跳到正文

#部署/工程

RSS
今日 56 則
11月20日週五
  1. AWS Machine Learning Blog58

    PolyAI Dialog-RSN-1 登上 Amazon SageMaker JumpStart,可部署到自己的 AWS 帳戶

    處理即時客服電話時,模型要聽懂來電者的話,也得及時回答。PolyAI 的 Dialog-RSN-1 現在可透過 AWS Marketplace 或 Amazon SageMaker JumpStart 部署到自己的 AWS 帳戶,直接聽取電話音訊並即時回應,不必先轉成文字再交給另一個模型處理。部署後,通話音訊和逐字稿留在使用者控制的環境中;團隊也能依需求選擇偏重回應速度、處理量、成本或平衡的設定檔。模型目前只支援英文,連線最長為 30 分鐘。

  2. AWS Machine Learning Blog80

    Amazon SageMaker AI 推出跨區域推論路由,區域容量不足時自動轉送請求

    某個 AWS 區域的 GPU 容量不夠時,模型請求可能逾時,即使其他區域還有空間也用不上。Amazon SageMaker AI 推出跨區域推論路由,讓應用程式透過同一個入口呼叫已經部署在不同區域或帳號的端點;本地端點狀況不佳時,路由器會把新請求送到其他可用端點,恢復後再逐步切回。端點擁有者也能設定跨區流量上限,避免外地請求擠壓本地服務。這項功能不支援串流回應,路由器本身不另收費,端點和 CloudWatch 指標仍依標準費率計費。

    推薦理由:SageMaker AI 會依端點健康狀態把新請求轉往其他區域,並在恢復後逐步切回;文中也說明重試條件與跨區流量上限。

  3. OpenAI News82

    OpenAI 如何用 Performance Factory 找出並修復 ChatGPT 效能變慢

    ChatGPT 變慢時,工程師得檢視指標、紀錄和程式碼,找出原因再修復,過程既花時間,也需要熟悉服務。OpenAI 建立了 Performance Factory,讓 AI 助理在效能警報響起後接手調查、記錄發現並提出修正,再由工程師審核和部署;部署後,另一個 AI 助理會確認效能是否恢復。若判斷原因有疑點,另一個 AI 助理也會嘗試推翻原本的診斷。OpenAI 表示,這套流程運作剛超過 3 個月,追蹤了 1,700 多次調查,找出超過 600 起問題的根本原因。修正是否合適仍由工程師把關。

    推薦理由:OpenAI 說明效能警報如何一路交給 AI 助理調查、提修正,再由工程師審核部署,並在部署後確認是否恢復。

  4. Dev.to Top Tech60

    Zambo 實例示範如何確認 AI 助理照指示完成工作

    AI 助理說「完成了」,光看聊天紀錄很難知道它到底做了哪些事,也無法確認紀錄事後有沒有被改過。作者用 Zambo 跑了一個檢查網域與提示詞的任務,讓每個執行步驟各自留下收據,再把指示、步驟和收據包在同一份紀錄裡。作者改動收據中的一個數字後重新計算 SHA-256,結果和原本的雜湊值不同,顯示資料已變更。不過,收據只能證明儲存的結果沒有被事後改動,不能證明工具判斷本身正確;部分簽章與鏈結檢查也沒有執行。

  5. Dev.to Top Tech48

    Nettrux 如何用功能開關告訴 AI 助理哪些貨運服務目前不能用

    AI 助理看見網站寫著可以付款訂貨,可能就以為真的能下單;貨運要是判斷錯,卡車可能根本不會出現。Nettrux 在給 AI 助理看的指南開頭,直接列出哪些功能已開、哪些還沒開,並說明只有設定值剛好是 true 才代表啟用。目前付款結帳、公開查詢可付款服務,以及訪客結帳這三項都關著,指南也提醒 AI 助理不要呼叫訪客路線。 有帳號的 AI 助理仍可查運費、鎖定報價,再依指南送出訂單;但「測試時曾成功收款」不等於現在能用真錢完成交易。這種清楚標示功能狀態的做法,能讓 AI 助理知道自己可以做到哪一步,也避免把尚未完成的訂單說成已付款、已預訂。

  6. Dev.to Top Tech45

    StubDeck 如何讓多人共用 WireMock 時更容易管理模擬回應

    一個人用 WireMock 時,直接改 JSON 檔通常就夠了;但多人共用同一個環境後,模擬回應可能互相撞在一起,也容易搞不清楚誰改了設定、變更有沒有存進硬碟。StubDeck 是套在現有 WireMock 外面的管理工具,可以把指向相同網址的設定放在一起檢查,並記錄修改者、變更內容和時間。有人留下尚未存檔的修改時,其他人不能悄悄覆蓋或刪掉同一筆設定。這讓團隊更容易看懂目前狀態,也少一點改錯或重開服務後發現資料不見的麻煩。

  7. Dev.to Top Tech56

    如何設計更耐用的自動化流程,讓 AI 助理管線妥善處理失敗

    自動化流程上線後,第三方 API 逾時、遇到流量限制或資料庫斷線,都可能讓資料只更新一半。文章建議,暫時性錯誤可以先等一段時間再重試,而且每次等待時間逐步拉長;資料格式錯誤等無法靠重試解決的問題,則送到專門的錯誤佇列或資料表,通知相關人員處理。重試也可能造成重複新增資料或重複扣款,因此可用交易編號檢查資料是否已存在,再決定是否建立或更新。

  8. MarkTechPost78

    Perplexity 推出 Orchestrator API,讓模型故障時自動切換供應商

    團隊接入多家模型時,常得管理不同 API;供應商出錯時,也可能讓請求失敗。Perplexity 推出 Orchestrator API,讓開發者用一個入口呼叫多家公司的模型,遇到供應商錯誤、限流或逾時時,會改由另一個部署提供相同模型。每次請求仍按實際回答的模型費率計費,失敗且未產生輸出的請求不收費。另一項 perplexity/auto 路由功能還在預覽,會依對話內容和開發者寫的路由說明選擇模型;文中測試也顯示,加入路由後,Claude Fable 5.2 在 63 項 Terminal-Bench 4.1 任務中的完成數從 38 項增加到 41 項,但每項任務的估計成本較高。

    推薦理由:Perplexity Orchestrator 把多家模型與供應商放在同一個 API 入口,文章也比較了故障切換、路由方式與收費差異。

  9. MarkTechPost52

    13 種 AI 助理閘道比較:Kong、Bifrost、AgentCore 等工具怎麼選

    AI 助理除了呼叫模型,也可能使用工具或交辦工作給其他 AI 助理;團隊因此需要管理它們能呼叫什麼、代表誰執行,以及流量要經過哪裡。這篇文章比較 13 種閘道工具的模型、MCP 工具和 A2A 支援情況,也整理身分許可權、部署方式與價格。Kong、Bifrost、Gravitee 和 Prisma AIRS 都原生涵蓋這三種流量;其他產品的 A2A 支援則可能有限,或仍在預覽階段。文章建議先確認 AI 助理會用哪些工具、是否要交辦工作,再檢查許可權管理和部署需求。

  10. Dev.to Top Tech73

    作者分享租用 GPU 微調語言模型,如何減少浪費與訓練成本

    租用 GPU 按整臺機器的使用時間收費,資料沒整理好或流程出錯,都可能讓訓練花很多錢。作者用 Crimean Tatar 語言模型的實際經驗說明,短對話若補到固定長度,GPU 會花大量時間計算空白內容;把對話裝進較密實的區塊後,有效運算比例從 5% 提高到 99%,原本估計第二階段要花 $331 到 $413,後來降到 $14 到 $17。他也建議先在家完整演練流程、確認雲端機器真的租得到,並把儲存、設定和故障處理時間算進總費用。

  11. Dev.to Top Tech48

    Day 87:Ansible 的 yum 實際上會用 dnf,Azure 的 Jetware 發行者名稱也不一樣

    Ansible 工作簿寫著用 yum 安裝套件,實際執行的卻是 dnf;因為 yum 會轉到 dnf,這份工作簿仍能在 CentOS Stream 9 上正常運作,但若要讓同一份內容也適用於 Debian,就該用 package。另一個名稱陷阱出現在 Azure:題目說映像檔由 Jetware 發布,實際的發行者名稱卻是 jetware-srl,得搜尋名稱片段才找得到。 這次也把 MySQL 裝在一臺 VM、PHP 放在另一臺,確認網路規則、MySQL 帳號和連線設定都允許連線。不過,範例讓資料透過公開網路傳送,帳密也可能以明文傳輸;實際環境應改用私人網路和加密連線。另一次 Azure 許可權錯誤只表示無法讀取授權條款,不代表條款尚未接受:直接嘗試建立 VM 後才確認,該訂閱早已接受條款。

  12. llama.cpp Releases39

    llama.cpp b12550 加入後端排程壓力測試

    llama.cpp b12550 加入一批測試,檢查模型運算工作交給不同硬體後,排程能不能照預期運作。測試會反覆嘗試不同工作組合,也加入短暫等待的操作,幫忙找出排程錯誤;其中一項測試也確認了修補方式能處理特定問題。這些改動能讓開發者更容易抓到 CPU、GPU 等不同後端的相容問題,減少測試漏掉錯誤的機會。

  13. aihot65

    OpenAI 說明 Codex 如何自動排查 ChatGPT 效能退步

    ChatGPT 效能退步時,團隊需要找出是哪裡出了問題。OpenAI 分享一套由 Codex 在雲端自動調查並修復效能退步的流程。文中提到,這套流程在三個多月內追查超過 1,700 次,找出超過 600 個根本原因,平均每天約調查 17 次。這些數字呈現了 OpenAI 如何持續追查 ChatGPT 的效能問題。

    推薦理由:OpenAI 分享 Codex 如何自動追查 ChatGPT 的效能退步,並以三個多月的調查數字呈現這套做法的實際規模。

  14. Dev.to Top Tech54

    Python 教學:替客戶網域切換預留名額,保留回復空間

    客戶切換網域時,舊網址可能還得保留一段時間,方便檢查新網址或在出錯時切回;若網域名額已滿,切換就可能卡住。作者用 Python 和 SQLite 示範,如何在建立新網域前先保留名額,並把名額更新和網域紀錄放在同一筆交易裡,避免兩筆同時送出的申請超過上限。範例設定一般可用 2 個網域,切換時暫加 1 個名額;這只是示範值。作者也說明,應定期比對 DNS 服務商的網域清單與自家客戶紀錄,並在確認切換完成後明確釋出舊網域名額。

  15. solidot75

    IEA 預估資料中心碳排到 2030 年將增加 70%

    資料中心用電快速增加,也讓供電來源和碳排成為能源規劃的難題。IEA 預估,到 2030 年資料中心用電量將是目前的兩倍,AI 資料中心每年還會多用 350 TWh 電力,超過英國一整年的用電量。報告也指出,中國 AI 資料中心所需電力約半數將來自燃煤發電;美國資料中心約 60% 的電力則將由天然氣供應。隨著化石燃料發電需求增加,IEA 預估資料中心碳排到 2030 年將增加 70%。

    推薦理由:IEA 把資料中心用電與各地供電來源放在一起看,呈現 AI 用電成長如何牽動碳排,並比較中國與美國的能源結構。

  16. The New Stack49

    AI 工作負載該跑在哪裡?答案通常是資料放在哪裡

    AI 工作常要反覆讀取大量資料,把資料搬到有 GPU 的地方,可能增加傳輸費用,也讓工作變慢。文章舉例,若以每 GB $0.02 計算,搬一次 300 TB 資料就要 $6,000;這只是試算,實際費用會依搬運方式而變。與其每次搬資料,不如讓工作跑到資料所在的地方,再一起比較運算、搬資料、儲存和排隊的總成本,也要確認地點符合資料規定、裝置和軟體能支援工作。沒有一種地方適合所有工作:有些工作適合在雲端處理,有些留在公司自己的裝置附近更划算。資料位置或價格改變時,也要重新評估。

  17. AWS Machine Learning Blog75

    Amazon SageMaker HyperPod 推出訓練問題診斷與監控功能

    大型模型分散在許多 GPU 上訓練時,只要一張 GPU 或網路出問題,整個工作就可能變慢,找出原因也得翻查多套監控工具。Amazon SageMaker HyperPod 新增監控與診斷功能,會比較同一訓練工作中的 GPU 使用率、溫度和耗電等狀況,找出和其他 GPU 不同的裝置,也會標示硬體錯誤、網路變慢、過熱或降速等問題,並列出受影響的工作與裝置。功能支援 EKS 和 Slurm,可將資料送到 CloudWatch 或 Prometheus;進階指標可自行開啟,但會增加資料量與相關費用。

    推薦理由:新功能把 GPU、網路和主機的狀況放在同一處檢查,並標出異常裝置與可能原因,呈現大型訓練排查問題的做法。

  18. Dev.to Top Tech63

    如何檢查 Ollama 的上下文長度是否會塞爆 GPU 記憶體

    模型放得進 GPU 記憶體,不代表長提示詞也能順利跑完。作者示範如何檢查 Ollama 實際分配的上下文長度,以及模型有多少在 GPU、多少改由 CPU 處理,再用短提示詞、常見工作和較長任務各測一次,記下用量與時間。像 30,000 個 token 的提示詞,就比 3,000 個 token 更吃記憶體、也可能更慢。測量後可判斷是否該縮短上下文、改用檢索找出需要的資料,或比較其他量化方式與模型;若要確認長上下文是否真的有幫助,還要測試答案能否找出提示詞前段的關鍵資訊。

  19. Dev.to Top Tech42

    AWS Secrets Manager 和 Parameter Store:把密碼和設定從程式碼中移開

    把資料庫密碼寫程序式碼,或放進公開的程式碼資料夾,可能讓別人看見。AWS Secrets Manager 可以存放資料庫帳密和 API 金鑰,也能用 AWS KMS 加密並自動更換密碼;Parameter Store 則能用像資料夾一樣的路徑整理設定和機密資料。比方說,資料庫主機名稱可以放在 Parameter Store,密碼則用 SecureString 加密。程式執行時再透過 API 取用,並用 IAM 限制它只能讀需要的資料;這樣能減少機密外洩的機會。

  20. Dev.to Top Tech76

    如何用 llama.cpp 加速 Qwen3.8-27B:NVIDIA 草稿模型可能不如內建 MTP

    在 24 GB 顯示卡上跑 Qwen3.8-27B,加入草稿模型不一定會更快,還可能因為佔用太多顯示記憶體而變慢。作者實測並整理模型卡與 llama.cpp、vLLM 的說明,教人比較 NVIDIA 的 4B 草稿模型和模型內建的 MTP。以文中的估算來看,Q4_K_M 量化後,兩個模型光是權重就要 20.16 GB,還沒算上下文等額外用量;短回答、容易猜錯的內容,也可能讓草稿模型得不償失。作者建議用自己的常見提示詞,分別測試兩種方法和不使用草稿模型時的生成速度,再選較快的設定。

    推薦理由:文章把接受長度、草稿模型耗用的顯示記憶體與回復檢查點成本放在一起比較,說明為何 4B 草稿模型在單張消費級 GPU 上未必勝過內建 MTP。

  21. Dev.to Top Tech58

    Aimeos 示範 Laravel 電商如何從雲端主機走向雲原生

    電商網站就算放在雲端主機上,仍可能把檔案和購物車資料留在單一伺服器;伺服器故障或流量變大時,網站就可能中斷。Aimeos 作者以 Laravel 商店為例,說明如何讓多臺伺服器共用 Redis 和物件儲存,並把寄信、匯入等工作交給可獨立運作的背景工作容器。文章也提醒,資料庫仍可能成為瓶頸,雲原生架構需要團隊管理更多服務;文末附有檢查清單,可用來評估自己的商店是否做好準備。

  22. Dev.to Top Tech48

    生成圖片的下載連結過期了怎麼辦?用私有儲存和 AI 助理以外的後端檢查保護客戶資料

    客服系統常會把圖片下載連結存起來,等連結過期後,畫面就載不出圖片;但圖片可能還好好地留在儲存空間。做法是把圖片的固定位置和暫時通行的連結分開儲存:後端先確認使用者有權看這筆資料,再檢查圖片是否存在,最後重新發一個短效連結。像客服人員回來檢視舊快照時,系統可以換一個新連結,不必再做一張圖片。這樣能保護不同客戶的資料,也避免把私人圖片變成公開圖片;換儲存服務時,則把供應商相關設定集中在一小段程式裡,日後比較容易搬家。

  23. Dev.to Top Tech62

    Nodus 教你估算 LLM 訓練要花多少 GPU 時間與費用

    訓練大型語言模型要花多少錢,常得先估計資料量、GPU 效能和實際使用率。這篇文章把估算公式寫成簡短的 Python 函式,並用 8B 模型、20B tokens 和 8 張 H100 示範:假設 GPU 使用率是 30%,訓練約需 899 GPU 小時,費用約 $2,336.82。資料量加倍,費用也會加倍;使用率從 25% 提高到 50%,費用則會減半。文章也比較幾種 GPU 的估算費用,並說明 Nodus 可設定支出上限,工作達到上限時會先儲存進度並暫停。估算仍受實際使用率影響,作者建議先短跑測量再決定。

  24. Dev.to Top Tech47

    AnswerReel 如何處理跨時區的非同步面試期限

    非同步面試不用和麵試官同時線上上,但跨時區時,面試連結的截止時間可能和邀請信寫的不一樣;網路太慢,也可能讓準時開始上傳的影片被誤判逾時。AnswerReel 會從邀請信成功寄出時開始計算期限,並在信中和招募者頁面都標示 UTC 時間。若候選人在截止前已開始上傳或還有面試題目沒答完,系統會多給 1 小時完成。招募者也能延長期限或提早關閉職缺。等期限過後再一起檢視所有人的回答,較能避免誰先收到邀請、誰就先被評分的情況。

  25. Dev.to Top Tech68

    NestJS 平臺 API 停擺 56 分鐘,作者找出資料庫連線池卡死原因

    平臺首頁和登入頁曾停擺 56 分鐘,請求一直等不到回應,監控也沒有報錯。原因是購買交易還佔著一條資料庫連線,程式又透過另一個資料庫存取方式讀設定;同時有 10 筆以上購買時,連線池的 10 條連線全被佔住,新的請求只能一直等。作者把設定讀取移到交易開始前,並加上連線等待逾時,讓連線耗盡時能明確報錯;健康檢查也改成實際測試資料庫連線。文章整理的經驗是,交易中應沿用同一條連線,並確認程式實際使用的連線池設定。

  26. Dev.to Top Tech48

    遊戲平臺如何檢查工作室寄信網域的 SPF、DKIM 設定是否走樣

    遊戲平臺替工作室開通寄信網域時,光是看到 DNS 紀錄寫入成功,不能代表設定正確,也不代表已經能安全寄信。做法是先確認工作室擁有該網域,再比對公開的 DNS 紀錄和預期設定,並分別檢查 SPF、DKIM 是否通過且符合寄件地址的網域;DMARC 則要有預期的政策。像郵件被轉寄後,SPF 可能失效,因此還要確認 DKIM 簽章是否仍有效。把這些檢查和設定版本一起記錄,才能避免舊檢查結果替新設定放行。

  27. solidot74

    歐盟委員會如何把 Matrix 部署給逾 4 萬名員工

    大型機構要替大量員工部署通訊工具,得先確認它能不能符合需求。歐盟委員會在 2025 年 12 月完成概念驗證,確認 Matrix 通訊協定和 Element 使用者端符合需求;到了 2026 年 9 月,委員會把自行營運的 Matrix 工具部署到每臺筆記型電腦,提供逾 4 萬名使用者使用。開發 Element 的公司分享了這次匯入經驗。

    推薦理由:歐盟委員會先完成概念驗證,再把 Matrix 工具部署到每臺筆電,提供大型公部門匯入通訊系統的實際案例。

  28. Dev.to Top Tech78

    AWS、Azure、GCP 和 OCI 如何查出共用 NAT Gateway 的流量來自哪些團隊

    多個團隊共用 NAT Gateway 時,帳單通常只列出網路帳戶的費用,很難看出流量是誰用的。文章比較 AWS、Azure、GCP 和 OCI 的做法:AWS 可用 Networking Flexible Cost Allocation,將 NAT Gateway 的流量費用拆到來源資源,方便檢視各團隊用了多少;原本負責付款的帳戶仍支付全部費用,帳單不會自動轉給各團隊。其他雲端服務則可搭配標籤或流量紀錄整理用量,通常還要自行彙整。文章也整理了 AWS 設定生效時間、報表需求和無法拆分的流量範圍,幫助團隊選擇合適的分攤方式。

    推薦理由:AWS 新增的拆分方式保留原有付款帳戶,並把流量用量對應到來源資源;文中也比較了四家雲端服務的分攤做法與限制。

  29. Dev.to Top Tech61

    如何用有上限的工作池避免 Promise.all 同時發出太多請求

    用 Promise.all 一次處理大量工作,可能讓外部服務和資料庫同時收到太多請求,造成限流、連線逾時;其中一項失敗時,其他工作也不會自動停止。作者用 200 個模擬請求比較做法:無上限的 Promise.all 在約 52 毫秒後因 HTTP 429 失敗;限制同時處理 10 項的工作池則在 1,045 毫秒內完成全部工作。工作池會在每項工作完成後接著處理下一項,避免固定分批時因一項慢工作讓其他空位閒著。文章也提供 TypeScript 範例,適合需要處理大量資料庫工作或外部 API 請求時參考。

  30. Dev.to Top Tech66

    AWS、Azure、GCP 和 OCI 如何拆分共用 NAT Gateway 費用

    多個團隊共用 NAT Gateway 對外連線時,雲端帳單通常只顯示閘道的總費用,難以看出各團隊用了多少。作者整理 AWS、Azure、GCP 和 OCI 的做法:AWS 從 11 月 16 日起可在帳單明細中,按流量來源拆分共用 NAT Gateway 的資料處理與傳輸費用;Azure、GCP 和 OCI 則要靠標籤、流量指標或流量紀錄,再自行彙整。AWS 的新明細不會改變誰支付帳單,費用仍由 NAT 所屬帳戶負擔,而且只涵蓋特定流量。

  31. Dev.to Top Tech46

    自行架設工具的價值:少點廣告和推銷,資料與使用權也更能自己掌握

    SaaS 工具可能突然限制某些地區使用,還會跳出廣告或推銷;自己架設工具,就能少受這些打擾,也比較能掌握資料放在哪裡、由誰決定怎麼使用。像 GitLab、Sentry、Hopscotch、Portainer 和本機大型語言模型,都能留在公司內部使用,讓個人資料留在自己選定的地方。不過,自己架設也得負責更新、備份和修補安全問題,遇上故障時還得自己處理。它不能消除所有風險,但能讓使用工具和保管資料的決定更靠近自己。

  32. The New Stack59

    Amazon ECS 如何處理藍綠、金絲雀與線性部署

    新版服務出問題時,若大量流量已經切過去,逐步更新可能要重新啟動舊版工作,回復較慢。文章解說 Amazon ECS 的部署方式:藍綠部署讓新舊版本同時運作,出錯時可把流量切回舊版;金絲雀部署先讓少量流量使用新版,再分兩步切換;線性部署則按設定逐步增加新版流量。ECS 也能用 CloudWatch 警示、部署故障偵測和生命週期檢查來中止或回復更新。藍綠、金絲雀和線性部署在更新期間會多佔運算容量,適合依回復速度、流量風險和成本需求選擇。

  33. AWS Machine Learning Blog72

    AWS 示範如何在 Amazon EKS 上讓多個工作負載共用 NVIDIA GPU

    GPU 記憶體還有空間時,使用者仍可能因為每個工作負載都得獨佔一張 GPU 而排隊。這篇教學示範如何在 Amazon EKS 安裝 NVIDIA Run:ai GPU Fractioning,讓兩個工作負載共用一張 NVIDIA A10G,並各自設定 8 GiB 記憶體上限。實測中,兩個工作負載都在同一張 GPU 上成功使用 6 GiB;另一個嘗試使用 9 GiB 的工作負載則收到記憶體不足錯誤。這能幫忙確認記憶體限制是否生效,但不代表運算速度會提升,也不能取代隔離與效能測試。

    推薦理由:文章用實測說明兩個工作負載如何共用一張 A10G,並交代記憶體上限、監控方式與正式部署前需要留意的隔離和效能條件。

  34. Dev.to Top Tech40

    TimescaleDB 和 ClickHouse 怎麼選?比較即時寫入、壓縮和查詢速度

    存大量時間資料時,常得在「寫入和查詢要快」與「修改資料、和其他資料表一起查要方便」之間取捨。這篇比較 TimescaleDB 和 ClickHouse:測試中,ClickHouse 每秒寫入約 4.7M 筆資料,查詢近 30 天資料約 44 毫秒;TimescaleDB 寫入約 1.14M 筆,查詢約 412 毫秒,但更新最新狀態只要 6.8 毫秒,而 ClickHouse 約要 260 毫秒。 如果資料大多隻新增、不太修改,而且常要做大量統計,ClickHouse 會比較合適;如果常需要更新資料、和其他業務資料表一起查,TimescaleDB 比較方便。文章也提醒,ClickHouse 一次塞進太多小批資料可能讓寫入停擺;TimescaleDB 若修改已壓縮的資料,也可能卡住,所以選擇時要看資料平常怎麼寫入和修改。

  35. Dev.to Top Tech44

    舊系統不用整個重寫:一步步改善的工程指南

    公司常會遇到舊軟體越來越難維護的問題:加個功能要花更多時間,系統也可能變慢,但整套重寫又很花錢,還可能讓原本能用的功能出問題。這篇指南建議先找出最需要改善的部分,再分階段更新,讓舊系統在新功能接手前繼續運作。 例如,一套系統把客戶資料、帳單和報表都放在一起,可以先把較容易分開的報表功能搬到新服務,並讓報表請求改走新服務,其他工作仍由舊系統處理。逐步更新時,也要先了解資料和業務規則、用自動化測試確認功能沒有走樣。這樣能降低一次大改的風險,讓團隊在不打斷日常營運的情況下改善系統。

  36. Dev.to Top Tech43

    TikTok 未審核的 App 不能公開發文,規劃自動發布前要先想清楚

    Anton 已經把一篇文字貼文送到多個平臺,紀錄上有 2,400 次刊登、642 篇貼文;但他的工具還沒處理過影片,TikTok、Instagram 和 YouTube 都是零筆紀錄。TikTok 特別難自動發布:沒通過 Content Posting API 審核的 App,只能把影片發到私人帳號,或送進創作者收件匣當草稿,等本人按下通知才會公開。也就是說,在通過審核前,TikTok 還是需要人親自完成最後一步。做影片時也不能只準備一個檔案,因為各平臺的大小限制不同;而他用來統計刊登次數的工具也漏算了 dev.to。

11月19日週四
  1. Dev.to Top Tech43

    一個排程錯誤讓例行工作一天跑 4 次,吃掉四分之一的 token

    想知道 token 都花在哪裡,作者用現有的工具查出:這臺電腦今天用了 442.7M tokens,其中 43% 花在沒人在操作的背景工作。一個例行工作一天跑了 4 次,總共用了 113.8M tokens,約佔四分之一;問題是它重複執行,不是每次跑得特別耗。 不過,最大的用量其實來自工作階段反覆讀取舊內容。工具指出,這臺電腦過去 24 小時有 12,534M tokens 用在重讀內容,並建議把工作階段拆開、常整理內容。現有工具能查單臺電腦,還不能統計多臺電腦;7 個儀錶板中有 6 個已經停更。要做出真正能持續更新的全機器總覽,還得先把每臺電腦和各工作階段的用量記清楚。

  2. Dev.to Top Tech46

    WordPress 網站遇上大量安全更新時,怎麼分批修補才不會弄壞網站

    WordPress 網站同時收到一堆安全更新時,忙著一次全部安裝,出問題就很難找出是哪個更新造成的。文章建議先排急迫順序:已被攻擊、能從網路直接利用的漏洞要當天修;風險較小的更新等例行維護時再處理;外觀或功能更新則先別混在一起。更新前先備份,並確認真的能還原,再用測試網站先試,正式網站也分小批更新。像一次更新 12 個外掛,壞掉時就得從 12 個嫌疑犯裡查起。更新後要檢查登入、表單和付款等重要功能,記下誰在何時做了什麼;這樣比較容易找出問題,也能清楚告訴客戶修了哪些地方。

  3. Dev.to Top Tech65

    作者分享如何用 okd-pve 在 Proxmox VE 安裝 OKD

    想把 OKD 從 vSphere 搬到 Proxmox VE,會遇到沒有現成安裝工具能自動建立虛擬機器並完成叢集安裝的問題。作者公開了 okd-pve,用命令列工具串接 OKD 的安裝程式與 OpenTofu,從檢查環境、建立虛擬機器到確認叢集狀態都能一起處理;中斷後再次執行,也能接著完成。文章還分享了映像檔來源設定可能讓安裝卡住、基礎架構節點需要額外設定,以及 Proxmox CSI 儲存外掛要有自己的 API 權杖和防火牆通道等排錯經驗。這套工具目前有支援範圍限制,例如不支援自動擴充節點與離線安裝。