XRPL 教學:如何選擇公開伺服器並讀取 XRP Ledger 資料
開發 XRP Ledger 應用程式時,常得先找能連線的伺服器,也要分清主網、測試網和開發網各適合做什麼。作者整理了這三種網路的公開 RPC 伺服器,並示範用指令讀取帳戶資料、透過 WebSocket 追蹤新帳本,以及申請 Testnet 測試幣。文章也提醒,有些伺服器會限制請求次數,公開伺服器可能隨時停止服務;帳戶金鑰要妥善保管,忙碌的正式應用可考慮付費服務或自行架設伺服器。
開發 XRP Ledger 應用程式時,常得先找能連線的伺服器,也要分清主網、測試網和開發網各適合做什麼。作者整理了這三種網路的公開 RPC 伺服器,並示範用指令讀取帳戶資料、透過 WebSocket 追蹤新帳本,以及申請 Testnet 測試幣。文章也提醒,有些伺服器會限制請求次數,公開伺服器可能隨時停止服務;帳戶金鑰要妥善保管,忙碌的正式應用可考慮付費服務或自行架設伺服器。
找工作、刊登職缺或整理求職資料,常得在不同網站和工具間來回處理。OpenJob 把職缺資料和操作說明放在公開資料庫,讓你用平常的 AI 助理貼上提示詞,就能請它找最近 60 天刊登的職缺、草擬職缺貼文,或把履歷整理成人才檔案。找工作時,助理要附上僱主自己的申請連結,不能代替你投履歷;刊登職缺會透過 GitHub 提出修改;人才檔案公開前則要先讓你確認,且不能放電子郵件或電話。資料庫由作者維護,檔案會在指定期限後失效。
推薦理由:英國隱語填字的規則讓一格錯誤就失去完美解答,這套系統在決賽遇上服務變慢時,也靠備援路徑補上部分答案。
llama.cpp 的這次更新加入一種 SYCL 運算核心,能把 gated_delta_net 的工作分成區塊處理。更新頁也列出 macOS、iOS、Linux、Android、Windows 和 openEuler 等平臺的建置專案,涵蓋 CPU、GPU 與 NPU 等不同硬體環境;部分專案標示為停用。這讓使用者能看出更新支援哪些平臺與運算方式,但頁面沒有進一步說明這項新核心的效能差異。
AI 助理呼叫付款或訂位工具後,如果回應在傳送途中遺失,就無法知道事情到底有沒有完成;直接重試可能讓同一筆操作做兩次。Zambo 的做法是先記下操作編號和預期結果,再讓重試取回已記錄的結果,不重新執行。文章展示兩份測試紀錄:一份前後效果數量都是 1;另一份雖然成功取回資料,但沒有儲存回應內容,也沒比較重試前後的效果數量,因此還不能證明重試不會重做。作者建議檢查實際效果數量,並留下完整回應紀錄。
AI 助理說「訂好了」,不代表訂位系統真的完成預約;它可能根本沒送出請求,也可能遇到失敗,或訂到不同條件。作者建議檢視執行系統留下的收據,確認是哪個工具在什麼時間執行,以及系統實際回傳了什麼,再重新計算摘要值,檢查紀錄有沒有被改過。文章也把結果分成已驗證、驗證失敗、無法查閱、尚未檢查和沒有紀錄五種狀態,提醒「尚未檢查」不等於已確認,「沒有紀錄」也不能直接當成預約失敗。
有些自動整理資料的工作會開瀏覽器讀網頁,但網站只要改了版面,程式就可能抓不到資料,還會吃掉 n8n 容器的記憶體。作者建議先找網站已提供的 JSON 或 RSS,再用 HTTP 讀取:監控 Shopify 商品時,用不會隨名稱改變的款式 ID 比對;追蹤求職網站時,把「目前沒有職缺」和「查詢失敗」分開,避免誤報職缺關閉或重新開放。Substack 舊文章和 Podcast 逐字稿也可能直接從網站資料或 RSS 找到,不必先開瀏覽器或下載音訊轉文字。這樣能減少故障,也比較不會把查詢失敗當成空資料。
AI 助理讓新人更快寫出程式修改,但每個提案仍要有人檢查,決定哪些值得採用。Angie Jones 曾讓 Block 的 10 位新人在陌生程式碼中使用 AI 助理解決客戶問題;她也分享 Goose 的做法:先討論問題和設計,再動手改程式,維護者也會用 AI 助理整理問題、檢查程式碼和做安全掃描。 Jones 認為,開發者除了學會使用 AI 助理,也要懂得怎麼打造可靠的 AI 助理,例如限制它能做什麼、能讀取哪些客戶資料。像 MCP 和 A2A 這類共同標準,能讓開發者在工具改變時仍有基礎可依循;而新人熟悉怎麼讓 AI 助理開始工作,資深工程師則能協助判斷哪些修改適合推出。
想在自己的電腦跑模型、在寫程式時用 AI 助理,或動手做 LLM 專案,可以從這份 GitHub 清單找工具。像 Ollama 能用一個指令下載並執行模型,Cline 能在 VS Code 裡讀取專案、修改檔案和執行指令;LiteLLM 則提供一個 API 連線 100 多種模型。清單也收錄 ComfyUI 這類圖片與影片生成工具,以及學習系統設計和動手做專案的教材,方便依照自己的需求挑選。
Roam 把 AI 助理的工作紀錄存進 Git,方便作者在不同電腦間接續工作,但一次同步檢查發現,儲存庫竟然膨脹到 22 GB。原因是每次新增訊息,舊紀錄標題的總數也會跟著改,Git 因此一再儲存大量變動內容。作者改用不會變動的訊息標題,並把每次新增的紀錄放進新檔案,讓舊檔不必重寫;同步失敗時,Roam 現在也會回報錯誤。搜尋功能也曾因小字串保留整份大檔案而佔用過多記憶體,作者調整讀取方式後,4.8 GB 的歷史資料搜尋速度從 47 秒降到約 5 秒內。
AI 助理能很快寫出第一版程式,但不同次產出的程式可能不一樣,也未必符合組織的開發標準,後續維護和交接就成了難題。Dongbum Lee 把解法稱為 SDLC Harness:先把組織的標準放進開發流程,再用檢查關卡確認每個階段都有照著做;工程師和 AI 助理累積的經驗,也會留下來供後續工作參考。這套開源工具涵蓋從需求到回顧的十個階段,若檢查未通過,工作會退回修正再檢查。作者認為,讓 AI 寫程式更容易融入組織,關鍵在於準備好自己的標準和流程。
只定期匯出 MongoDB 資料,會漏掉後來的新增、修改和刪除,讓 Snowflake 裡的資料跟不上。作者實際示範用開源工具 OLake Go 讀取 MongoDB 的 Change Streams,再把資料寫成 Iceberg 表格,供 Snowflake 查詢,也能讓 DuckDB 和 Spark 讀取同一批檔案。範例先複製 48 筆資料,再同步 12 筆變更;作者也提醒,兩次同步不能隔得比 MongoDB 保留變更紀錄的時間更久,否則就得重新複製資料。
重複的開發工作如果只靠口頭交代,容易漏掉步驟,也可能讓不同 AI 助理各自用不同方式處理。Yonto Player 的程式庫把這些工作寫成 Markdown 檔,內容包含何時使用、要做哪些步驟,以及每一步的指令;人也能直接閱讀照做。較長的細節放在參考資料夾,相關工作流程則互相引用,避免規則散落重複。作者也分享了問題修正、品質檢查和開啟 PR 等例子,讓團隊能把日常做法整理成容易維護的工作指南。
有些自架軟體需要 PostgreSQL,使用者得先安裝並維持資料庫伺服器運作,試用起來不太方便。作者做出 miniPG,把完整的 PostgreSQL 伺服器和使用者端包進單一執行檔;指定一個資料夾就能建立資料庫、執行查詢,也能讓需要 PostgreSQL 伺服器的軟體使用它。程式結束後不必另外關閉資料庫服務,資料仍留在磁碟上。miniPG 適合本機、單人使用;若要在雲端服務多人或使用複本,作者建議照一般方式部署 PostgreSQL。
推薦理由:miniPG 把需要啟動伺服器的 PostgreSQL 用法收進單一執行檔,文中也交代它適合本機單人使用的範圍。
經營 SaaS 時,每位客戶的資料要怎麼分開,是常見的架構選擇。這篇教學說明 Laravel 的「每個租戶使用一個資料庫」做法:主網域上的中央資料庫存租戶清單、網域和全站設定;客戶進入自己的子網域後,系統會依網域切換到該租戶的資料庫。文章也提醒,快取、檔案和背景工作都要記住所屬租戶,避免資料混在一起。這種做法方便分開備份或搬移客戶資料,但需要管理更多資料庫;客戶規模較小時,共用資料庫並用 tenant_id 區分也可能更簡單。
呼叫 AWS 服務的程式,常得部署到真實環境才能確認結果;AWS Emulator 可讓你先在自己的電腦或 CI 裡測試。把 AWS CLI 或 SDK 指向本機端點,就能檢查程式是否讀到 S3 檔案,或在 SQS 訊息重送時只留下預期的一筆資料。文章也提醒,模擬器支援程度會因操作而異,建立資源成功不代表背後的服務真的能運作;許可權、託管觸發和正式環境負載仍要用真實 AWS 驗證。
Linux 核心的小改動有時也會讓效能變差,光檢查程式碼問題可能抓不到。Google 開發的開源工具 Sashiko 在 0.9.5 加入可選的效能檢查階段,會檢視程式變更周邊的呼叫關係,並用基準測試評估影響。文章中的 40 筆提交測試顯示,效能退步的偵測率從 15.0% 提高到 70.0%;20 筆確認沒有問題的提交則沒有新增誤報。這項檢查增加了輸入 token 用量,但平均處理時間略有下降。
機器人要抓布料、繩索或軟質物體,模擬器能不能讓它們和機器人在同一個場景互動,是挑工具時要先確認的事。作者整理多種開源模擬器的功能,也介紹 Alloy:它能把布料、纜線、軟質物體和機器人放在同一個場景,並標示物件交給哪個求解器處理,還會替每個模擬世界標出健康狀態。不過,軟質物體運算較慢,布料折疊環境仍屬實驗性質;作者也提醒,其他模擬器的功能是依公開檔案整理,沒有實際執行測試。
網擎想補齊企業資安產品組合,宣佈投資微智安聯2,000萬元,取得37.6%股權。網擎提供企業郵件安全與雲端服務,微智安聯則做資安攻防訓練、威脅情資和風險檢測,雙方計畫結合產品並拓展海外市場。微智安聯的X-Range可讓資安人員在模擬的企業環境中練習攻防與事件應變;其日文版已有超過40個核心情境完成日文化,並透過網擎的日本合作夥伴推廣。網擎也把AI用於軟體測試,表示每週產出的自動測試案例從38個增加到120個,執行2,800個案例的時間則從22小時降至8小時。
第一次開啟 DeepSeek Harness Web UI,任務輸入框可能是灰色的,因為畫面還沒有選定專案資料夾。雖然程式啟動時已有預設工作目錄,網頁仍要先知道這次工作要歸在哪個工作區;選好資料夾後,才能開始新對話。比如,資料夾必須真的存在,而且要先加入再選取;只看得到資料夾名稱還不夠。工作區會記下資料夾路徑和相關對話,方便按專案整理工作,但選了工作區不代表 AI 助理只能碰那個資料夾,執行需要核准的操作時仍要仔細確認。
作者想看看只用 Three.js 和 Web Audio API,瀏覽器能做到什麼程度,於是做出免費開源的 3D 動作探索遊戲《Devayan: The Ten Drops of Amrita》。遊戲裡,玩家要解放十座聖殿、駕駛飛行船從地面前往軌道,並迎戰魔王。角色、寺廟和飛行船都是用程式碼組成,音樂與音效則由 Web Audio API 即時產生;爬升時,天空也會逐漸從白天變成太空,途中不必讀取新場景。作者分享這些做法,也提到希望改善新手路線、太空場景和低階裝置上的效能。
把付款判斷交給 AI 助理處理,光看它的說法或截圖,很難確認判斷有沒有照規則來。作者在自己的電腦上,使用 zkVerify Agent Games 賽事提供的電路檔案測試付款證明:符合條件的核準與拒絕都能產生有效證明;把收款人、期限、金額上限或餘額等條件弄錯,就無法產生證明。這表示驗證端能檢查判斷是否符合電路規則,但不能保證 AI 助理做得好,也不能保證結果正確或有價值。測試全在本機完成,作者沒有參加線上賽事,也沒有移動資金。
OpenClaw 的 AI 助理出錯時,光看一般紀錄常常很難找出原因。ZizkaDB 會把每次對話中的訊息、工具呼叫和回覆串在一起,讓人沿著過程檢視發生了什麼,也能比較花費和行為是否改變。比如,團隊發現查詢出貨的工具有時回傳空資料,就能找出哪些對話受影響,再調整重試方式或回覆內容。 這些紀錄也能幫忙比較新舊模型或提示詞的差異,並檢查 AI 助理實際用到哪些工具。不過,ZizkaDB 只負責記錄和追查,不會阻止錯誤操作,也不會判斷內容是否惡意;要保護系統,仍得設定好許可權。熟悉紀錄、定期檢查,團隊才更容易及早發現問題,向客戶說清楚事情經過。
做個人網站時,有些頁面適合先做好,有些需要即時更新,互動功能也不一定要放到整個網站。作者為自己的網站打造 Orbit,讓每個頁面可以選擇靜態產生、伺服器渲染或定時重新產生,也能只替需要的部分載入 JavaScript。Orbit 還能整理 Markdown 內容,並自動產生網站地圖和社群分享資訊。作者用它重做個人網站,讓搜尋頁面採用串流方式載入,WebGPU 遊戲則放在單一互動區塊中。Orbit 目前仍在早期版本。
技術部落格放廣告時,常得載入很大的程式,還可能追蹤訪客、拖慢網頁,或讓廣告卡片和深色主題不搭。作者做了 AsynchAds,讓網頁向 Cloudflare Workers 要廣告時,先快速回傳結果,再把統計工作放到背景處理;廣告點選和瀏覽也會附上有期限的簽名,重複使用同一個連結時就會被忽略,不必靠 Cookie 追蹤訪客。 網站上的程式約 5KB,會讀取網頁的底色和字型,讓廣告配合深色或淺色版面。作者也提供免費測試方案,每月可用 10,000 次瀏覽,費用是 $0。
工作區刪除後,AI 助理做過什麼、檔案是否留下,以及外部操作是否完成,可能是不同問題。Hexagon 的教學實測在工作完成後關閉工作階段,確認已匯出的檔案仍可下載,但原本的即時預覽已無法使用;這項結果只適用於正常關閉,不能代表中途當機也能復原。文章也建議分開測試任務送出後失去回覆、執行中斷,以及外部服務完成操作卻沒收到確認等情況,並記錄保留下來的證據和仍無法確定的事。
讓 AI 助理自行購買 API 服務,可能花超出預算,也不容易查清每筆錢為什麼付出去。作者做了 Agent Vault,讓資金依照 Solana 上的規則移動:每天有支出上限,只能付給最多五家核准商家,超過門檻的付款要等主人同意。每次付款或遭拒都會留下收據,付款理由則留在鏈外,只把摘要雜湊寫上鏈供人核對;主人也能隨時暫停付款並取回資金。這是隻在 devnet 運作、尚未經過安全稽核的原型,使用的是測試代幣。
第一次替別人的開源專案修程式,PR 可能合併、被退回,也可能卡在審查中。作者在一個月內送出 22 個 PR,其中 11 個合併、4 個仍在審查,另外 7 個沒有合併;他也分享各種結果背後的原因。有些問題是沒先確認議題是否已有人負責,或沒照專案的 PR 格式提交;有些修正則由維護者改用更簡單的方式處理。作者使用 AI 協助讀程式、寫測試和檢查修改,但會自己決定修法、逐行閱讀,也親自回覆審查意見。他整理的做法包括先看貢獻規則、讓修正保持精簡,並替每個修正準備能指出問題的測試。
PyScript 從 2022 年起,常被當成在瀏覽器裡執行 Python 的預設選擇;但專案維護者表示,使用者和社群參與沒有像預期那樣成長,因此 PyScript 進入維護模式。現在它仍能運作,CDN 和檔案也還在,但 API 已凍結,不再新增功能;只有 Pyodide 更新會以較慢的速度繼續。 如果你已經在用 PyScript,現有程式不會因此壞掉;如果正打算採用,就得考慮它不再由原團隊持續維護。專案已開放他人分叉接手。原本用 HTML 寫幾行 Python、開啟網頁就能執行的做法仍然可行,只是接下來要由誰繼續維護,還沒有定論。
安裝 AI 助理技能時,只看名稱不容易知道檔案從哪裡來、安裝後有沒有被動過。SourceWeft CLI 會先顯示技能的來源、版本和掃描提醒,再把檔案下載下來,逐一比對掃描時記下的 SHA-256 碼;只要有檔案對不上,就不會安裝。安裝後也能用 skills doctor 檢視檔案是否被修改、刪除或新增。比方說,安裝後有人改了一行程式碼,工具就會提醒檔案已編輯;再安裝時也不會直接蓋掉修改。這能幫你確認拿到的檔案和掃描過的一樣,但不代表技能一定安全,安裝前仍要看內容和掃描提醒。
CI 工作常比預期晚結束,任務時間也會隨每次執行而變動。vx 作者把原本由多條規則和約 20 個猜測常陣列成的排程方式,換成由同一套引擎決定任務分配與何時呼叫工作者,並用記錄下來的實際執行時間回放測試。作者的 CI 原本比工作者所需時間晚 40 秒左右;改用新排程器後,晚 9 到 19 秒。回放也顯示,把任務時間的落差算進規劃,能讓一次測試從 78.9 秒縮短到 72.4 秒。
資料表常要靠額外整理,處理頻繁寫入的小檔案和刪除資料帶來的負擔。Aki 閱讀 Apache Iceberg v4 規格後,分析三項主要變化:清單改由根清單管理、資料檔與刪除向量的參照放在同一筆紀錄,以及新資料表不能再寫入新的等值刪除。這不代表刪除向量會直接移進資料檔,也不會讓實體刪除和壓縮整理消失;使用 CDC 的寫入工具也得調整做法。v4 整體尚未正式定案,部分規格仍在討論與實作中。
上傳影片前要分別檢查音量、黑畫面、字幕和縮圖,常得安裝好幾個工具。作者把六項檢查整合進 faceless-qc-lite v2.0.0,執行一次就能收到總結果;沒有資料可檢查的專案會標成略過,不會當成通過。只要有一項未通過,整體結果就會是 HOLD;有警告則是 PASS WITH WARNINGS。作者也提醒,連結檢查只看網址格式,PASS 只代表沒找到工具能檢查的問題,不保證影片表現好。
新漏洞公佈後,團隊常得花很多時間確認哪些應用程式和容器映像檔用了受影響的套件。文章示範用 Syft 列出軟體元件,再讓 Grype 比對已知漏洞,也說明如何把檢查放進 GitHub Actions,並替每個發布版本保留清單,方便日後重新檢查。掃描結果只是線索,還要確認套件是否真的存在於部署內容、漏洞功能是否會被用到,以及是否有修補版本;SBOM 也無法保證列出所有元件或判斷漏洞能否被利用。
要在 Transformers 裡使用新模型,或讓不同模型共用一套程式,開發者常得處理各自不同的介面。v5.24.0 加入 Inkling 2 Mini、Apertus 1.5、Dory 和 Omnilingual ASR 等模型支援,也把原本依模型而異的 past_key_values 和 cache_params 統一改叫 cache;舊名稱目前仍可使用,但會出現棄用提醒。這次更新也修正了文字串流在中文、日文和韓文內容中可能漏空格或變慢的問題。
推薦理由:Transformers v5.24.0 一次加入多種模型支援,也統一了快取名稱;更新內容能幫開發者掌握新模型接入與舊程式需要調整的地方。
小工具只是算個數字或處理一張圖片,卻常要求使用者登入,甚至把照片傳到伺服器,讓人多等又擔心隱私。作者用 Cloudflare Workers 和 Pages 架設網站,讓搜尋、計算和圖片處理都在使用者的瀏覽器裡完成,並分享 3 個例子:找出兩個單字之間每次只改一個字母的最短路徑、整理不同品牌的鉤針尺寸,以及把照片做成十字繡圖樣。像標示為 G-6 的鉤針,實際直徑可能是 4 mm 或 4.25 mm;工具會把這種差異清楚列出。這種做法能減少等待,也不用把個人照片交給網站處理。
兩組能力一樣好的工程師,可能做出很不一樣的軟體,關鍵在公司或專案獎勵他們什麼。靠訂閱費賺錢的公司會在意使用者願不願意續約,因此可能把心力放在讓人留下來的功能上,例如不方便搬走的資料格式;開源專案則靠更多人使用、接手和延伸來累積價值,所以常會重視方便攜帶、好修改的設計。 這不代表哪一邊一定比較好。公司要讓產品可靠,開源維護者也希望大家願意使用;但兩邊的收入和人力來源不同,久了就會做出不同選擇。想猜一套軟體為什麼這樣設計,可以先看看誰在付錢、他們希望得到什麼。
在 EKS 上架設 HTTPS 時,憑證要放在哪裡、流量在哪裡解密,以及 ALB 和 NLB 怎麼選,常讓人混淆。這篇教學從瀏覽器連上網站的過程開始,說明 ALB 能讀取網址並把請求送到對應的服務,NLB 則負責轉送網路連線;也介紹 ACM 和 cert-manager 如何管理憑證。文章提醒,流量從瀏覽器加密到 ALB,不代表 ALB 到 Pod 之間也有加密,並用 mTLS 說明服務彼此驗明身分的方式。文末附上 10 個實作練習,帶讀者逐步搭起 EKS 的 HTTPS 流程。
MONAI Label 0.8.5 和更早版本在預設設定下沒有登入保護,網路上的人可能利用漏洞,把檔案寫到伺服器指定資料夾以外。Amazon Threat Intelligence 表示,攻擊者讓 AI 助理自行摸索這套醫療影像軟體,約 11 分鐘就找到寫入檔案的方法;之後在一場不同的操作中,AI 助理利用漏洞放入會自動執行的 Python 檔案,最後在一所大學的伺服器取得 root 許可權。維護者已把修正合併到程式碼,但目前還沒有可安裝的修正版。管理者可先限制網路連線、開啟登入保護,並讓伺服器使用許可權有限的帳號;Amazon 的調查是依其重建結果,第二所大學的入侵也尚未確認。
多個團隊共用 Kubernetes 叢集時,怎麼避免彼此影響,又不讓維運成本太高?文章比較三種做法:Namespaces 用設定把團隊分開,適合工作內容彼此信任的內部團隊;Capsule 集中管理配額和網路規則,讓團隊能在限制內自行建立名稱空間;vCluster 則為每個租戶提供自己的 API 伺服器和設定空間,隔離更強,但會多用 CPU、記憶體,也讓問題排查更複雜。文章建議依安全需求、租戶數量和預算選擇,並指出不少組織會混合使用不同做法。