如何在服務啟動前確認租戶子網域使用正確的 DNS 區域
如果 staging 服務拿到 production 的 DNS 區域 ID,就可能把租戶網域記錄寫到錯的地方。作者建議把區域 ID 和預期網域分別放在各環境的設定裡,服務啟動時先查出該 ID 對應的網域;只要和預期不符,就停止啟動,不讓服務接收流量。文章也比較每個服務自行查核與由共用 DNS broker 集中管理:前者適合少數團隊,後者適合多個團隊共用 DNS 規則。
如果 staging 服務拿到 production 的 DNS 區域 ID,就可能把租戶網域記錄寫到錯的地方。作者建議把區域 ID 和預期網域分別放在各環境的設定裡,服務啟動時先查出該 ID 對應的網域;只要和預期不符,就停止啟動,不讓服務接收流量。文章也比較每個服務自行查核與由共用 DNS broker 集中管理:前者適合少數團隊,後者適合多個團隊共用 DNS 規則。
如果評分用的標準答案被偷偷修改、外流,或日後找不回來,AI 治理儀錶板上的分數就不可靠。Anil Prasad 示範如何用 Databricks 的 Unity Catalog 管理這些評測資料:限制能修改的人、檢視資料被誰讀取或複製、記錄許可權變更,並把每次評分連到特定資料版本。文章也說明如何儲存發布快照、遮蔽個人資料,以及追蹤資料是否過期,讓團隊能查清楚每個分數是怎麼來的。
企業把內部系統接到 Gemini Enterprise 時,得避免 MCP 服務暴露在公開網路,也要確認每次呼叫來自哪個服務和使用者。Google 說明如何用 Egress Agent Gateway、Private Service Connect 和精確網域的 Private Cloud DNS,讓 Gemini Enterprise 私下連到 Cloud Run;DNS 只套用在指定的 MCP 網址,避免影響共用 VPC 裡的其他 Cloud Run 服務。文章也說明兩層驗證的分工:Cloud Run IAM 確認呼叫服務的身分,MCP 程式則檢查使用者的 OAuth 2.0 權杖。文中附有參考程式和設定步驟,並介紹如何用 Cloud Logging 確認連線狀況。
推薦理由:文章整理 Cloud Run 內部 MCP 服務的私有連線與雙重驗證做法,也說明如何避免 DNS 設定影響共用 VPC 中的其他服務。
模型把部分中間層重複運算,會讓推論時的快取和訊息傳遞更難處理。vLLM 宣佈支援 Thinking Machines 的 Inkling 2 Mini,並在 NVIDIA Blackwell、Hopper 和 DGX Spark 上提供 Day-0 支援。Inkling 2 Mini 的 12 個核心層會對每個 token 運算三次,每次各自保留 KV cache,並讀取前一次運算傳來的訊息;模型有 26B 總引數、3.5B 啟用引數,支援最多 1M tokens 的上下文。vLLM 也支援可調整運算次數的研究檢查點,讓團隊能測試速度、記憶體用量和品質之間的取捨。
推薦理由:Inkling 2 Mini 的迴圈層會讓每個核心層重複運算三次,vLLM 透過分開管理快取並融合訊息讀取來支援這種架構。
Vercel Functions 現在在 Public Beta 中可接收最大 20MiB 的請求資料,原本上限是 4.5MB。要使用較大的上限,必須設定環境變數 VERCEL_SUPPORT_LARGE_REQUEST_BODY=1,並讓專案的函式使用 4GB 效能記憶體設定;功能適用於 Node.js、Python、Bun 和 Routing Middleware。Edge runtime 仍維持 4.5MB 上限,超過會回傳 413。啟用後,Routing Middleware 看得到請求標頭和其他資料,但收不到請求本文;處理大檔案時也要盡快讀取,避免記憶體和傳輸壓力。
結帳出現錯誤時,錯誤紀錄只能說明程式哪裡出問題,不能單靠錯誤筆數判斷顧客有沒有買成功。這篇文章用物流 SaaS 的情境示範:把每次結帳結果分成完成、預期中的拒絕和意外失敗,再保留錯誤堆疊方便工程師查原因;重試後成功的結帳仍可留下紀錄,但不能算成失敗。接著用同一批範例比較 Sentry、Rollbar 和 Bugsnag,檢查分組、重複紀錄和通知規則是否符合需求。重點是先用結帳結果判斷影響,再用錯誤紀錄找原因;如果還需要瀏覽器畫面重現或服務追蹤,就要評估更完整的工具。
NGINX 的版本號看起來夠新,不代表實際執行的程式已經修好;有些套件會把修補補進舊版本,容器也可能用新標籤包著舊程式。CVE-2026-121810 會在處理 HTTP/3 串流時,讓程式用到已經釋放的資料;受影響的程式可能讓工作程式當掉,成功利用時還可能以工作程式的許可權執行程式碼。研究者已展示利用方式,但公告發布時沒有確認它已在實際攻擊中被利用。修補後的版本包括 NGINX 1.30.7 和 1.31.9;若暫時無法更新,可關閉 HTTP/3。確認是否安全時,要檢查套件、正在執行的程式和容器映像,不能只看版本字串。
家中裝置和虛擬機器一多,IPv4 的位址衝突、NAT 和轉送設定就容易讓人頭痛。作者整理自己的 IPv6 網路,把實體區域網路、虛擬機器和各項服務分成三個網路,每個網路各用一個 /64 網段;另外也替它們配置 ULA 私有位址,讓家中裝置之間使用的位址不會因為 ISP 更換對外網段而改變。作者也分享了預設閘道和網路轉送的設定方式,並提出幾個仍不確定的地方,供讀者檢視。
雲端硬碟能收到檔案,不代表備份完整,也不能保證復原時拿到的是正確學校的資料。文章比較 Amazon S3、Azure Blob Storage 和 Google Cloud Storage,建議先依現有的雲端帳號與管理方式選服務,再用資料庫儲存每份備份的租戶、檔案清單、大小和檢查碼。復原時,Node.js 程式要先確認備份屬於這個租戶而且狀態正確,再核對下載檔案的大小與檢查碼。短時間有效的下載連結只負責傳送檔案,不能證明備份正確;先下載到暫存區檢查,也能避免不完整的檔案直接取代現有資料。
有些記錄平臺會把錯誤訊息的每一行都算成一筆,因此一段 Java 堆疊追蹤可能變成 40 筆以上,增加費用,也讓工程師難以一次找到完整錯誤。文章建議把錯誤和堆疊內容一起寫進同一筆 JSON 紀錄;若暫時不能改程式,也可以請收集工具先把多行接回一筆。文中也提醒,AWS CloudWatch 的記錄群組預設不會自動到期,可設定保留期限,例如 30 天。
更改網域設定後,紀錄看起來正確,不代表使用者已連到新主機,寄出的郵件也不一定已被接受。文章示範用 Go 檢查網域是否解析到預期的 IP,並提醒郵件接受狀況要另外測量;兩種結果不能混為一談。切換前先記下舊主機和郵件測試結果,切換後按照預先訂好的觀察時間檢查,期間保留舊主機以便回復。這套做法能幫團隊看出設定與實際結果的落差,也讓回復時有明確依據。
Ollama v0.40.17-rc3 加入多項更新:Claude Code 需要工具時才載入 MCP 工具;Apple silicon 上的 Ollama 現在能同時處理多個請求。更新也修正了部分顯示卡載入模型或配置記憶體失敗的問題,並讓 API 傳遞工具設定時保留原有的 JSON 格式規則。這次更新還調整了多行輸入、模型推理設定和 ChatGPT 設定檔切換等操作,讓使用過程少一些卡關。
AI 助理可能呼叫了不合適的 API,卻收到正常回應,讓儀錶板仍顯示一切正常。OpenSearch Software Foundation 的 Bianca Lewis 說,團隊可以搭配 OpenTelemetry 追蹤 AI 助理呼叫了哪些服務和 API,再加上成本資料,檢視哪一步走偏、哪裡花費較高。這些線索能幫開發者找出答案看似合理、實際上卻不符合使用者要求的原因。她也提到,團隊可用同一套 OpenSearch 技術處理搜尋和觀測,並把轉換平臺的成本納入整體考量。
Azure 的資源、訂閱、標籤和費用分散在不同地方時,要回答一個簡單問題也可能得花不少時間。作者做了 Goliat Cloud Inventory,把這些資料放進可自行架設的面板,讓人搜尋和篩選資源、檢視成本,也能管理資料收集工作。資源清單會先整理成快照再匯入資料庫;成本則另外向 Azure 查詢。內建預覽使用虛構資料,不會讀取你的 Azure 訂閱;要檢視真實費用,則需要設定訂閱和相應許可權。文章也說明,這個版本不會預測費用或自動建議省錢方式。
金融服務裡的預約可能代表付款授權或商品保留;如果清理工作做到一半中斷,隨手刪掉資料就可能讓付款紀錄和實際狀態對不起來。作者建議把每筆過期預約變成可重試的工作指令,分批挑出資料,再由有速度限制的工作者處理;每一步都留下狀態和紀錄,重複收到同一項工作時,也不會再次釋放不同預約。 例如,付款服務回覆「請稍後再試」時,工作者應放慢速度並安排重試;遇到爭議中的預約,則先送交人工檢查。正式啟用前,先觀察完整的保留期限,再小量分批推出。這樣即使工作中斷或重跑,也能查清每筆預約為什麼被處理,以及哪些還需要確認。
網店明明每天都有備份,故障後卻可能還是少了訂單或檔案。作者根據維護 WooCommerce 網店的經驗,整理出五個常見問題:備份和網站放在同一個主機、舊的自訂備份沒有收進 HPOS 訂單資料表、還原時漏掉備份之後收到的訂單、從未實際測試還原,以及圖片檔案太大。文章建議把另一份備份放在不同供應商,確認訂單資料表有備份,還原前保留備份後新增的訂單,也定期在測試環境試著還原。這些檢查能讓店家更清楚故障時會少掉什麼,以及網站要多久才能恢復。
庫存資料對不起來時,零售商可能還在接新訂單,團隊卻不確定誰能喊停。文章用一家虛構零售商的促銷活動當例子:十二家門市的庫存有落差,團隊要在活動開始前決定是否暫停部分門市的新配送承諾。作者建議事先寫清楚誰整理方案、誰提供資料、誰拍板、誰執行,以及負責人不在時由誰接手;也要訂好時間到了仍缺資料時怎麼做,並演練恢復營運的條件。這樣出事時,大家能更快找到有權決定的人,也知道哪些訂單和門市會受影響。
AI 助理搜尋航班時,等網頁載入、呼叫瀏覽器和模型回覆都可能拖慢速度;如果只看總時間,也容易把不同設定的結果混在一起。Browser Use 用 Google Flights 找蘇黎世到倫敦最便宜的 3 班單程航班,逐項檢查慢在哪裡,並把模型改用 priority、取消每次都經過住宅代理這兩項設定調整。搜尋時間從 30.7 秒降到 20.7 秒,example.com 的測試則從 10.3 秒降到 6.5 秒。作者也提醒,速度比較要確認任務正確率相同;有些看似更快的做法,會讓答對率下降。
推薦理由:這次實測拆出代理瀏覽器搜尋變慢的多個原因,也比較兩項設定調整前後的耗時,並提醒速度比較必須維持相同的任務正確率。
多張顯示卡一起使用、而且每張卡的 VRAM 都很大時,Linux 可能會用完分配給顯示卡資料的位址,讓資料建立或交換失敗。Intel 提出把 Linux 7.5 核心的相關範圍從 1TB 調高到最多 8TB。這項改動是為了因應多顯示卡系統:位址空間變大後,就比較不容易因為用完空間而出錯。本文也提到,這項改動可能是為 Intel Crescent Island 顯示卡做準備;該卡每張最多有 160GB LPDDR5X。
定期清理過期工作階段和權杖時,若工作中途失敗或重跑,就可能重複刪除,也難以向客服交代刪了什麼。文章建議用 cron 發出有範圍的清理工作,交給佇列逐批處理,再由 PostgreSQL 記下完成收據;工作者必須先完成資料庫交易,才確認佇列訊息已處理。Redis TTL 可以讓工作階段較快失效,但不能取代可查明清理範圍與原因的紀錄。文章也建議先只記錄候選資料並比對,再啟用刪除,並測試工作者在提交後當機時,重送是否安全。
過去,程式想從 eMondrian 查數字,通常得處理較難使用的 XMLA;這讓 Python、Node.js 和自動化工具不容易直接接上。Community 2026.11.20 起,eMondrian 也能透過 REST API 接收 MDX 或 DAX 查詢,並用 JSON 回傳表格資料。網站、筆記本或低程式碼工具因此能讀取模型裡的業務數字,例如銷售額,不必各自重寫計算方式。查詢仍會依使用者角色套用資料列許可權;API 只能讀取資料,不能修改模型或寫回資料。
App 更新分批推出時,商店頁面上的版本號和評價不一定能告訴你哪些人已經更新,也不適合拿來即時判斷要不要暫停。EveryInfra 實際查了多款 App 的商店資料,整理出公開資料能看到什麼、有哪些限制,並說明如何搭配 Apple 和 Google 的開發者 API 管理建置檔、審核狀態與發布進度。文中也比較兩邊的分階段發布方式:Apple 依固定天數增加比例,Google Play 則要自行調整。作者建議事先訂好停損規則,並用當機率和自家使用資料監控新版;公開評論較晚才出現,適合日常檢視,不能當成即時煞車訊號。
網站想修好分類頁和作者頁的網址,結果兩次修改都讓所有文章頁面打不開。原因是文章網址本來就以 /blog/ 開頭,再把分類網址的開頭也設成 blog 後,WordPress 分不清兩種網址該套用哪條規則。後來作者加了三條自訂規則,文章頁又全變成 404;逐條重新啟用檢查後,發現兩條沒問題,分類規則則根本不需要,因為 WordPress 原本就能處理分類網址。文章提醒,網址規則會互相影響,寫好一條規則不代表它不會撞到別條;出問題時,先全部撤回,再一條一條測試,並把還沒查明的原因說清楚。
替 30 到 40 個 WordPress 網站監測效能,團隊原本打算自架整套系統,但把維護時間也算進成本後,決定改用 Grafana Cloud。作者指出,自架每月約要 €110 的主機費和 €300 的維運工時;以原先估算來看,約 600 個網址設定檔、也就是 100 個網站左右,自架才可能划算。後來實作時又發現服務的檢查次數和計費方式會改變估算,重新分組後每月約 €61。文章提醒,這類比較要把自己的工時列入,也要寫明未來在哪些條件下重新評估。
自由工作者和小型工作室要顧很多客戶網站,很難隨時知道網站有沒有出問題。作者做了 SitePulse,會從歐洲和亞洲檢查網站:網站要在 10 秒內回應,若兩地連續檢查都連不上或收到錯誤,才會判定網站故障並發出提醒;使用者也能設定網頁必須出現指定文字。免費方案可監看 5 個網站,每 5 分鐘檢查一次,保留 7 天紀錄。這讓小團隊更容易掌握網站狀況,但目前還沒有 SSL 憑證到期檢查和簡訊或電話提醒,Pro 方案也尚未開放升級。
用 AI 改寫檔案時突然斷網,使用者可能不知道剛才的修改有沒有存好、AI 還會不會回覆,也不確定能不能繼續工作。好的設計要保留原文和手動修改,並清楚說明資料是否已存在裝置上、還在等著同步。若使用者已經改過同一段文字,重新連線後就該讓他用目前的文字重新要求改寫;如果收到根據舊版本產生的結果,也要標明來源,避免和新修改混在一起。這樣就算模型暫時連不上,使用者仍能自己完成工作,也知道 AI 的要求目前進行到哪裡。
程式可以在啟動前先編譯,也可以一邊執行一邊編譯;兩種方式的差別,會影響啟動速度、記憶體用量和長時間執行的效能。AOT 在程式啟動前就做好編譯,適合常常重新啟動的命令列工具、雲端函式或手機 App;JIT 會觀察程式實際怎麼跑,再為常用部分做最佳化,適合長時間運作的服務。代價是 JIT 啟動較慢,也會在執行時佔用額外資源;AOT 則需要事先知道要支援哪些平臺。文章也提醒,公平比較要同時看第一次回應要等多久,以及程式穩定執行後有多快。
突發訊息:Starlink 正協助改善巴西偏鄉醫療。🇧🇷 Penedo 的行動診所使用 Starlink,讓醫療團隊探訪偏鄉社群時能保持連線。https://t.co/EgOSExbOIb
Salesforce 整合最容易卡住的,往往不是連線方式,而是整個組織共用的每日 API 額度,還有資料一開始放錯位置。程式寫入資料時,也可能觸發其他人設定的程式;如果那些程式一次處理太多資料,整批工作就可能失敗。文章建議從一開始就把多筆資料打包處理,並先談好用什麼資料辨認同一筆紀錄。 例如,新增 5,000 筆聯絡人,一筆一筆送會用掉 5,000 次 API 呼叫;每次打包 200 筆,只要 25 次。這能省下額度,但也要先確認 Salesforce 裡原有的程式能不能一次處理這麼多資料。整合前先查清楚額度、資料安排和既有設定,才能減少上線後才發現問題、再花時間補救的機會。
Kubernetes 預計在 1.40 移除 kube-proxy 的 IPVS 模式,平臺團隊若沒先確認節點設定,升級時可能影響服務流量。IPVS 模式早在 1.35 已標示淘汰;使用 Linux 核心 5.13 或更新版本的節點,可改用 Kubernetes 1.36 起提供的 nftables 模式,較舊的節點則可改用 iptables 模式,並在設定變更後重新啟動每個節點。文章中的測試顯示,nftables 在 5k、10k 和 30k 個服務的首個封包延遲略低於 IPVS,但只測了特定情境。遷移前應確認各叢集實際使用的模式、節點核心版本,以及代管服務的設定方式。
熟悉雲端開發的人轉學 Supabase,許多基本功都能直接派上用場:像是用程式設定基礎設施、操作 PostgreSQL、管理金鑰、檢視紀錄、設定資料存取許可權,以及用 CI/CD 部署。Supabase 也提供指令和管理介面,處理資料庫、登入驗證與儲存等工作;例如,可用 supabase db push 套用資料庫變更,並用 RLS 政策限制誰能讀取資料。 文章也提醒,學 Supabase 不必從頭忘掉原本的雲端經驗,但要熟悉它自己的指令和設定方式。現有內容提到 Supabase Edge Functions,以及自動產生的 /rest/v1 和 /graphql/v1 端點;不過正文在比較手動建立資料庫與使用 Supabase 的範例中途就結束,沒有提供完整的 30 天計畫。
超級電腦跑得快,不一定代表研究者能更快得到答案;資料搬移、排隊和分析也會拖慢整個研究流程。作者根據 SC26 的案例,主張衡量從提出想法到拿到結果一天能完成幾輪,而不只看單次運算速度。文章也談到 CPU、GPU 和量子處理器如何由排程工具協調,以及網路延遲和本機小型模型對研究工作的影響。文中的硬體效能數字多來自廠商,作者提醒研究團隊應用自己的程式實測。
管理員要下載私有備份時,讓伺服器代傳檔案會增加負擔,也可能讓大型檔案拖慢服務。作者建議先確認備份存在並檢視大小,再由只有管理員能使用的路由產生短效下載連結,讓瀏覽器直接向儲存服務下載;連結本身就像通行證,持有的人在期限內都能下載,因此要記錄誰申請、檔案位置和到期時間,不能把連結寫進紀錄。文章也提醒,刪除期限要由儲存層的刪除工作落實;還原時先複製到暫存位置並確認成功,再切換使用中的資料,避免兩次還原互相覆蓋。
把現有網站搬到新的資料庫和主機,可能遇到設定衝突,也不能拿正式資料冒險。作者在獨立測試環境中,把 Sellary 接上 Prisma Postgres 和 Prisma Compute,並用測試金鑰跑完註冊、建立商品和讀取商品頁的流程。過程中,他記下 Prisma ORM 6 和 Compute 部署工具的衝突,以及建置時缺少設定值造成的問題和處理方式。商品頁延遲約 742ms、資料庫寫入約 749ms,兩者都只測量一次。作者也比較了 Prisma 的方案費用與原本每月 $0 的架構,決定讓正式服務留在原處,繼續用 Prisma 測試環境評估。
筆電螢幕在顯示暗色畫面時,可以調低背光來省電,但顏色準確度可能會受影響。AMD 替 GNOME 的 Mutter 加入配合這項功能的支援,讓系統能依畫面內容調整背光,並在下一個畫面更新時套用設定。舉例來說,畫面較暗時可降低背光,減少耗電。這項改動讓支援功能的 AMD 筆電更容易使用省電顯示功能,但調整背光也可能讓畫面顏色不那麼準確。
AI 電話助理接上真實電話後,可能答錯營業時間、讓客人以為預約成功,或在工具執行時沉默太久。作者分享自己替居家服務公司打造電話助理時遇到的問題:把營業時間交給 n8n 計算,只有確認客人聽到預約時間並回應後才寫入行事曆;工具成功才讓助理說「已預約」。他也把等待上限從 120 秒縮短到 25 秒,改用真實電話測試新版,並重播實際收到的資料,避免測試格式和正式來電不同。重複來電時,系統還會檢查並移動同一電話號碼的既有預約。
多人共用的 AI 圖片應用,若只靠檔案路徑區分學校,可能讓不同學校的圖片被讀取或刪除。這篇指南建議把原圖和縮圖分開記錄,放在私有物件儲存空間,並由伺服器檢查使用者是否有許可權,再發出短時間有效的下載連結。上傳和縮圖處理也要依資料庫裡的學校與圖片資料決定存放位置,不採用瀏覽器或工作佇列傳來的路徑。刪除時先標記狀態,再由工作程式重試清除,確認沒有檔案後才完成;定期比對資料庫與儲存空間,也能找出遺留檔案。
推測解碼不一定能讓模型在所有流量下都變快,草稿 token 太多或同時處理的請求太多,都可能抵銷加速效果。文章建議先依模型和工作負載選方法,再根據草稿 token 的接受率調整數量,並在低、中、高流量下比較開啟與關閉推測解碼的結果。評估時要看每個 token 的延遲和吞吐量,不能只看第一個 token 出現的時間。vLLM 的標準拒絕取樣在硬體數值精度範圍內不改變輸出分佈;會放寬驗證的方式則可能改變結果。