用 JavaScript 計算喇叭聲音傳到遠處會變多小聲
產品規格上的分貝數字,若沒說明測量距離,就很難知道站在遠處會聽到多大聲。作者用 JavaScript 做出計算方法,依聲源的分貝數與測量距離,估算另一個位置的音量,也會檢查距離和輸入值是否有效。以 10 英尺處為 150 dB 的喇叭為例,估算到 100 英尺處約為 130 dB;可選擇加入空氣吸收的粗略估算。這套演算法假設聲音在空曠處向四周傳開,沒有算進建築反射、地面、風和喇叭方向等影響,因此不能當成特定街道的精確預測。
產品規格上的分貝數字,若沒說明測量距離,就很難知道站在遠處會聽到多大聲。作者用 JavaScript 做出計算方法,依聲源的分貝數與測量距離,估算另一個位置的音量,也會檢查距離和輸入值是否有效。以 10 英尺處為 150 dB 的喇叭為例,估算到 100 英尺處約為 130 dB;可選擇加入空氣吸收的粗略估算。這套演算法假設聲音在空曠處向四周傳開,沒有算進建築反射、地面、風和喇叭方向等影響,因此不能當成特定街道的精確預測。
同一個 SKU 重複出現在訂單裡,檢查結果應該每次都一樣;但 JavaScript 的正規表示式加上 g 後,會記住上次檢查的位置,可能讓同一個 SKU 一次通過、下一次卻被拒絕。文章用 SKU-7 示範這個問題,並改用不含 g 或 y 的寫法檢查格式,也先確認輸入是文字。範例只接受大寫英文字母、數字和連字號,長度最多 64 個字元,前面的零也會保留。 格式檢查通過,只代表 SKU 長得符合這個範例的規則,不能證明商品真的存在、屬於這家店或有庫存。接上倉庫系統時,還得另外確認店家自己的 SKU 對照資料和相關業務資訊。
複雜的程式開發、分析和科學工作,常得花很多時間,也可能需要多個步驟才能完成。Google DeepMind 推出 Gemini 4 Neon,主打快速處理這類工作,並能在單一 100 萬 token 上下文視窗中整理試算表、PDF、圖表、音訊和影片。官方列出的評測成績包括 Artificial Analysis Intelligence Index 第 3 名、Agent Arena Index 第 2 名;價格為每百萬輸入 token $3、每百萬輸出 token $15。Neon 已開始向開發者、企業和部分訂閱使用者開放;網路防禦版本則預計在未來幾天提供給符合資格的 Fairwind 計畫成員。
推薦理由:官方列出 Gemini 4 Neon 的基準成績、價格與開放物件,可用來比較它在複雜工作中的能力和成本。
推薦理由:這次發布涵蓋軟體工程、知識工作與科學流程,可從中瞭解 Gemini 4 Neon 的推出範圍與使用管道。
推薦理由:文中列出 Gemini 4 Neon 的價格、任務成本比較與多項基準排名,可用來瞭解它在效能和花費間的表現。
推薦理由:Gemini 4 Neon 把多檔案程式修改、長上下文與可調整的思考深度放在同一模型中,原文也以重建圖靈研究展示長時間任務的用法。
新聞資料常會更新,但向量搜尋可能還在查舊文章,光看搜尋速度和索引筆數不容易發現。這篇教學用 Go 讀取 Git 專案裡的 Markdown,跳過指定的產生檔案目錄,再依標題切成區塊;每筆資料都附上檔案路徑和 Git 提交版本,合併後就能核對索引是否跟上預期版本。文章也提醒,刪除或改名的文章要另外清掉舊紀錄,標題切分遇到程式碼範例時可能出錯;相似度門檻則要用自家資料測試,不能直接假設有通用標準。
Mac 的「系統資料」常常大得嚇人,對寫 iOS App 的開發者來說,裡面不少是 Xcode 和其他工具留下的快取、模擬器資料與舊紀錄。有些刪掉後會自動重建,有些得重新下載;但已經上架的封存檔要留著,因為裡頭的 dSYM 能用來看當機報告。作者整理了各類資料的位置和清理方式,也做了 Mop 這款 Mac App,會標出哪些專案適合清除。作者自己的 Mac 找到 24.78 GB 可安全移除,另有 79 GB 值得檢查;掃描免費,第一次清理的 2 GB 也免費,之後一次收費 $9.99。
把 MySQL 資料送進 ClickHouse 後,其他資料工具常常還得各自再做一條同步流程。作者實際操作 OLake Go,先把 MySQL 的資料和後續修改寫進 Iceberg,再透過 Polaris 讓 ClickHouse、DuckDB 和 Trino 讀取同一份資料。範例中,新增和修改資料後再執行同步,三種工具都讀到更新後的結果。這種做法適合需要讓多種工具共用資料的情況;若 ClickHouse 要快速查詢或直接修改資料,仍需另外載入 MergeTree 資料表。
處理大型程式專案、企業資料和科學問題時,工作常需要多步驟操作,也會耗費不少時間與費用。Google DeepMind 推出 Gemini 4 Neon,主打在單次工作中處理複雜任務,並可讀取多種資料;上下文視窗為 1 million tokens。官方表示,它在多項程式、分析與科學評測中取得高排名,也能協助找出和修補程式漏洞。價格為每 1 million input tokens $3、每 1 million output tokens $15;產品正陸續開放給開發者、企業及符合資格的 Gemini 訂閱者。文中的評測結果與安全資料來自官方列出的測試。
推薦理由:Gemini 4 Neon 同時面向程式開發、企業分析與資安工作,文中也比較了效能、費用和安全防護,呈現它的使用取捨。
越南使用者輸入金額時,常會寫「2,5tr」、「500k」或「2.500.000」,但同一個點有時代表小數,有時代表千位分隔,直接用數字欄位容易讀錯。Financial Plan 的作者分享如何用文字欄位解析這些寫法:有單位時把逗號或句點當小數點,沒有單位的越南盾金額則把它們當分隔符號;輸入「1tr+500k」或「=250k*3」也能算出結果。打字時,程式只重新整理明確是整數的格式,並依照數字位置保留遊標;手機上也會顯示運算子號按鍵。這些做法讓常見的金額寫法更容易輸入,也降低存錯金額的機會。
API 有時回傳空白、資料不完整或一堆零,卻仍顯示呼叫成功,AI 助理可能因此把錯誤資料當真,甚至做出不對的操作。作者用四種 AI 助理框架和模擬 API,比較在指示中加上一句提醒,或讓工具附上資料缺漏註記,能不能減少這種問題。測試中,那句提醒讓助理在回答問題時不再編造資料,也能避免對看起來明顯有問題的資料採取行動;但空清單、截短清單和被歸零的數字看起來很正常,提醒仍擋不住錯誤判斷。作者也說明,測試只用了單一模型、單一服務和少量模擬任務。
在 .NET Framework 專案裡改了資料欄位的名稱,程式可能還是能正常編譯,卻讓原本的使用者端收不到正確資料。這個專案提供 50 個技能,適用於 .NET Framework 4.8 和 4.8.1,涵蓋 WCF、WinForms、EF6 和 SQL Server 等。像是修改 WCF 資料契約時,可以請 AI 助理比對公開欄位名稱,並建議用舊使用者端做相容性測試,提早找出可能影響舊系統的改動。
只在預覽網站檢查連結,可能漏掉上線後才出問題的網址;只查正式網站,也可能等到錯誤發布後才發現。作者比較兩種做法:每次送出程式變更時,檢查內部連結、頁面錨點和圖片;正式網站定期檢查所有連結,發現問題後開成待辦;每次發布後,再確認一小組重要頁面能正常開啟。外部網站暫時故障時,不該因此擋住無關的程式變更。這套分工能同時找出程式變更造成的錯誤,以及網站上線後才出現的問題。
做實驗時,看到兩個平均數不一樣,不代表真的有差;也可能只是每次測量都會有些起伏。單樣本 t 檢定會把「測出的平均數和原本假設的平均數差多少」,拿來跟樣本本身的不確定程度比較。文章用水壺煮水和校園網路速度當例子,說明 Python 算出的 t 值不是 p 值:例如平均網速測得 94 Mbps、基準是 100 Mbps 時,t 值是 -2,雙尾 p 值約 0.064。這高於 0.05,所以資料還不足以說平均網速真的不同;但也不能因此證明兩者完全一樣。較小的樣本、偏斜資料或離群值,都可能讓結果更需要小心解讀。
CPU 會先把程式可能快要用到的資料放進快取,減少等待;但 Intel 沒有公開 Skylake-X 的下一頁預取器細節。作者用效能計數器觀察記憶體存取,發現依序讀取時,跨過頁面中第 52 和第 53 個快取列會觸發預取,讓下一頁的資料提早進入資料 TLB。實驗也顯示,它只會往前預取一頁,往回讀和寫入都沒有觸發。作者提醒,這些結果只適用於 Skylake-X,通常不適合拿來最佳化要支援多種處理器的程式。
推薦理由:作者用效能計數器和逐步縮小的記憶體存取實驗,拆解 Skylake-X 預取器的觸發條件、方向與範圍,展示逆向分析未公開硬體行為的方法。
電工需要查電纜尺寸、電壓降等數值時,常得分別找工具或資料。系統工程師 Sabahattin Kalkan 把 11 種電工計算工具做成離線 Android App Fazor,每個結果都附上公式和 IEC 或 NEC 標準參考;5 種計算器免費,其餘功能可用 US$2.99 解鎖。作者也分享上架經過:新個人開發者帳號要先找至少 12 位測試者連續測試 14 天,他等到測試期結束後才申請正式上架,當天就獲準。等待期間,他用 HTML 和 CSS 做動畫,再用 Puppeteer 擷取畫面、交給 ffmpeg 合成影片。
只有新增、修改和查詢資料的服務,常會被套上好幾層 DDD 架構,改幾個欄位也得動很多檔案。文章整理 Vaughn Vernon、Eric Evans 等人的建議,指出規則少、變動也少的服務可以用 Transaction Script,把每項操作集中處理,並讓資料庫檢查必填、範圍和唯一性。像場館目錄只要維護名稱、地址和容量,就不必先做一整套複雜模型;若同一條業務規則開始出現在多個地方,或規則常有例外、持續改變,再把相關部分升級成更完整的模型。
讓電腦把文字念得像真人,得先準備乾淨的錄音和正確逐字稿,讓模型學會文字和聲音的對應方式,再把產生的聲音播出來。文章介紹幾種做法,其中 VITS 能直接從文字產生語音;若要模仿某個人的聲音,也能用那個人的少量錄音微調模型。像 ElevenLabs 則提供 API,讓開發者不用自己準備資料、訓練模型和管理 GPU,也能把文字轉成語音。
同一段 Java 程式在不同電腦上,數字可能會用逗號或句點表示小數;如果拿格式化後的文字再當數字讀取,就可能出錯。這篇教學整理 String.format()、printf()、formatted() 和 Formatter 的用法,也說明如何用格式符號控制小數位數、欄位寬度、對齊方式與正負號。文章特別提醒,給其他程式讀取的資料應明確指定 Locale.ROOT 或 Locale.US;若要顯示給人看,則可依使用者的地區設定選擇格式。
第一次開啟不熟悉的專案,從頭逐個檔案讀,常常讀了半天還是不知道程式怎麼運作。Felipe Castillo 用 Go 專案 serverctl 示範一套讀法:先把程式跑起來,再找到啟動入口,接著挑一項功能一路追查,最後故意改錯設定,觀察程式怎麼反應。他也建議檢視版本紀錄,瞭解現在看不到的功能為什麼被移除。這樣能先掌握程式的整體方向,再逐步理解細節。
搜尋錯誤程式碼時,最符合字面內容的手冊可能被排到很後面,讓人找不到真正的答案。作者用 ERR_CONN_4012 說明,RRF 會把不同搜尋結果的名次加總;當 k=60 時,兩種搜尋都排得普通的頁面,可能勝過只被 BM25 排名第一的手冊。作者建議辨認錯誤程式碼等識別字串,優先保留包含完整字串的結果,也可以調低 k、加深向量搜尋,或擴大重新排序的範圍。這些做法能降低精確匹配被大量相似頁面擠下去的機會。
ExecuTorch 儲存匯出的程式前,會把每個運算改成能把結果寫進指定位置的形式;但 aten::_grouped_mm 原本沒有這種版本,因此遇到它就存不下來。這次 PyTorch 新增 aten::_grouped_mm.out,可以把分組矩陣運算的結果直接寫進 out。例如有些情況下,運算會先寫到暫存位置,再複製到 out;CPU、MPS 和 XPU 則會把結果分組寫進 out 的不同區段。這項修改補上原本缺少的功能,讓相關程式能配合 ExecuTorch 的儲存流程。
網站看到 GPTBot 或 ClaudeBot 來找 .env,不代表真的是 OpenAI 或 Anthropic。作者在自家管理的 10 個網站觀察到三種掃描器,會冒用 AI 爬蟲名稱或使用被截短的瀏覽器名稱,尋找 .env、雲端憑證和 AI 程式工具的登入檔;作者表示,觀察期間這些機密檔案的請求都收到 404、403 或 405。文章提供檢查網站是否公開這些檔案的方法,也提醒不要只靠爬蟲名稱判斷真假,應檢查請求路徑與來源位址,並確認建置檔案和程式碼專案沒有包含金鑰。
推薦理由:三種掃描器會冒用 AI 爬蟲名稱尋找金鑰檔,文中整理了辨認線索與檢查網站是否意外公開機密的方法。
一個 AI 助理要是同時負責很多種工作,指令會變複雜,出了錯也不容易找出原因。文章整理的建議是,先讓一個 AI 助理處理任務;等工作真的分成不同專長,再拆成小型 AI 助理,每個負責一到三項工作,並用符合該專長的方式檢查成果。舉例來說,寫程式的 AI 助理可以看答案是否正確、執行是否有效率,以及使用者多常採用它的建議。每次交接也要記錄誰接手、收到什麼資料和回傳什麼結果,這樣才能分清楚是專家做得不好,還是交接出了問題。
用混淆工具改掉程式裡的名稱時,WPF 或 WinUI 可能找不到畫面要用的資料,控制項也會悄悄顯示空白。CommunityToolkit.Mvvm 會自動產生公開屬性和命令;文章說明,畫面用名稱查詢的公開屬性、命令,以及通知更新時提到的屬性名稱,都要保留下來。欄位、命令執行的方法等由程式直接連線的部分,則可以改名。作者示範在 Nebula.NET 設定只保留檢視模型的公開成員,並提醒要實際操作混淆後的畫面,檢查除錯輸出裡是否有繫結錯誤。
軟體工程實習競爭激烈,熱門公司的申請也常在很早時就開始。作者建議提早準備履歷,完成一兩個能清楚說明的專案,並把程式碼放上 GitHub;面試則練習常見題目,也練習邊寫程式邊說明想法。求職時不必只盯著知名科技公司,銀行、醫院、新創等也會招募實習生。文中提到的 I Got An Internship 可搜尋美國與加拿大約 2,200 家僱主的職缺頁面;作者也建議持續投遞並記錄申請進度。
Nginx 的五項重大漏洞已由 F5 修補;研究人員也把其中一項漏洞和 Linux 核心的另一個漏洞串在一起,取得主機的 root 許可權。最嚴重的漏洞 CVE-2026-123007 可讓未登入的攻擊者透過 HTTP/2 在伺服器執行指令;單靠它只能取得許可權受限的 Nginx 工作程式許可權,研究人員再利用 Linux 核心的 SCTP 漏洞升權,測試中也能從 Docker 容器內控制主機。揭露時 SCTP 漏洞尚無修補程式,也沒有 CVE 編號;研究人員建議封鎖 SCTP 模組。暫時停用 HTTP/2 可降低兩項 HTTP/2 漏洞的風險,但依賴 HTTP/2 的服務可能因此無法運作。當時尚無 Nginx 漏洞遭實際攻擊的通報。
推薦理由:這起事件呈現 Nginx 漏洞與 Linux 核心漏洞串連後的影響,也說明停用 HTTP/2 或 SCTP 模組各自會帶來哪些限制。
Vow 是為 AI 助理設計的程式語言,但它能不能讓 AI 助理更順利完成工作,測試結果沒有顯示它勝過 TypeScript。作者用 Claude Haiku 4.5 測試 3 個新任務,兩種語言通過隱藏測試的比例分別是 99.5% 和 99.3%;另用 Claude Sonnet 5.5 和 Opus 5.5 測試時,兩邊都完成所有任務,但 Vow 有一次提交失敗。另一組測試則檢查程式遇到錯誤資料時會不會仍給出正常答案:加入 vow test 探測後,Vow 標出 68% 的壞輸入,Python 是 53%,TypeScript 是 20%。測試規模不大,而且這項壞資料測試只用 Claude Haiku 和 Sonnet,作者也沒有測量 token 用量。
私有檔案的大小差很多,只測小檔案,很難知道大影片上傳會不會拖慢服務。作者用 Node.js 做了一個可重跑的測試,讓檔案直接透過限時連結上傳和下載,不必經過自己的伺服器轉送;再用 300 MB 檔案測上傳速度、下載連結回應時間,以及連結到期後是否會被拒絕。測試結果可以交給 CI 判斷是否達到預先設定的門檻,方便用同一套方法比較儲存服務。文章也提醒,簽署連結要避免外流,並列出 Infrai 在公開網址、版本保留和瀏覽器跨來源上傳方面的限制。
AI 助理有時會答出看似合理的數字,卻把其他工具回傳的資料當成答案。作者用一題訂單查詢說明:訂單工具回傳的兩筆資料欄位都是空的,但 AI 助理從另一個客戶查詢工具拿到帳戶餘額 1,240.50 EUR,誤當成訂單總額;正確總額是 438.90 EUR。作者也檢查自動評判器,找出四種誤判並修正規則。這個案例提醒開發者,要對照答案應來自的工具回應,也要抽查完整回答,因為不用模型的評判器也可能判錯。
資料庫查詢很慢時,常見原因是索引沒建好,或查詢寫法讓 PostgreSQL 無法有效使用索引。作者在 PostgreSQL 16.6 的 100 萬筆訂單資料上,逐一測試 9 種調整方式,並用 EXPLAIN 比較修改前後的執行計畫。做法包括替常用的外部索引鍵欄位加索引、把日期條件改成時間範圍,以及用記錄上次看到的 ID 取代 OFFSET;其中外部索引鍵查詢從 67.7 毫秒降到 0.10 毫秒。實際速度會因資料庫而異,作者建議先找出總耗時最高的查詢,再一次改一項並比較結果。
API 明明需要通行憑證,閘道也會檢查,OpenAPI 規格檔卻可能沒寫這件事。這樣一來,讀取規格檔的程式產生器、測試工具或安全掃描器,可能會把需要登入的端點當成任何人都能使用。常見原因是新增驗證後忘了更新規格檔,或某個端點的設定不小心蓋掉了全域設定。 修正方式是先定義驗證方式,再套用到需要保護的端點;健康檢查或登入等公開端點,則明確寫出 security: []。例如,讀取使用者個人資料的端點應有驗證設定,不能只因為規格檔沒寫就被當成公開。檢查 OpenAPI 規格檔,能避免檔案和實際防護不一致。
墨西哥企業收到電子發票後,光看存下來的 XML,可能不知道發票已被取消,或開票者已列入稅務風險名單。Adrian Rangel示範用 Python 讀取發票資料、先檢查 RFC 格式,再透過 MexCheck 查詢發票狀態和 SAT 名單,依結果決定付款、人工檢查或重試。他也提醒,格式正確不代表 RFC 真實有效;查不到發票可能只是開立未滿 72 小時,不能直接當成無效。文中的測試使用模擬回應,沒有拿真實發票測試。
模型處理需要連續操作好幾步的終端工作時,常會在中途出錯。RadixArk 推出 DaisyRose-27B,從 Qwen3.8-27B 出發,用 1,200 個精挑的長任務進行強化學習;任務會串起多個問題,要求模型逐步推理、安排計畫並執行。團隊表示,這讓模型在 Terminal-Bench 4.1 的 pass@1 通過率從 5.6% 提升到 12.0%。他們也公開 BF16、FP8 和 NVFP4 版本,供大家試用與延伸開發。
替診所設定寄信網域時,平臺不一定有許可權修改診所管理的 DNS;即使記錄已設定,也不代表郵件確實送達。作者把啟用流程拆成三項檢查:誰有權修改 DNS、目前觀察到哪些設定,以及是否有郵件送達證據。文中的 Go 範例會從 DNS 清單找出指定網域,再讀取它的郵件設定;這只能確認網域出現在清單中,不能證明平臺有修改權,也不能當成送達證明。若 DNS 由診所管理,平臺應提供要複製的記錄並等候管理員驗證,介面也要清楚顯示目前進度和下一步由誰處理。
訓練 AI 助理處理需要長時間、多步驟完成的工作,往往要準備大量任務,也得投入不少 GPU 資源。RadixArk 發布首款模型 DaisyRose-27B,以 Qwen3.8-27B 為基礎,使用 1,200 項整理過的任務進行強化學習訓練。和原始模型相比,它在文中列出的各項基準都拿到較高分;Terminal-Bench 4.1 的 pass@1 從 5.6% 提升到 12.0%。RadixArk 也表示,自家訓練後端比可比的開源訓練器少用 57% GPU 時間。
推薦理由:DaisyRose-27B 與 Qwen3.8-27B 的多項基準成績可供對照,其中 Terminal-Bench 4.1 的 pass@1 從 5.6% 提升到 12.0%。