 12 棧板的閣樓隔熱材料在六週內往返 Ripon 和 Harrogate 五次,公司也發現有 200 多種商品曾在同一對分店間雙向調動。後來,公司把運送中的庫存算給目的地,並限制仍有未完成調貨的商品再次調貨,也不把 30 天內轉入的商品列為多餘庫存。這讓系統能把自己已經安排的事情算進下一次決定裡。
排程器要一直接收新工作,還得在工作者空出來時快速找出最急的那一件;用未排序清單或排序清單,新增和取出其中一項總有一個得逐筆處理。堆積把資料放在陣列裡,只保證最小值在最前面,不要求整份清單排好,因此新增和取出都只需沿著樹狀層級調整,花費約為 O(log n)。作者也用找出一串數字中最大的 k 個,以及工作排程等例子,說明堆積如何在資料持續到來時保留目前最重要的選項。
APT 套件庫看起來更新成功,伺服器卻可能一直使用舊版軟體。作者管理的 50 臺 Ubuntu 伺服器各自儲存一份公鑰;他們只延長了簽署主機上的金鑰期限,伺服器裡的舊公鑰過期後,apt-get update 顯示警告卻仍回報成功,後續安裝便沿用舊清單,沒有更新程式。作者後來把公鑰放進套件,提早發布更新,並讓更新警告和版本不一致都能讓工作失敗,提醒維護者也要檢查每臺信任該金鑰的機器。
網站上的商品越來越少,乍看像是生意變差,實際上卻是商品資料在交接時被截掉了。作者的報表使用舊版 Excel 格式,最多隻能放 65,536 列;商品照名稱排序,超過上限後,排在後面的商品沒有寫進檔案,匯入系統卻把它們當成已下架。改用沒有列數上限的 CSV 後,檔案會附上商品數量和價格總額,匯入系統也會核對內容,並要求確認一次下架超過商品總數 1% 的情況。作者還每月比對兩邊的商品數量,確認資料有沒有在傳送途中遺失。
PostgreSQL 裡,兩筆交易如果用不同順序鎖住相同資料列,就可能互相等對方放手,形成互鎖。資料庫發現後會中止其中一筆交易,讓另一筆繼續。文章提供兩個做法:先把要更新的資料列 ID 排好順序再上鎖;如果遇到互鎖或交易衝突,就稍等一下再重試,等待時間逐步拉長並加入隨機變化。這能降低互鎖機會,也避免大家同時重試、讓資料庫更忙。不過,跨資料表更新或牽涉外部系統時,光靠排序不一定能避免互鎖;測試環境若沒裝好 psycopg,程式也會在開始測試前就失敗。
自動化流程出錯時,小團隊常要等客戶或同事發現問題,才知道工作已經停了好幾天。作者分享自己替自架 n8n 設定通知的做法:讓所有流程共用一個錯誤處理流程,通知中寫清楚哪個步驟失敗、可能原因、負責人和執行紀錄連結,再依嚴重程度決定要立刻通知、發到團隊頻道或放進每日摘要。對沒有報錯卻沒做成工作的情況,可加上檢查並主動發出錯誤;也能用定期檢查確認重要流程仍在執行。通知去重、保留失敗紀錄,並避免在訊息中貼上個人資料,能讓團隊更容易處理真正需要注意的問題。
Windows 網域裡的服務帳號可能有很高許可權,卻不會像一般員工帳號一樣定期換密碼。作者團隊測試 Kerberoasting 時,用一般員工許可權在不到一分鐘內取得 31 個服務帳號的票證,並在三小時內破解其中 4 個密碼;其中一個帳號能管理整個網域。團隊後來改用由網域自動產生與更換的長密碼、取消服務帳號的網域管理員許可權,並監看短時間內大量索取票證的情況。這個案例說明,服務帳號也需要妥善管理密碼與許可權。
AI 助理的資料可能不是最新的,回答昨天的球賽結果時,甚至會編出聽起來很像真的內容。這篇教學用 Serqo 做一個 Google 搜尋工具,讓 AI 助理查網路,再把搜尋結果整理成短短的文字。作者提到,直接用瀏覽器搜尋可能要等 3–5 秒,還會把大量網頁內容塞進模型的上下文視窗;搜尋工具則只回傳標題、摘要和連結等資料。這個做法能接上 OpenAI 的工具呼叫,也能用在不同 AI 框架,讓助理查到較新的資訊。
兩份清單看起來順序一樣,卻可能少了幾列,讓商品價格沒有更新。作者分享一個案例:程式用 Python 的 zip 把商品程式碼和新價格配成一對,但 zip 會在較短的清單用完時停止,不會提醒使用者,結果有 3 項商品沿用舊價格。從 Python 3.10 起,可以加上 strict=True,讓兩份清單長度不同時跳出錯誤。作者也建議把程式碼和價格放在同一列,並核對讀入、更新和略過的筆數,及早發現資料對不上。
個人資料頁面看起來只讓人修改姓名、電話和地址,但如果後端把收到的欄位全都存起來,使用者就能自己加上「role」欄位,把許可權改成管理員。這種問題叫大量指派,文章也提到它曾被用來攻擊 GitHub 的 Rails 專案。防護方式是在 API 明列允許修改的欄位,或為每種操作設定專用輸入欄位;遇到不認得的欄位就拒絕並留下紀錄。測試時也要確認資料庫沒有被改動,不能只看回傳畫面。
小模型看起來測試很準,卻可能只是學會大型模型犯的錯。文中的公司用大型模型替 50,000 筆舊退貨分類,再拿這些分類訓練小模型,測試結果有 97% 準確。上線後,模型卻把運送途中摔壞的商品判成商品故障,讓不同物件的求償數量大幅改變。原因是訓練和測試都沿用大型模型的分類,測到的只是小模型有多像老師。作者建議先請處理求償的人手動標記幾百筆退貨,保留這批資料作為可靠的測試答案,並先用它檢查大型模型,再比較小模型;也要先問清楚每種分類會影響哪些決定。
音響已經開著時才開啟麥克風的幻象電源,可能會突然傳出很大的低音爆音。電容式麥克風需要電力,幻象電源會沿著同一條線送出 48 伏特;電壓突然切換時,聲音也會跟著跳一下,音量推桿開著就會直接從喇叭放出來。作者建議開機時先開混音器、再開其他器材,最後才開喇叭;關機則先關喇叭。切換幻象電源前先把音量推桿拉低並靜音,換麥克風也要先靜音。爆音可能傷到高音單體,也可能損壞接線有問題的老式鋁帶麥克風。
同一週發生兩起錯誤:結帳問題影響 400 位顧客,定價問題影響 40,000 位顧客,但團隊看報告時覺得兩件事一樣嚴重,也花了差不多的力氣處理。人很容易被腦中想像的畫面牽著走,感覺不出影響人數差了多少。寫事故報告時,可以先列出受影響人數、損失金額和持續時間,再把本週和上週的數字用同樣單位排在一起,排工作優先順序時也要看有多少人受到多大傷害。例如 40,000 位顧客各浪費 5 分鐘,加起來超過 3,000 小時,接近一個人工作兩年的時間。關心問題很重要,但也得用數字看清影響有多大。
兩個資料庫伺服器的終端機看起來一模一樣,忙累時可能把指令打在錯的地方。文章提到,GitLab 一名工程師曾在 2017 年 1 月底誤刪主資料庫資料,讓公司損失約 6 小時的正式環境資料。作者建議把主機名稱和環境直接顯示在提示文字中,讓正式環境使用不同顏色,並關掉暫時不用的視窗;執行會刪除資料的指令前,也可以先確認主機名稱,或使用會要求確認的工具。重點是讓目前連到哪臺伺服器一眼就看得出來,減少把指令送錯地方的機會。
AI 助理能幫忙找工作和填表,卻可能在工作階段結束後忘記看過哪些職缺、投過哪些履歷。ApplyKoala 用求職追蹤工具和遠端 MCP 伺服器儲存這些紀錄,讓 Claude Code、Codex 等工具接續查詢;每筆適配判斷都要引用履歷原文,職缺研究也必須附上來源連結和日期,伺服器會檢查資料。它不會替使用者送出申請,填完表格後仍由使用者決定是否送出。
程式在 finally 區塊裡寫 return,可能會把原本要傳出的錯誤吃掉,讓呼叫它的程式以為事情成功了。文章用訂單寫入資料庫的例子說明,即使資料庫故障,函式仍可能回報成功;在迴圈裡使用 break 或 continue,也可能讓例外消失。Python 3.14 會對這種寫法發出 SyntaxWarning。升級前可以搜尋 finally 區塊中的 return、break 和 continue,開啟 Ruff 或 flake8-bugbear 的 B012 檢查,並改成在 finally 做清理、之後再回傳結果,讓錯誤能正常傳出。
Webhook 處理程式暫時出錯時,服務商可能停止重送,讓付款或訂單事件漏進資料庫。作者建議先把收到的原始請求存進資料庫,再由背景工作處理;用服務商名稱和事件編號避免重複存入,重送時則呼叫和日常處理相同的函式。Python 指令碼預設只列出準備重送的事件,確認後才實際執行,也能限制處理速度。重送前還要確認程式能安全處理同一事件多次,避免重複寄信或重複增加金額。
推薦理由:把原始請求、重送流程和冪等檢查串在一起,說明如何補回漏掉的 webhook 事件並降低重複處理風險。
有人把履歷改成符合 4 份不同的工作說明,CV by JD 卻每次都打出 100 分,還完全沒有改進建議。查了才發現,評分模型沒回傳結果時,網頁會改用舊演算法:只要履歷有電子郵件、LinkedIn 網址、工作經驗等專案,就可能一路拿滿分。團隊刪掉這個假分數,改成先從工作說明整理要求,再逐項判斷履歷符合多少,最後由程式計算分數;分數和建議也都根據同一批判斷產生。 新系統還會檢查履歷改寫內容有沒有憑空加上證照、職稱或日期。測試時,12 份忠於原文的履歷都通過,19 個刻意加入的不實內容則全被抓到。這讓評分比較穩定,也能降低求職者拿著不實履歷去面試的風險;如果系統真的算不出分數,就直接顯示「無法評分」,不再編一個好看的數字。
GitHub Actions 的排程有時沒執行,或比預定時間晚很多,因為它會把工作排進共用的佇列,不保證準時開始。常見原因包括:排程沒有放在預設分支、把 UTC 時間誤當成當地時間、公開儲存庫 60 天沒有活動而停用排程,或工作其實有執行但失敗了,通知只寄給最後修改排程的人。文章也提醒,cron 每小時整點容易塞車;例如把 0 9 1-5 改成 17 9 1-5,可能比較不容易延遲。如果帳單或提醒信必須準時送出,可以保留原本的工作流程,改由外部排程器在指定時間呼叫 GitHub API;日常檢查等不趕時間的工作,則仍適合用 GitHub Actions 排程。
Claude Code 有時會跳過 AGENTS.md,讓專案裡的操作規則沒有載入。文章整理了從 v2.1.277 起的讀取方式:如果工作資料夾或上層資料夾有 CLAUDE.md、.claude/CLAUDE.md 或 CLAUDE.local.md,預設就會讀這些檔案而略過 AGENTS.md。想同時載入兩者,可以在 CLAUDE.md 開頭加入 @AGENTS.md,或在 /config 裡調整設定。兩份檔案若放了重複規則,重複文字仍會佔用 token;團隊也要留意個人設定檔可能讓自己讀不到共用的 AGENTS.md。
只勾選「我已滿 18 歲」並不能證明使用者的年齡,但英國、澳洲等地的規定正讓更多網站需要認真處理年齡確認。常見做法包括用自拍估算年齡、檢視身分證件、請銀行或電信業者確認,或使用不必透露姓名和生日的數位身分錢包;每種方式在準確度、費用、方便程度和隱私上都有不同取捨。文章建議,多數團隊可串接專門服務,並盡量只留下「已成年」或「未成年」的結果,不儲存照片或證件,也要提供模型判錯或沒有護照的人其他確認方式。遊戲、論壇、交友服務和販售年齡限制商品的網站,也可能需要調整隱私設定、訊息功能和推薦內容。
網頁明明找不到 noindex,Google Search Console 卻說不能收錄,常見原因是 Googlebot 收到的內容和你看到的不一樣。先用網址檢查工具測試即時網址,確認 Google 是在網頁標籤還是 HTTP 標頭裡看到 noindex;例如,X-Robots-Tag 標頭不會出現在網頁原始碼裡,可能是測試環境設定被帶進正式網站。 其他可能來源包括 CMS 或外掛設定、只給爬蟲看的網頁內容、JavaScript 加上的標籤,以及部署時用錯環境設定。修好後,確認標頭和網頁都沒有 noindex,再請 Google 重新檢查。也可以在正式環境部署後自動檢查,避免重要網頁突然從搜尋結果中消失。
網站改版後,如果 Googlebot 突然少爬某些頁面,光看整個網站的統計圖很難找出原因。作者提供一支 Python 程式,讀取 Nginx 或 Apache 紀錄,只留下 Googlebot 的請求,再依網址第一層路徑,比較部署前後每天的爬取次數和回應狀態。文中的例子顯示,/docs/ 的爬取量下降,剩下的請求則多了重新導向和找不到頁面的錯誤;另一個區塊也出現伺服器錯誤。這能幫忙縮小檢查範圍,但要留意爬蟲次數本來就會變動,假冒 Googlebot 和 CDN 紀錄也可能影響結果。
只比較產品「有沒有」深色模式、SSO 或 iPad 版,就像看到功能打勾,卻沒發現使用者實際上在哪裡卡關。作者改用 9 欄表格,記下使用者想完成的事情、問題是大家都遇到還是某個 App 特有、評論來自哪段時間,也補上好評作為參考。 以 Threads 和 Bluesky 各 200 則美國 App Store 評論為例,兩款 App 都有 iPad 版,但評論仍有人抱怨 iPad 使用體驗;帳號問題的原因也不同。把評論內容和取樣日期一起比較,團隊更容易看出產品真正的缺口,也不會只挑負評來判斷競品。
開發新功能前,我會先用一段白話寫清楚:使用者會有什麼改變,這件事為什麼對他有幫助。寫不出來,就代表功能還沒準備好。這也會逼自己想清楚功能是為誰做、能幫人省掉什麼事,以及怎麼知道它真的有用。 功能清單很容易越列越長,但每一則公告都得說出真實的人會在意的好處。若公告寫起來很空,功能可能也不夠實在;趁還沒開始開發就發現,總比做到一半才發現省事。
API 收到太多請求時,可能被爬蟲、出錯的程式或大量重試拖慢;多臺伺服器各自計數,也會讓同一個人超過限制。文章先整理設計前要問的問題,再比較五種限流方法:固定視窗簡單但時間交界可能放過雙倍請求;滑動視窗較準確;令牌桶容許短暫突發;漏桶則讓請求以固定速度通過。選哪一種要看是否能接受突發、需要多精確,以及記憶體成本。多臺伺服器必須共用計數;在 Redis 分開執行增加計數和設定到期時間,可能留下永不過期的計數。作者建議把檢查合成一次不可被打斷的操作,例如用 Redis Lua 指令碼,避免同時到來的請求都誤以為還有額度。
把電話轉接給 AI 助理後,原本的簡訊不會跟著轉過去,語音信箱也可能先接起電話。Speakvora 作者整理三種做法:保留原門號只轉接電話、把門號轉到其他服務商,或改用新的商務門號。轉接最快,但要先準備接聽電話的號碼,也要確認電信商會不會收費;攜碼能一起處理電話和簡訊,但通常要等 5 到 15 天。作者建議先用練習模式,再從另一支電話測試轉接效果;如果需要即時語音通話和 AI 對話,目前只有 Twilio 支援。
想架網站或跑程式,不一定要先買一臺實體伺服器。Amazon EC2 讓你向 AWS 租用雲端虛擬伺服器,能用來架網站、執行應用程式或處理資料;你可以依工作挑選伺服器的運算、記憶體和儲存能力,也能設定誰可以連線。舉例來說,想架一個網站,就能開一臺 EC2 虛擬伺服器、選擇 Ubuntu Linux、設定連線規則,再安裝 Nginx 或 Apache。這讓人能依需求使用雲端運算資源,不必自行購買和維護實體硬體。
電子郵件驗證看起來像一次點選,背後卻有 API、資料庫、佇列和郵件服務等不同環節,重試或延遲可能讓舊連結仍被接受。文章建議替每次驗證設定到期時間,資料庫只允許有效的最新驗證嘗試改變帳號狀態,並在同一筆交易中撤銷舊嘗試、建立新嘗試。系統只儲存隨機權杖的摘要,寄信則交給背景工作處理;即使重試造成重複寄信,也不會因此產生兩個有效的帳號驗證狀態。
表單資料常有空格、格式不一或空白欄位,直接送進 CRM 或 AI 助理可能讓後續流程出錯。這篇教學用聯絡資料示範 n8n 的三種整理方式:簡單的欄位增刪與改名用 Edit Fields,單行的小轉換用表示式,遇到條件和重複處理再用 Code 節點。例子會把電話、電子郵件、金額和日期整理成一致格式;電話或日期不合規時則標記為待確認,交給人員檢查。作者也提醒,固定規則用程式處理較可靠,AI 助理適合處理需要理解文字意思的工作。
Telegram Stars 付款看起來只要收款後交付商品,但如果後端沒有仔細核對,可能接受偽造通知,或因 Telegram 重送資料而重複交付。作者示範用 PHP 處理完整付款流程:先替訂單資料加上簽章,付款前核對訂單、金額和幣別,再用資料庫交易與鎖定避免同一筆付款被處理兩次。文章也提醒,付款確認要在 Telegram 規定的 10 秒內回覆,並驗證 webhook 的金鑰;若交付失敗,可用 refundStarPayment 退還 Stars。
NAXSI 是裝在 NGINX 裡的網站防火牆模組,但外部掃描不一定看得出它有沒有運作。ZoomEye 在 11 月 22 日搜尋時,找到 0 筆應用程式欄位結果、10 筆標題結果和 162 筆網頁內容結果;這些數字只反映這次搜尋,不能證明網路上沒有 NAXSI,也不能證明找到的網站正在用它擋攻擊。要確認防護是否生效,管理者得檢查 NGINX 設定,並送出符合已知規則的安全測試請求,再對照回應和伺服器紀錄。這也提醒大家,外部搜尋只能提供線索,不能代替實際檢查。
把大圖片切成小塊放大時,接縫附近可能和整張圖片一次處理的結果不同。作者用 Real-ESRGAN General x4v3 放大一張 480×480 圖片,逐步增加每塊周圍保留的原圖範圍:留 33 畫素時,超過 1,100 萬個輸出值中仍有 3 個差 1 階;留 34 畫素時,所有輸出值都相同。作者也依模型的卷積層結構推算原因,並說明這是推論,沒有另外驗證。這個數字只適用於這個模型;相同畫面也不代表放大的細節是真實的,因此不適合拿來辨認身分、做鑑識或確認 OCR 文字。
服務部署後開始出錯時,工程師常得反覆輸入指令、手動複製 Pod 名稱,拖慢排查。這篇教學示範用 k9s 在同一個終端畫面篩出異常 Pod、檢視事件和前一次容器的記錄,再用外掛開啟除錯容器。它也提醒先明確指定叢集環境,並確認 RBAC 許可權;臨時除錯容器不能從 Pod 移除,Pod 被替換後才會消失。
cron 排程寫起來很短,卻容易讓工作在不對的時間執行。文章解釋兩種常見誤讀: 9 會在上午 9 點的每一分鐘都執行;0 9 1 1 則會在每月 1 日和每個星期一上午 9 點執行,不是隻挑兩者重合的日子。若要只在星期一遇上 1 日時執行,可以排在每個星期一,再由指令檢查日期。文章也提醒,排程可能採用 UTC,像 /7 這種間隔每小時會重新計算;部署前先檢視接下來幾次執行時間,有助於避免排錯。
把圖片切成小塊放大,常會在接縫處看到淡淡的格線;多留一些邊緣再裁掉,能改善這個問題,但也會花更多時間。作者用 Real-ESRGAN General x4v3 比較不同補邊寬度:每塊留 24 畫素時,結果和整張圖片一次放大的差異已很小;留 34 畫素時,這次測試的輸出完全相同。補邊越寬,處理通常越慢,而且合適的寬度會因模型而異,作者建議用同一張圖比較整張處理和分塊處理的差異。這個結果只適用於這次測試,不能直接推到使用注意力機制的模型;放大後的細節也是模型猜出來的,不適合拿來辨識身分、做鑑識或確認 OCR 文字,原圖仍要保留。