跳到正文

#部署/工程

RSS
今日 52 則
11月16日週一
  1. Dev.to Top Tech47

    如何用 Dynatrace 找出 Azure Data Factory 哪條資料管線出問題

    Azure Data Factory 的資料管線半夜失敗,早上才發現,財務儀錶板就可能還顯示前一天的數字。把它接上 Dynatrace 後,可以用監控數字發現有幾次執行失敗,再查每次執行的紀錄,找出是哪條管線、哪個步驟出錯,以及錯誤訊息。文章也提到,可以檢視管線跑了多久、等候多久,還能把營收等業務數字放在管線狀態旁,判斷資料是否真的到齊。 若要自動重跑失敗的管線,得先確認重跑不會重複寫入資料,並限制重試次數、留下紀錄。監控可以幫忙及早發現問題、找到原因,但要先想清楚失敗時該通知誰,再挑需要的資料來看。

  2. Tauri Framework Releases38

    tauri-bundler v2.10.5 修正 Windows 安裝與打包問題

    更新 tauri-bundler v2.10.5 後,Windows 安裝程式會在許可權不足、系統帳號或特定資料夾位置時顯示更清楚的錯誤,並修正程式簽章失敗,以及 MSI 更新時把使用者刪掉的桌面捷徑加回來的問題。這次也修好 NSIS 的波斯文和希伯來文顯示、Linux 和 macOS 重複下載工具,以及 RPM 套件無法處理 beta 版本等狀況,讓不同系統上的安裝與打包流程更順利。

  3. Dev.to Top Tech51

    平臺工程為何要讓 AI 助理也能操作開發平臺

    開發者平臺常把心力放在入口網站、表單和儀錶板,但開發者開始把部署、查錯等工作交給 AI 助理處理。作者主張,平臺也要讓 AI 助理能用 API 或 CLI 找到可用功能、送出操作並讀懂結果;例如 CLI 可提供 JSON 輸出,讓 AI 助理接著執行其他步驟。平臺還需要安全的非互動式驗證,並讓不同功能能串在一起。圖形介面仍有用,但平臺團隊也該評估 AI 助理能否在合適許可權下完成工作,因為這會影響開發者使用平臺的體驗。

  4. Dev.to Top Tech46

    用日常例子看懂 AI 快取,以及 4 種常見做法

    AI 每次回答問題都得重新做大量計算,所以有時等很久,API 費用也容易變高。快取就像把做好的答案貼在便利貼上,下次遇到相同或意思相近的問題,就能直接拿來用。文章整理了 4 種做法:記住完全相同的問答、比對問題意思、讓模型記住提示詞裡不變的內容,以及儲存整理檔案等前置工作。例如,公司手冊只改了第 199 頁,就可以只重做那一頁,不必重新處理整本。這些方法能減少重複工作,讓 AI 回得更快、花費更低。

  5. Dev.to Top Tech46

    Postdot 和 Postiz 閒著時會佔用多少記憶體?

    想自己架社群排程工具,可能會好奇它們放著不動時會吃掉多少記憶體。作者在同一臺電腦上,各重新安裝 Postdot 和 Postiz 3 次來測量:Postdot 只用 1 個容器,平均佔 83 MiB;Postiz 的完整配置用了 8 個容器,平均佔 2,303 MiB。若已經有 PostgreSQL、Redis 和 Temporal,Postiz 可以連線這些服務;只比較兩套工具本身時,Postiz 佔 1,303 MiB,Postdot 則是 83 MiB。這次只測了閒置狀態,不能用來判斷忙碌時或長時間運作的記憶體用量;而且 Postdot 還在 alpha 階段,兩者功能和成熟度也不同。

  6. Dev.to Top Tech65

    AWS Landing Zone 建置教學:帳務與 SCP 配額等容易漏看的卡關點

    AWS Landing Zone 的架構圖看起來完整,實際建置時卻可能被帳務、帳戶設定或政策配額卡住。作者分享建置經驗,指出新帳戶建立後服務仍無法使用,原因是組織的付款方式尚未驗證;他也整理了郵件格式、已關閉帳戶和 SCP 配額等問題。文中建議先確認付款方式、提早定好帳戶用的電子郵件規則,並把政策配額算進設計,讓團隊少花時間追錯原因,也避免部署流程停擺。

  7. Dev.to Top Tech42

    GitLab MCP Server 用程式內部呼叫 REST API,避免重複記錄並保護請求資料

    GitLab 的 MCP Server 會把既有的 REST API 提供給 AI 助理使用。若每次呼叫都繞一圈本機 HTTP,會增加伺服器負擔;直接在程式內呼叫雖然省下這段路,卻可能改壞外層請求資料,讓 GET、POST 方法記錯,或把 JSON-RPC 的欄位混進 REST API 的引數。GitLab 在 MR !268703 中,先儲存原本的請求方法和輸入資料,呼叫完成後再還原,也讓內層呼叫不重複寫入外層的記錄。這樣既能減少繞路造成的延遲,也能讓請求紀錄和 AI 工具的執行紀錄各自正確。

  8. Dev.to Top Tech54

    Keyright.NET 如何在 Linux 和 macOS 上設定授權服務

    把授權程式搬到 Linux 或 macOS 後,桌面版看似能正常執行,服務卻可能因為找不到可寫的資料夾、機器識別碼重複,或長時間沒更新授權而失效。這篇教學用 systemd 的 StateDirectory 替服務準備專用資料夾,再用 LoadCredential 提供授權檔或金鑰;也提醒部署映像檔前要清空 machine-id,避免多臺主機被算成同一臺。服務若會連續執行好幾個月,還要定期呼叫 ActivateAsync 更新授權,並限制授權資料夾的讀取許可權。

  9. Dev.to Top Tech47

    Voice AI 接上即時資料庫,才能真正替客戶解決問題

    Voice AI 很快就能接上電話,也能用自然的聲音回答問題,但只會照著常見問題回答,遇到「我的退款到哪了?」這種問題就幫不上忙。要替客戶查帳單、改訂單或更新資料,AI 助理得先確認客戶身分,再連上即時資料庫處理事情。文中提到,61% 的公司靠 Voice AI 降低客服成本,但只有 13% 把它用在多種客服情境;關鍵差別是有沒有接上公司的 CRM、帳單和訂單資料。資料查詢也要夠快,API 最好在 300 毫秒內回覆。企業還得讓客戶需要時能順利轉接真人,並看問題是否真的解決,而不是隻算接了幾通電話。

  10. Dev.to Top Tech71

    llama.cpp v1.0.0 教學:用更穩定的 API 在本機執行 AI 模型

    直接把 llama.cpp 接進應用程式,過去常得追著 API 變動修改程式。llama.cpp v1.0.0 為 libllama 和 libggml 加入語意化版本規則,重大變更會升主版本,向下相容的功能更新升次版本,修正錯誤則升修補版本。文章也帶讀者從原始碼建置、下載 GGUF 模型並用命令列執行,示範如何在本機把文字轉成語音。新版本也加入效能調整與多模態功能;若遇到記憶體不足,可改用較小的量化模型或降低上下文大小。

  11. Phoronix (Linux HW & Benchmarks)36

    Linux 7.5 的現代 NTFS 驅動程式將支援建立暫存檔

    在 Linux 裡使用 NTFS 磁碟的人,建立暫存檔時會多一種做法:Linux 7.5 預計加入 O_TMPFILE 支援,讓程式先準備檔案內容和資料,再決定要不要讓檔案出現在資料夾裡。像是程式可以先把資料寫好,之後再公佈成一般檔案;如果一直沒公佈,最後也沒人使用,系統就會把它收掉。這項功能已排入 NTFS 驅動程式的後續整合工作,能讓程式更方便安全地準備檔案。

  12. Dev.to Top Tech49

    AWS VPC 網路怎麼從空殼建起來:設定子網路、閘道、路由表和防火牆

    新建的 AWS VPC 像一間還沒裝門窗的空屋:裡面沒有子網路,也沒有通往網際網路的路線。這篇教你一步步建立子網路、把網際網路閘道接到 VPC,再設定路由表,最後用兩種防火牆管流量。舉例來說,子網路的 IP 範圍必須放在 VPC 的範圍裡;要讓流量走向網際網路,光接上閘道還不夠,路由表也得指向它。 安全群組管單臺資源,放行進來的請求後,回覆流量會自動放行;網路 ACL 則管整個子網路,進出都要各自設定規則。這次建立的路由表還沒連到子網路,所以子網路目前仍不能連上網際網路。各個零件都設定好,也要把它們接在正確的位置,網路才會照預期運作。

  13. Dev.to Top Tech71

    Nakodo 實測網站按返回鍵為何有些頁面只要 22 毫秒

    有些網站按下返回鍵要重新載入,有些頁面卻能立刻回到原來的樣子;原因不一定在程式碼,也可能是頁面的快取設定。作者實測 Nakodo 這個 Next.js 網站,發現公開頁面有 11 次成功還原、1 次失敗,成功時多半不到 25 毫秒;登入後的頁面則 6 次都重新載入,花了約三分之一秒到近 1 秒。登入頁面使用 no-store,是為了避免私人資料被快取;作者也示範如何用瀏覽器開發工具確認頁面是否真的從快取還原。

  14. BlockTempo 動區動趨66

    Vitalik 分析 EIP-8037 如何處理以太坊擴容瓶頸

    以太坊想提高處理量,難處在於資料越存越多,會讓節點同步和讀寫變慢。Vitalik Buterin 在 X 發文分析 EIP-8037,提出把建立新帳戶、儲存資料和程式碼的費用,放進獨立的「狀態 Gas 蓄水池」,與執行程式的 Gas 分開計算。文中舉例,新帳戶的建立成本會從 25,000 提高到 183,600 狀態 Gas;蓄水池用完後,才會改由一般執行 Gas 支付。這個設計希望讓執行能力擴大時,不會讓狀態資料也跟著無限制增加;Vitalik 也列出交易設定繁瑣等仍待處理的問題。

  15. Dev.to Top Tech64

    AI 寫作產品團隊分享 7 個讓 LLM API 帳單暴增的錯誤

    AI 產品使用者變多後,API 帳單可能跟著升高,團隊卻不一定知道錢花在哪裡。作者回顧自家 AI 寫作產品的經驗,發現把所有工作都交給 GPT-4、重試次數過多、每次送出太多資料,以及沒取消已不需要的串流,都會增加費用。他們也替重複請求加上快取,並記錄每次 API 呼叫的模型、用量、費用和錯誤狀態。修正這些問題後,月費從 $9,580 降到 $1,700,回應時間也縮短,使用者滿意度沒有明顯變化。

  16. Dev.to Top Tech39

    企業 AI 助理為什麼常卡在試辦階段?如何擴大到正式工作

    很多大公司都試過讓 AI 助理做工作,但真正能穩定上線、幫公司省錢或賺錢的並不多。原因常不是模型不夠好,而是 AI 助理要連續做好很多步,還得讀寫公司系統;只要中間一步出錯,整件事就可能失敗。像一個有十個步驟、每一步都有 95% 機會成功的流程,最後全部做對的機會大約只有 60%。 要讓試辦成果擴大,公司得準備好可靠的流程控制、可信而且有許可權管理的資料、反覆測試的方法,以及能追蹤操作和費用的紀錄;重要動作也要有人把關。企業還要挑出少數真正影響營收或成本的工作,指定負責人,確認成效達標再逐步擴大。這樣 AI 助理才有機會從展示用的試驗,變成能長期管理、看得見成果的正式工作流程。

  17. Dev.to Top Tech62

    作者用持續重用的 SSH 通道,讓遠端電腦操作快 5 到 10 倍

    透過 SSH 操作遠端電腦時,每個動作都重新開通道,光是檢查狀態就要等 5 到 7 秒。作者改成只開一條持續連線,等本機連線埠準備好再送出請求,也把多個動作放在同一個程式裡執行,並減少回傳的畫面資訊。實測中,原本一連串操作的中位時間是 17.29 秒,改用批次執行後降到 7.69 秒;作者認為,主要等待時間來自建立連線,而不是遠端電腦本身。

  18. Dev.to Top Tech57

    StoreFrame 將 Helio 伺服器監控程式改用 Rust,讓店家資料留在自己的伺服器

    店家伺服器若只定時回報狀態,磁碟快滿、容器重啟或結帳出錯時,可能要等顧客反映才發現。StoreFrame 的 Helio 會即時檢視伺服器、容器、記錄檔和商店狀況,透過加密連線回報儀錶板,也能接收指令在伺服器上執行工作。訪客、訂單和安全統計則存在店家的伺服器上。作者把 Helio 從 Go 改寫成 Rust,表示實測記憶體用量從 Go 版的 42 MB 降到 Rust 版在不同伺服器上的 6–19 MB;改寫前也用測試逐項比對兩版行為。

  19. Dev.to Top Tech74

    為什麼 AI 助理看起來像在幻覺?資料庫延遲可能讓它讀到舊資料

    顧客取消訂單後,AI 助理卻看到訂單仍是有效狀態並安排出貨,看起來像是模型判斷錯了。作者說,原因可能是工具從讀取副本拿到尚未更新的舊資料:主要資料庫已記下取消,副本還沒跟上。文章建議,會觸發動作的讀取可改查主要資料庫,或等副本確認更新後再讀;工具也應回報資料來源與讀取時間,並在寫入時再次確認訂單狀態。這些做法能降低用舊資料行動的風險,但不能保證答案一定正確。

  20. Dev.to Top Tech52

    Kong AI Gateway 和 AISIX 怎麼選?比較團隊共用 AI 模型的設定與維運

    兩個 AI 助理共用模型時,團隊得分別處理存取許可權、用量限制和主要模型故障時的備援。這篇文章比較 Kong AI Gateway 2.3.0 和 AISIX 1.8.0,從既有應用程式如何接上閘道、如何限制不同呼叫者,到費用控管、內容檢查與正式環境維運。測試中,AISIX OSS 的主要目標回傳 503 後,閘道改用備援目標並回傳 200;紀錄也保留了兩次嘗試,方便追查。文章還整理哪些管理功能需要商業授權,以及團隊要自行維護哪些服務,可作為挑選和試用 AI 閘道的實務參考。

  21. Dev.to Top Tech75

    排程工作遇到重開機怎麼辦?作者比較 cron、anacron 和 systemd timer

    電腦在排程時間關機或重新啟動,工作可能就此漏跑,而且沒留下明顯訊息。作者比較 cron、anacron 和 systemd timer:cron 會略過停機時錯過的工作;anacron 和設定為 Persistent=true 的 systemd timer 會補跑一次,不會重播每次漏掉的工作。作者也建議在工作成功後才更新完成標記,並用缺少回報的警示發現工作沒跑;若要更新設定,則讓工作先完成目前專案,再安全結束。

  22. Dev.to Top Tech77

    如何串接六種求職系統,搜尋上萬家公司職缺

    同時搜尋上萬家公司時,直接把每筆職缺的完整資料都抓回來,容易拖慢速度,也可能被服務限制請求。作者實測六種求職系統的公開職缺介面,整理出較省力的做法:先抓職稱等精簡資料,找出符合條件的職缺後,再讀取需要的完整內容;遇到限制請求時放慢速度並重試,也替不同系統分開控制請求量。用這些方法,作者在雲端約 4 分鐘讀取 10,554 個職缺網站,搜尋費用約 $0.026。

    推薦理由:作者實際串接六種求職系統的公開職缺資料,並整理大量請求時遇到的限流與連線問題,提供可參考的搜尋設計做法。

  23. Dev.to Top Tech61

    教學:用 iPhone 捷徑把簡單或敏感提示詞交給本機模型

    手機上的簡單問題也送到雲端處理,可能浪費費用,也可能把不想上傳的內容交出去。作者示範用 iPhone 內建的捷徑,把提示詞分成兩條路:較短或含有「private」「confidential」的內容送給手機本機模型,其他內容送到雲端 API。範例用 200 個字元當分界,並用 HTTP 請求傳送內容。作者也提醒,捷徑裡的 API 金鑰不是安全的密碼庫;若手機由多人共用,應使用許可權有限的金鑰。

  24. Dev.to Top Tech54

    網站、App 和訂閱服務如何架設影片託管

    影片放上網站後,尖峰流量可能讓伺服器讀取硬碟和網路忙不過來,觀眾就會看到影片卡頓。作者分享替客戶架設影片服務的經驗:把影片交給另一臺小型伺服器分段下載和轉檔,再用不同畫質供觀眾選擇;切換畫質時,也會接著原本的播放位置。遇到網路較慢的觀眾,加入約 350 kbit/s 的 320p 版本後,確實有人因此能順利觀看。這套做法也需要持續留意硬碟、網路和處理能力,並衡量少數舊電視的相容問題是否值得額外處理。

  25. Dev.to Top Tech46

    我把 ML4W 的 Hyprland 設定搬到 NixOS,結果差點被一個缺少的記錄資料夾卡住

    把只支援 Arch 的 ML4W 搬到 NixOS,麻煩的不只是找對套件名稱,還有安裝程式默默幫忙做好的小事:建立路徑、設定指令碼可執行,還有建立 ~/.mydotfiles 資料夾。少了最後這個空資料夾,Hyprland 啟動時就無法建立記錄檔,連帶讓自動啟動指令碼完全沒有執行,結果登入後只剩空白桌面,連記錄也找不到。手動補上資料夾,再處理好其他設定,才讓整套環境順利運作。這次經驗提醒我們,把軟體搬到另一種 Linux 系統時,也要檢查安裝程式偷偷準備了哪些東西。

  26. Dev.to Top Tech40

    Starlink 航班預測工具如何用機率資料幫 AI 助理做決定

    想知道搭的班機有沒有 Starlink 網路,常常沒有即時、完整的資料:航空公司可能還沒公佈是哪架飛機裝好了裝置,飛機也可能在起飛前臨時更換。這個工具先查航空公司和機型是否有 Starlink;如果還不知道實際是哪架飛機,就依同機隊的安裝比例估算機率,並標明資料有多可靠。比方說,某機隊有 40% 的飛機裝了 Starlink,工具就會先給出 40% 的估計,等尾號確定後再查實際狀況。 這種做法讓 AI 助理可以看到「可能有」和「已確認有」的差別,依照使用者能接受的風險挑航班。工具也能用乘客回報等資料,慢慢檢查預測準不準;但如果抓資料的程式出問題,舊資料可能讓機率失準,所以每次回覆都要顯示資料更新時間。

  27. Dev.to Top Tech57

    如何在 Android 手機上執行本機大型語言模型:聊天 App、Termux 與使用須知

    想在手機上和大型語言模型聊天,又不想每次都把訊息送到雲端,可以把模型下載到 Android 手機,之後離線使用。文章介紹三種做法:用現成聊天 App、透過 Termux 搭配 llama.cpp,或選擇能在雲端與手機本機模式間切換的 App。現成 App 最容易上手,Termux 則適合想自己選模型和設定的人。下載前要先確認手機有足夠的記憶體和儲存空間,建議先從小模型開始,再開啟飛航模式測試。若使用雲端模式,訊息可能會送到服務提供者的伺服器。

  28. Dev.to Top Tech55

    作者分享讓 AI 助理穩定在正式環境運作的經驗

    讓大型語言模型在示範中呼叫工具不難,難的是讓 AI 助理長時間自己工作,還能控制花費並安全處理失敗。作者根據不同團隊的開發經驗,整理出幾個做法:限制每次任務能走幾步、只開放允許使用的工具,並讓有風險的操作先經過人工確認;工具也要設計得簡單、檢查輸入,並留下每一步的紀錄。作者還建議分層管理記憶、用固定任務反覆檢查改動效果,並追蹤每次任務的花費與成功情況。先從一個目標清楚的工作流程開始,再逐步擴大範圍,能讓團隊更容易找出問題並掌握成本。

  29. Dev.to Top Tech54

    如何用 FSL 和 ANTs 將 fMRI 影像對齊到 MNI 標準模板

    fMRI 影像要和個人腦部影像及標準腦部模板對齊,才能方便比較與後續分析。這份教學用 FSL 將功能影像對齊到個人的 T1w 解剖影像,再用 ANTs 對齊到 MNI 模板,並逐步說明指令輸入、輸出和檢查方式。作者提醒,每一步都要用影像檢視對齊結果,確認時間點數量與時間間隔也有保留;文中的指令範例未在完整影像資料上端到端驗證,且不包含完整的 fMRI 前處理流程。

  30. Dev.to Top Tech68

    Kubernetes requests 和 limits 怎麼設,避免服務變慢或被終止

    Kubernetes 裡的 requests 和 limits 用途不同:requests 會影響工作能不能排進節點,limits 則限制容器執行時可用的資源。CPU 超過上限時會被節流,可能讓回應變慢;記憶體超過上限時,容器可能被 OOMKilled。作者也說明這些設定如何影響節點壓力下的淘汰順序,以及名稱空間的預設值和配額。實作上,可用監測資料估算實際用量,再調整 requests 和 limits;每個容器都要檢查,因為一個未設定資源的 sidecar 就可能改變整個 Pod 的 QoS 類別。

  31. Dev.to Top Tech52

    Broadband Provider 解釋為什麼千兆寬頻還是會卡

    網路下載速度很快,視訊通話、遊戲或 git clone 還是可能卡頓,因為頻寬只表示每秒能傳多少資料,延遲才是資料來回要等多久。Broadband Provider 用 RTT 和頻寬延遲乘積說明,單一連線能跑多快也會受到等待時間和傳輸中的資料量影響;很多小請求還得一趟一趟等待,所以增加 Mbps 不一定有幫助。文中提供 Python 程式,能比較 Wi-Fi 和有線網路的延遲與抖動,也說明上傳時延遲暴增可能是路由器排隊造成的。先量測連線狀況,才能判斷該改善 Wi-Fi、路由器或寬頻方案。

  32. Dev.to Top Tech52

    IntDEx 如何讓歐洲公共機關在模型更換時維持 AI 服務穩定

    雲端模型可能在名稱不變時悄悄改變行為,也可能被停用,讓原本好用的服務出現不同結果。IntDEx 建議公共機關針對不同任務測試多種模型,把模型、提示詞和設定一起記錄,並在模型更新時重跑測試、監看長期變化。文章舉例說,市政服務要整理規劃決定時,可先確認新模型是否會改動必須保留的法律用語,再修正設定並重新測試;也要實際試用另一種模型,確認更換來源可行。作者提醒,測試無法保證不同模型完全相同,而且多模型測試會花時間和費用。

  33. Dev.to Top Tech49

    用 AWS 打造會自動更新資料的 AI 知識系統

    公司常有成千上萬份檔案,內容一直在新增、修改或刪除;如果每次都把全部資料重新整理進 AI 知識庫,既花時間也花錢。作者用 AWS 設計一套會追蹤檔案變動的流程:檔案放在 Amazon S3,系統收到變動通知後,只重新處理有變化的檔案,再更新 AI 搜尋資料。像是檔案被刪除時,也要同步從搜尋資料中移除,免得 AI 還拿舊內容回答。這讓知識庫更容易跟上最新資料,也提醒我們,AI 要答得可靠,除了模型,資料更新流程也很重要。

  34. Dev.to Top Tech41

    How-to:怎麼判斷 AI 助理能不能放心接手實際工作

    AI 助理在展示影片裡能安排會議、核對帳單,或處理客服案件,但到了真實工作環境,資料可能很亂,工具也可能出問題。若工作每次都照固定步驟做,直接寫程式通常更快、更省,也比較好查錯;AI 助理比較適合需要看情況判斷的工作,例如整理客服問題。 要讓 AI 助理做事可靠,就得把工作範圍和能使用的工具限制清楚,記下每次做了什麼,並讓高風險動作先交給人確認。也要準備好工具逾時時的替代做法、控制花費,並測試容易出錯的情況。這樣出了問題才找得到原因,也能避免 AI 助理做出沒人能追查的決定。

  35. iThome (臺灣)77

    Anthropic 開放 Claude Managed Agents 自託管測試,企業可自管憑證與工作紀錄

    企業想把 AI 助理放進自家環境管理,卻也得弄清楚哪些資料仍會送到外部。Anthropic 開放 Claude Managed Agents 自託管服務的封閉測試,企業可在自己的雲端或地端環境管理代理控制服務、沙箱、資料庫、憑證和工作紀錄,也能把工具操作紀錄送到監控工具。不過,Claude 模型仍由外部服務運作;每次呼叫都會把對話、工具輸入和執行結果送到企業選定的模型服務。企業還得自行維護伺服器、資料庫和沙箱。

    推薦理由:自託管把 Claude 代理的管理服務移進企業環境,文章也說明模型請求仍會送到外部服務,能幫助企業看清自管範圍與資料流向。

  36. Dev.to Top Tech43

    如何用終端機在 Contabo VPS 安裝 CloudPanel

    想用 Contabo VPS 架網站,可以先在乾淨的 Ubuntu 24.04 LTS 伺服器上安裝 CloudPanel,再用瀏覽器管理網站、資料庫和憑證。教學從 SSH 連線開始,帶你更新系統、確認網路防火牆,接著執行 CloudPanel 官方安裝指令,最後建立管理員帳號。 安裝前要確認伺服器至少有 1 個 CPU 核心、2 GB 記憶體和 10 GB 可用空間,並讓 SSH、網站和管理介面需要的連線通過防火牆。完成後,建議把管理介面限制給信任的 IP 使用,並替伺服器做好異地備份,避免資料遺失。

  37. Dev.to Top Tech48

    Ritele 會根據系統資料自動畫出架構圖

    系統架構圖常常在建好之後就沒人更新,等到稽核或出問題時,大家看到的可能已經是舊資料。Ritele 會讀取服務彼此呼叫、查詢資料庫和傳送訊息等紀錄,自動畫出目前實際運作的服務與連線關係。點選圖上的服務,還能檢視健康狀況、追蹤慢速請求,並找到相關紀錄;付費方案也能模擬流量增加時可能出現的瓶頸。Ritele 可安裝在自己的伺服器上,並提供不限使用時間的免費方案,讓團隊更容易看清系統現況並找出問題。

  38. AWS What's New57

    AWS 為 Amazon VPC 推出網路彈性成本分配,按資源拆分網路費用

    多個團隊共用 NAT 閘道等網路資源時,原本很難看出各團隊用了多少,費用也常得靠自訂指令碼或固定比例拆分。AWS 現在讓 Amazon VPC 支援網路彈性成本分配(FCA),可依流量來源把 NAT 閘道資料處理與資料傳輸、區域內 EC2 和 VPC 對等連線的費用,分到實際產生費用的資源。設定成本分配政策後,拆分後的專案會在 24 小時內出現在成本與使用情況報告中。FCA 不會改變帳單總額,也不另收費。

  39. Dev.to Top Tech43

    作者如何用 cron、curl 和 4 個 API 做出零成本監控工具

    自己做網站或網路生意時,想盯著收款、討論熱度和網站狀況,常得另外付費買監控服務。作者用每 4 小時執行一次的自動指令碼,檢視 USDT 錢包金額、Hacker News 討論、4 個網址是否正常,以及 Bing 是否找到網站頁面;指令碼也會把上次的狀態寫進 Markdown 檔,方便下次比對。這套做法不用資料庫,也不用自己架伺服器,能用簡單工具持續檢查重要狀況,適合預算有限、想自己掌握網站狀態的人。