作者讓 ATtiny10 透過 USB 控制 WS2812 LED
ATtiny10 只有 1 KB 程式記憶體和 32 bytes SRAM,要在這麼小的晶片上做 USB 裝置並控制 LED,空間很吃緊。作者把 USB 程式大幅刪減,只保留需要的通訊功能,再讓晶片用 USB 設定 WS2812 LED 的顏色;最後用了 988 bytes 程式記憶體和 30 bytes SRAM。代價是裝置無法在 USB 匯流排重設後正常重新連線,因此作者建議在電腦開機後再插上。
ATtiny10 只有 1 KB 程式記憶體和 32 bytes SRAM,要在這麼小的晶片上做 USB 裝置並控制 LED,空間很吃緊。作者把 USB 程式大幅刪減,只保留需要的通訊功能,再讓晶片用 USB 設定 WS2812 LED 的顏色;最後用了 988 bytes 程式記憶體和 30 bytes SRAM。代價是裝置無法在 USB 匯流排重設後正常重新連線,因此作者建議在電腦開機後再插上。
同時開好幾個程式開發工作時,Claude Code 和 Codex 可能卡在等你核准、回答問題或提供下一個提示詞,讓你得一直檢視不同視窗。作者做了 Agent Monitor,透過兩者的生命週期事件記錄每個工作正在等什麼,並在 macOS 小工具和選單列顯示等待清單與用量;點選清單專案可以回到對應的工作。小工具更新不夠即時,因此作者把即時提醒放在選單列,小工具則用來檢視整體狀況。用量資料來自 Anthropic 和 OpenAI 未公開的端點,作者也提醒這些端點日後可能改變。
銀行收到開戶申請後,回覆「已受理」不代表帳戶已經可以使用;如果網路中斷,重送申請也可能讓狀態更難確認。作者用假想銀行的開戶流程,示範如何設計開始申請、查詢進度和確認帳戶可用的 API。申請獲準處理時,服務回傳 HTTP 202 和查詢用的參考資料;如果同一筆申請重送,就找回原本的紀錄,避免重複建立。文章也說明如何處理資料不符、申請待審和系統確認延遲,讓銀行團隊與客服能依照已確認的狀態告訴客戶下一步。
多家唱片公司共用一套軟體時,最怕有人不小心看到別家的銷售或財務資料。Label Mechanics 用 Django 和 PostgreSQL,讓每家公司共用同一個資料庫,再記下使用者屬於哪些公司;查詢資料時,系統會依照這份關係篩選結果,新增資料時也會檢查使用者有沒有許可權。舉例來說,使用者檢視發行作品清單時,只會看到自己所屬公司的作品。不過,這些檢查還沒涵蓋所有情況,作者也提醒,登入成功不代表有權檢視每筆資料,還需要補上更多測試,確認不同資料和操作都不會跨到別家公司。
銀行開戶時,服務可能已收到建立帳戶的確認,但回覆在途中遺失,讓客戶和客服都不知道該不該重送。作者用 C4 動態圖畫出通路、開戶服務與銀行核心系統之間的互動順序,再搭配狀態圖說明哪些證據足以確認帳戶可用。文章也示範把流程轉成整合測試:確認重送不會多開帳戶、查詢結果不明時維持等待,並留下可供值班人員追查的參考編號與紀錄。
OpenAI 推出 GPT-6.2 Astra 和 Sol,主打用更少的 token 完成工作,費用也比前一代低。OpenAI 表示,Astra 在 GDPval v2 的分數提高 6.2 分,輸出 token 減少 22%;Sol 則以較低價格接近 Astra 的 FrontierCode 2.0 成績。不過,Claude Fable 5.2 在部分程式評測仍領先,這些數字也不一定能代表你自己的工作。兩款模型都被列在 OpenAI 資安準備框架的最高階別,因此加強了限制,可能擋住部分正當的漏洞研究與安全測試。切換時也要留意,設定 reasoning_effort 為 none 會收到錯誤,需改成 low;超過 272K 輸入 token 的請求費用也會提高。
推薦理由:文章整理 GPT-6.2 Astra 與 Sol 的價格、基準差異及資安限制,也列出切換模型 ID 前要調整的設定。
一篇資料文章把重複配對率寫成 0.00%,回歸測試也照著這個數字檢查,讓錯誤內容順利上線。作者重新計算後發現,24 人分成 4 隊時,每次重新分隊至少會有 8 組舊配對重複,因此 0 次重複不可能發生。重新模擬後,歷史感知分隊的平均重複配對數從 13.1 降到 8.6;特定兩人連續同隊的比率則從 5.08% 降到 3.15%。作者也把不同測量拆開,並修改測試,檢查結果是否符合數學下限。這次錯誤是大型語言模型審查時指出的,作者因此主張在自動發布前加入這類檢查。
開啟 PDF 預覽時,如果瀏覽器立刻把每一頁都畫出來,使用者可能還沒開始操作,電腦就已經做了很多不必要的工作。作者分享幾個實用做法:先處理畫面上看得到的頁面,需要時再載入其他縮圖;縮圖只要看得清楚,不必用匯出文件的完整畫質;也要適時清除不再需要的畫布,並限制同時處理的頁數。測試時可以用超過 100 頁、含大圖片或不同尺寸頁面的檔案,也要留意一般筆電的表現。
收到漏洞通知後,團隊常得先查清楚哪些已發布版本用了受影響的套件。這篇教學示範如何把 SBOM 附在每個 GitHub 發布版本上,再用 GitHub Actions 比對套件版本與漏洞影響範圍。範例中,v1.2.0 使用的 is-number 6.0.0 落在受影響範圍,v1.3.0 使用的 7.0.0 則不在範圍內。實際上線時,作者建議從交付的軟體產生 SBOM,並搭配部署清單確認哪些環境正在使用受影響版本。
網站把工作拆給多個服務處理時,出錯訊息常散在不同地方,很難看出它們是不是同一筆交易。Request ID 用來標記單次請求,Correlation ID 則會一路跟著整個跨服務流程;就像寄物號碼只對應一件外套,活動手環則能串起停車、用餐和看錶演的行程。文章示範用 Express.js 設定這兩種識別碼,並放進記錄與回應標頭,讓工程師能從大量紀錄中追查單次請求,或看清一筆交易經過哪些服務。
AI 程式助理在大型專案裡搜尋關鍵字,常會讀到沒參與目前工作的舊檔案,浪費時間和用量。作者在一個有 8 個模組的測試專案中,比較直接搜尋和先用 Python 的 AST 整理程式呼叫關係兩種做法。整理出的導覽圖示出 3 個正在使用的模組,讓助理只讀這些檔案;兩種做法都通過 20 個測試案例,使用導覽圖的版本從 42.30 秒降到 13.45 秒,快了 3.15 倍。這個方法適合用來減少助理探索專案時讀到無關程式碼的情況。
只把偵測規則寫成 SIEM 專用查詢,不容易分享或換工具;寫好規則也不代表它真的抓得到事件。Rokkhe 用 Sigma 示範如何以 YAML 描述規則,再轉成 SIEM 能用的查詢。文章以執行 whoami.exe 為例,帶讀者檢查規則格式,並準備一筆應該命中的紀錄和一筆不應命中的紀錄來測試。確認結果符合預期後,還要檢查 SIEM 收到的欄位是否相符,並記下誤報原因與負責人。
分頁程式把資料分組時,平常的例子可能看起來正常,剛好碰上頁數邊界才會多出空白頁。這篇文章用每頁放 3 項的例子說明:資料有 6 項時,舊寫法會多算一個起始位置,切出一頁空清單;資料是空的時候也會出錯。修正方法是拿掉多加的 1,並拒絕頁面大小不是正整數的情況。測試除了確認資料能完整還原,也另外檢查每一頁都不是空的,因為空頁攤平後會消失,光看資料有沒有還原並抓不到這個錯誤。
用大型語言模型翻譯檔案時,費用常比只看輸入 token 的價格高出不少,因為翻譯後的文字也要逐個計費。作者用一份英文與俄文的產品說明估算,英文翻成俄文時,俄文 token 數約多 24%;以 GPT-5.6 的價格計算,每百萬個英文來源 token 約花 $16.88,是隻按輸入價格估算的 8.44 倍。作者也提供公式,並建議只送需要翻譯的文字、要求模型只回譯文;檔案長度和不同模型的 tokenizer 都會影響實際費用,這份計算也沒有比較翻譯品質。
軟體做得快,不代表做出來的東西對公司或客戶有價值;只看開發成本,也很難知道專案是否值得做。James Shore 建議為大型專案建立財務模型,估算新客戶、升級、留住客戶帶來的收益,以及開發和後續營運成本,再用使用率、持續使用情況等指標提早檢查預測是否合理。模型不必算得完美,也要讓業務、行銷和財務團隊一起檢視。它能幫助公司比較專案、看清背後的假設,但最後仍要由人做策略判斷。
Solid 2 換上新的反應系統,能追蹤資料變動,決定哪些程式要重新計算。不過實測時,Solid 2 和 Solid 1 都多做了一些不必要的計算:像 C 已經有值、用不到 E,系統仍會重新計算 E。Solid 2 的記憶體用量也比較高,壓縮後的程式碼有 49.7 KB,其中 43.2 KB 是訊號系統;Solid 1 則是 8.6 KB。作者也比較了 Solid 2 的非同步資料處理、前後端程式分工、錯誤訊息和程式寫法,認為 $mol 已有一些相似做法。這篇實測提醒開發者:新功能多,不代表執行效率和使用方式就一定更好。
Moodle 5.1 把網站對外提供的檔案移到 public/,若 nginx 還指向舊的安裝目錄,設定檔、原始碼和 Git 資料就可能被外部讀取。作者示範從主機確認 Moodle 與 nginx 使用的目錄,再用 curl 檢查對外網址:/config.php、/vendor/autoload.php 和 /.git/HEAD 應回傳 404,首頁則應正常開啟。文中也提醒,資料目錄仍須放在網站目錄之外,並要檢查代理伺服器後方的主機與其他站臺設定。
CI 檢查顯示通過,不代表它真的看過該檢查的內容。作者整理了三種失誤:檔案篩選漏掉 Perl 輔助程式、截圖掃描器讀錯資料夾,以及測試環境刪掉一般安裝會保留的佈景主題資料。修正方式包括列出實際讀取的檔案、找不到檔案時回報跳過,並讓測試使用應用程式真正採用的路徑和環境。文章也提醒,程式回報執行成功不等於工作完成;例如 Hyprland 回傳 0,仍可能沒有執行要求的顯示器切換。
Cron 工作用程式名稱搜尋是否已有另一份工作時,可能把自己啟動的程式也當成競爭者,結果差點提早停下。作者示範從執行檢查的 Shell 沿著 Linux 的 /proc 往上找父程式,再看符合名稱的程式是不是自己的祖先:如果是,代表檢查就在這份工作裡,應繼續處理;如果是同層的另一份工作,才是真正的衝突。這個判斷能避免工作沒留下完成紀錄,也提醒排程工作應以自己的驗證紀錄確認是否完成。
把很多互動網頁放在同一張無限畫布上時,瀏覽器可能會變得很慢。開發者 Berkant 做了開源 TypeScript 工具 gpucanvas,讓畫面保留原本的 HTML 和 React 功能,再由 GPU 負責繪製;使用者仍可點選畫面、輸入文字,也能移動和縮放視角。作者在 Chrome 157、M 系列 Mac 上測試,5,000 個畫面平均每秒 117 張,直接用 DOM 顯示則是 23 張。GPU 繪圖功能目前需搭配支援 HTML-in-Canvas 的瀏覽器;其他環境會改用較慢的 DOM 顯示方式。作者也提醒,工具仍在早期版本,功能介面可能變動。
客戶晚交資料、資料格式不合,或臨時提出新需求,都可能讓開發團隊不知道該先做什麼、原本答應的交付內容會不會改變。文章用一個客戶入口網站的假想專案說明,可以在工作範圍檔案中寫清楚每項成果需要哪些資料、誰負責提供和確認、資料怎樣才算準備好,以及延遲時會影響哪些工作。像是串接系統需要客戶提供 20 筆符合約定格式的匿名資料;如果資料還沒準備好,團隊可以先做畫面,但要標明串接測試仍在等待。遇到新增需求時,也要列出會增加的工作和可選方案,讓客戶決定後留下紀錄。每週一起檢查,就能提早處理卡關,也讓雙方清楚哪些事情已經說好。
LSEG 將關閉位於以色列佩塔提克瓦的開發中心,當地有 30 名員工。這個中心最早由 Refinitiv 設立,後來成為 LSEG 資料平臺的一部分;員工在視訊會議中得知,中心將停止運作,並須接受正式聽證程式。公司表示,關閉原因是維持中心的成本太高。中心負責以自然語言處理為基礎的核心技術產品;LSEG 在以色列的業務不會全數關閉,特拉維夫的行銷、業務和社群管理人員,以及佩塔提克瓦不屬於開發部門的員工,都不受這次關閉影響。
測試網頁時,畫面一改就得四處修改選取方式,網址設定錯了也可能讓測試找不到欄位。作者用 Playwright Test 和 TypeScript 做出待辦清單範例,把選取器和新增、完成專案的操作放進頁面物件,測試就能用接近使用者動作的方式撰寫。範例也指出,baseURL 若指向網站子路徑,網址結尾要保留斜線,再用相對路徑開啟頁面;少了斜線,頁面可能會開到網站首頁。作者表示,兩個測試都在 Playwright 示範網站通過。
檢查 Linux 核心的程式碼修補時,只逐筆看每個修改,可能不容易掌握整組修改的設計。Sashiko 0.9.4 新增實驗性的整組修補評估功能,可用 sashiko review --design 檢視整組修補的設計,補上原本逐筆檢查的方式。這項功能目前仍在實驗階段;新版也加入對 e2fsprogs 的程式碼審查支援。
同一個網站裡,日期可能看建置時間、伺服器時間、瀏覽器時間,甚至完全不看時鐘,因此有些日期會讓人摸不著頭緒。作者檢查了網站的 111 個頁面,發現其中 109 個頁面的版權年份是在網站建置時決定的;網站地圖也把那次建置時間留了下來。另有些日期會因讀者所在時區不同而差一天,匯出的 PDF 還會記下製作者電腦的時區。 最明顯的例子是問答活動排程:若晚上 11:30 開始,活動會排到隔天凌晨 1:21,但畫面沒有標出「隔天」。作者建議讓頁尾年份能依需要更新、替日期格式明確指定時區,也替跨午夜的排程補上檢查。這些例子提醒我們,日期看起來只是小細節,網站裡每個地方怎麼讀取時間,都會影響人們看到的結果。
用 AI 助理做音樂播放器,畫面看起來像樣還不夠,按下播放鍵也得真的有聲音。作者只輸入一段提示詞,花 6 分半做出 Tidewave,能切換歌曲、調整播放進度,音樂則由 Web Audio API 產生,不需要音樂檔;模型使用費是 8 美分。作者也讓 AI 助理在瀏覽器裡檢查播放和畫面,再加上歌曲愛心按鈕與收藏清單。這是能操作、會發出聲音的前端原型,但沒有帳號、授權音樂或伺服器。作者也說明自己是 VibeCode.surf 的創辦人。
檔案檢測工具說檔案「沒問題」,不代表檔案內容是真的;它只能檢查檔案是否有修改痕跡。HTPBE 整理了挑選這類工具時該問的問題,包括結果代表什麼、工具無法判定時怎麼處理、誤判由誰複查,以及檔案會儲存多久、怎麼計費。文章也建議準備已知結果的檔案逐件測試,並確認試用時跑的是真正分析;測試用的固定範例只能檢查系統串接,不能看出工具能否判斷自己的檔案。無法判定的結果應交給明確的後續流程,例如人工複查,而不該直接當成拒絕檔案的理由。
AI 翻譯看起來通順,仍可能弄丟佔位符、把產品名稱翻錯,或只產生半份內容。作者分享自家網站的做法:只翻譯尚未完成的文字,保留人手修改過的內容,並在寫入前檢查格式、複數規則和回覆是否被截斷;提交時再檢查產品用詞。這些檢查能擋下已知問題,但無法判斷句子是否自然、意思是否正確,因此仍要由人校對。
AI 助理能寫出更多程式碼,卻不代表整個開發流程都會自動變快;規劃、測試和檢查成果,仍需要人來把關。開發者的價值也不只在親手寫程式,而是知道要解決什麼問題、怎麼安排 AI 助理工作,以及哪些結果值得信任。文中提到,Anthropic 有約 80% 合併進自家程式庫的程式碼由 Claude 撰寫,但仍搭配自動檢查和人工審查。AI 讓寫程式的方式改變了,開發者累積的經驗則用來設計流程、找出問題並判斷成果是否合格。
程式碼審查工具有時會把小地方也當成效能問題,真正可能讓系統變慢或當掉的狀況反而不容易被看見。Altanix 是用 Rust 開發的程式碼審查 AI 助理,會檢查像是迴圈裡頻繁寫入資料,或從標準輸入讀取沒有上限的資料;後者可能讓程式一直佔用記憶體,最後當掉。它也會依照維護者的回饋調整判斷,例如不再把 CLI 顯示資訊的程式碼誤認為效能熱點,並記住專案自己的規則。作者表示,開源維護者和早期測試者試用 14 天後,可獲得額外 3 個月免費使用。
追蹤美國聯邦規則的人,常需要找出哪些提案快要截止公開徵求意見。這篇教學用 Python 讀取 FederalRegister.gov 的免費 API,不用金鑰或帳號,就能把接下來 14 天截止的提案整理成 CSV,並按期限由近到遠排列。清單可列出主管機關、檔案標題和回覆連結等資料;作者也提醒,有些檔案沒有線上回覆連結,部分提案沒有可供搜尋的截止日期,因此使用前仍要開啟檔案確認。
API 更新後,程式可能要跟著改,但自動檢查全數通過,也不代表修改真的正確。作者花五週測試一個會追蹤 Stripe、OpenAI SDK 和 Twilio 更新,找出受影響程式碼並建立草稿 PR 的 AI 助理;它不會自行合併。測試中,有些修改讀取了不存在的欄位,或漏掉藏在文字中的舊欄位,測試和型別檢查卻都沒抓到。作者認為,找出受影響的程式碼比較可靠,確認修正是否安全則最困難,因此目前較適合先提供影響報告和草稿,再由人檢查。測試規模有限,也還沒有外部開發者在自己的專案中試用。
只看資料庫有沒有連上,無法知道哪些查詢最耗時間,或查詢是否撈回太多用不到的資料。CogniPrep 作者整理了一份 SQL runbook,用來檢視查詢總耗時、每次查詢平均回傳的列數、資料表的循序掃描比例,以及資料表和索引大小。當中一個查詢能找出每次撈回很多資料、程式卻可能只用到少數幾列的情況,避免問題等到資料表變大才浮現。作者也發現,runbook 裡提到的指令已不存在,連線數上限也過期了;由於這份 SQL 檔不會由 CI 自動檢查,參照資料仍需要有人定期核對。
用 Claude Fable 5.2 畫一幅農村圖,第一次直接要完整畫面時,回傳內容不是空白,就是 SVG 寫到一半,檔案根本打不開。後來改成先請它畫一份短而完整的 SVG,確認能在瀏覽器顯示,再分段完成比較精細的 Canvas 插畫。最後畫出了白房子、稻田和舊腳踏車,但中途還得請它接著畫、把程式組起來,並手動修正問題。這次經驗顯示,分段做比較容易得到能檢查和修改的作品,但畫得出程式碼不代表插畫就完成了。
想在自己的電腦上跑開放權重模型,常卡在不知道該下載哪個檔案,也不確定顯示卡記憶體夠不夠。這篇指南帶讀者先看模型授權、檔案格式和大小,再選擇執行工具並下載單一檔案;接著從較小的上下文視窗開始試跑,分別測量不同設定下的 GPU 記憶體用量。若下載遇到 401,可能是模型需要先在網頁接受授權條款,或命令列尚未登入有許可權的帳號。最後記下實際測量結果,能幫助判斷模型是否跑得動,以及是否需要改用較小的量化版本。
訂閱價格會因國家和幣別不同,手機也無法只靠所在地知道帳單用哪種貨幣,因此用固定金額標示折扣可能會猜錯。Munchable 改用百分比,讓折扣能套用在訂閱帳單上,也能因應價格變動與稅額計算。作者還說明如何用回饋紀錄的狀態避免不同流程重複折抵,並把尚未訂閱時累積的回饋留到日後使用。若折扣已在訂閱中等待使用,新回饋會先保留,避免折扣疊加後超出承諾。
Notifio 的 8 個 API 路由用 5 種不同的字表示成功,但作者發現,其中幾種回應根本沒有程式讀取。作者逐一檢查伺服器回傳的資料和網站、桌面程式及第三方服務怎麼使用,發現錯誤訊息都會被讀取,成功訊息卻常被忽略;驗證授權碼時,回應中的有效或無效狀態則能幫程式分清楚授權碼錯誤和連不上伺服器。作者打算刪掉一個沒用到的欄位,並保留使用者看得到的錯誤訊息。
用商品名稱搜尋時,品牌和品名可能分開出現,像「Alpro」和「Oat drink」;如果把它們當成一整句找,就會漏掉結果。Munchable 的搜尋會把輸入拆成單字,分別比對品名和品牌,再用相似程度、商品掃描次數和條碼決定順序。作者也提醒,Postgres 的部分索引只有在查詢寫法和索引條件相符時才會派上用場;即使意思相同,寫法不同也可能讓資料庫改用較慢的逐筆搜尋。
AI 助理寫出的程式碼可能帶有惡意指令;若直接放進一般 Kubernetes 容器執行,攻擊者可能利用共用的主機核心或過高許可權擴大損害。文章整理三道防線:用 gVisor 或 microVM 隔開主機核心、限制 Pod 許可權並避免放入機密,再用網路政策封鎖不必要的對外連線。文中也提醒,Kubernetes 的網路政策只能依 IP 和連線埠過濾;若要限制可連線的網域,需透過能檢查網域的代理伺服器。
投票人潮一多,社群用來預估投票所排隊時間的工具差點因為記憶體快用完而當機。工程師發現,系統每收到志工回報的位置更新,就會把資料留在一個沒有清理機制的事件通知器裡;累積幾千筆回報後,過期資料也一直佔著記憶體。 他們改用會在時間到後清掉未確認資料的訊息緩衝區,修正只用了 20 行程式碼。這讓工具在大量回報時更穩定,也提醒開發者:選舉相關軟體出問題,受影響的是整個社群對透明選舉工具的信任。