14:54 在 Instagram 上要找出哪些標籤的影片播放次數最高很難,App 只能看到單一貼文,無法一次比較大量標籤。作者寫了一支 Python 程式,先用 ThreadPoolExecutor 或 httpx 的 asyncio 使用者端,同時向 HikerAPI 抓取多個標籤的最近貼文,利用訊號量與重試機制控制併發,最後統計每個標籤的中位播放數並依此排序。這樣只要等最慢的幾筆請求時間,就能得到可靠的標籤排名,方便把內容投放在高流量的標籤上。
14:54 出門時常不知道要帶什麼,想要在門口快速看到天氣或比特幣走勢。作者把一臺 2011 年的非觸控 Kindle 改成永遠開啟的 e‑ink 看板,透過 Node.js 產生 600×800 的灰階 PNG,從 Open‑Meteo 與 CoinGecko 取得天氣與價格,放到 GitHub Actions,Kindle 每 4 小時自動下載並顯示,還會在畫面底部標示更新時間與離線狀態。這樣即使沒電腦在家,也能在門口即時取得出門資訊。
14:54 在汽車維修店裡,總費用 $562.72,其中 $85 的診斷費已在下車時支付,但結帳時只應收 $477.72。某些系統只用餘額計算,會把銷售金額直接減掉付款,導致顯示應付 $477.72 同時把原始金額保留為 $562.72,卻不記錄 $85 的收據,造成收據與系統不符。文章提供了 Excel 範本與 Node 測試程式,示範如何在試算表中分別紀錄總額、已付金額和餘額,並用斷言驗證未付款、部分付款與全額付款三種情況,確保總額與已付金額正確累加。使用這些可再現的測試,可讓開發者快速發現類似的隱藏錯誤,避免結算錯誤或稅務爭議。
14:54 如果你的應用有印度使用者,連電話號碼都要遵守 2023 年的數位個人資料保護法,否則資料會因欄位變動而失控。作者開源了 dpdp kit(Node.js 原生),只要在專案根目錄放一個設定檔,就能自動為每個欄位標註用途、產生同意記錄、在 CI 中比對資料庫與隱私地圖檢測漂移,並提供撤回同意後的自動刪除與許可權請求流程。套件在本地執行、無外部 API,現在已釋出 0.2.0 版,可直接 npm i dpdp-kit 使用。
14:54 開發者發現把 youtube-transcript-api 部署在 AWS、Google Cloud 等雲端時,會被 YouTube 擋住,丟擲 RequestBlocked 或 IpBlocked 錯誤。文章先說明 YouTube 會封鎖大多數雲端 IP,然後介紹三個解法:一是把抓取作業搬到本機或自家伺服器,先快取再讓雲端讀取;二是使用旋轉住宅代理,讓請求看起來像一般家庭網路;三是隻把被封鎖的影片交給 Apify 提供的雲端爬蟲服務,按次付費。依需求選擇最合適的方式,就能順利取得字幕。
14:38 許多小型公司只用試算表記錄客戶資料,想提前知道哪些人可能會流失卻不知道要寫什麼演演算法。作者示範把只有二十筆的客服表格,透過 pandas 轉成表格、使用 scikit-learn 的 LogisticRegression 搭配 StandardScaler,快速訓練出一個可解釋的 churn 預測模型,並說明如何正確切分資料、避免在單筆預測時傳入錯誤形狀,以及讀取混淆矩陣避免被高準確率欺騙,讓使用者能把現有的表格直接套用成實用的模型。
14:38 在企業物流中,車隊會不斷產生診斷與網路資料,需要即時且可靠的記錄方式。作者自行開發一套以 Modern C++ 與嚴謹 OOP 為基礎的 Telematics Fleet Logger,透過資源安全管理避免不必要的記憶體分配,將 GPS、燃料與引擎狀態等資訊持續寫入檔案,方便後續匯入資料庫或分析管線。此系統能同時支援百餘輛車的高頻寫入,適合想提升後端感測資料處理效能的開發者參考。
14:38 很多公司想把軟體變成線上服務,但要同時讓多個客戶使用又不讓資料跑錯,會碰到許多挑戰。作者說明瞭 SaaS 必備的功能,包括多租戶管理、身份驗證、訂閱計費、儀錶板與通知,並比較了共享資料庫、分離 schema 與分離資料庫三種租戶模型。在架構上,從模組化單體開始,視需求再逐步拆成微服務,同時把前端與後端 API 分離,讓後續擴充與串接更容易。透過這些步驟,開發者可以快速建立安全、可擴充且易於維護的 SaaS 系統,也能在未來依需求平滑升級。
14:38 在開發 Node.js 小型 API 時,關閉終端或程式崩潰會讓服務立刻掛掉。作者示範如何使用免費開源工具 PM2 把程式放到背景、自動重啟,說明單執行緒的 fork 模式與埠衝突的處理方式。以簡易的訂單查詢 API 為例,展示啟動、檢查、刪除重複執行以及設定開機自動恢復的步驟。這樣即使在午夜發生未捕獲錯誤,服務也能自行恢復,適合單機掌控的環境。
14:38 使用 AI 整理筆記時,常會看到句子後面附上來源標記,但實際內容可能跟來源不完全相符,人工一篇篇核對很耗時。Graphium 在 v0.77.0 版加入「來源檢查」功能,點選檢查後,AI 會重新讀取引用的檔案,給出「在來源中」「與來源不同」「未在來源」等五種判定,並附上相關引用段落,PDF 甚至會顯示頁碼。使用者只需關注標示為「與來源不同」或「未在來源」的專案,就能快速挑出需要修正的地方,提升筆記的可信度。Graphium 為開源專案,可在 GitHub 取得。
14:38 開發者常以為內部測試的使用者也算在 Google Play 上線所要求的 12 位測試者,結果實際上只有關閉測試的使用者會被計算。文章說明只有在關閉測試軌道上,至少 12 位測試者持續 14 天才可申請上線,且這些測試者必須先退出內部測試才能收到關閉測試的版本。作者提供逐步設定方法,包括先在內部測試驗證安裝、再挑選獨立的測試名單、設定關閉測試的邀請連結,並提醒首次連結可能需要數小時才可使用。遵循這些步驟可以避免因測試軌道混用而錯過上線資格。
14:38 開發者常會想在自己的 GPU 上跑大型語言模型,但記憶體和頻寬常成瓶頸。作者測試了 Ripple-65B 在 RTX A6000(48 GB)與 RTX 3090(24 GB)上,發現模型會每個 token 從 GPU 記憶體讀取整個權重檔,速度受限於記憶體頻寬。透過 4 bits、2 bits 量化把檔案大小從 130 GB 縮到 38.8 GB/20 GB,令每秒產生 14‒31 個 token,並利用 llama.cpp 的 KV快取量化讓 256K token 的提示也能放入同一張卡。這樣的配置讓單卡即可支援 AI 助理的長篇對話與程式碼生成,雖不快但足以做開發與測試。
14:23 在使用電動滑板車時,App 必須在使用者關掉程式後仍然持有 scooter 服務的登入資訊,才能持續抓取充電與行程紀錄。ScooterLog 只把一次驗證取得的 session 以 Fernet 加密儲存,使用環境變數產生的唯一金鑰,並把使用者 ID 只從簽名 cookie 取得,所有資料表都以此 ID 做存取許可權檢查。若想停止輪詢可點「斷線」僅刪除 token,若要完全刪除則逐表清除資料並清除 cookie。這樣既保護使用者隱私,也避免因許可權設定錯誤遺留資料。
14:23 開發者常用 AI 產生程式碼,但工具會加上冗長的索引迴圈、重複檢查與不必要的 try‑except,讓閱讀變慢、除錯變難。本文先說明為何在產量爆增的今天更需要潔淨程式,接著以 Python 與 JavaScript 的範例展示如何把長版程式縮寫成一行迴圈或列表推導式,並提供命名、拆分函式、刪除多餘程式碼、撰寫說明性註解、使用 linter 等五項可直接套用的習慣。把 AI 產出的程式視為草稿,先自行編輯再提交,才能保持程式碼可讀、易維護。
14:23 很多人在學習軟體架構時,只看書本或演講,結果進到真實系統時會發現圖示跟實際運作差很遠。作者 Fuad Husnan 把理論的模組劃分、康威法則等概念,對照上線環境的延遲、重試、非同步佇列等問題,示範如何用六角形(Port & Adapter)讓業務邏輯與基礎設施分離,並說明單體與微服務的取捨與故障防護技巧。這樣的做法讓團隊在面對服務慢、外部服務失效時,不會讓整個交易卡住,也更容易在未來加入新供應商或調整流程。
14:23 在 Android 手機上使用 Bolo 語音輸入時,常會因不小心按到錄音鍵而錄下數秒的環境噪音,雲端會回傳空白結果,拖慢使用者體驗。作者在版本 1.0.44 中加入約 150 行 Kotlin 程式,於電話端先判斷每段錄音是否真的有語音:先計算錄音的噪音底線,再檢查 80‑400 Hz 之間是否有週期性的音高。只要滿足音量高於底線 4 dB 且週期性超過 0.6,且持續超過 60 ms,就視為有語音,否則直接回報「Nothing heard」並不上傳。這樣可在一秒內完成判斷,避免長達七秒的雲端回傳等待,讓使用者不必重複說話,同時減少不必要的雲端流量。
14:23 開發 AI 代理時,常會因工具名稱或引數不清而選錯功能,導致流程卡住或產生錯誤。Pinnasys 在本文說明瞭如何為代理設計具備單一職責、引數描述明確、使用 JSON Schema 定義輸入、回應只保留下一步所需資訊、名稱與許可權一致的函式簽名,並提供檢查清單與測試方式,讓代理在取得客戶資料、處理付款或建立工單時能正確呼叫工具、減少重試,提升效率與安全性。
14:07 開 PR 等人檢查時,看到修改建議可能會讓人緊張,甚至以為自己很差、整個專案要被退回。文章整理 6 種容易讓人越想越糟的念頭,例如猜測審查者在否定自己、把一條意見當成能力證明,或覺得程式碼非得完美不可;並提醒,留言是在討論程式碼,收到建議也不等於被否定。 送出 PR 前,可以花 5 分鐘寫下最擔心的事、找找支援或反駁這些想法的證據,再替每種擔心換個角度看。收到意見時,先道謝,有需要再說明選擇的原因,接著處理修改。把程式碼審查當成合作和學習,能減少因害怕批評而拖延、過度修改或避開交流的情況。
14:07 應用程式回應很慢時,光看查詢和外部服務呼叫的清單,不容易知道時間花在哪裡。AspNetDebugDashboard 2.5 改用時間軸顯示每個請求做了什麼;重複的資料庫查詢會排成一階一階的長條,也能按 Replay 重送請求,再比較修改前後的結果。文中的範例把載入訂單專案的 20 次查詢改成一次批次載入,查詢數從 21 次降到 1 次;總時間從 393 毫秒降到 6 毫秒,不過作者說大部分時間差來自省略了外部服務呼叫。工具適合開發時在自己的電腦上使用,正式環境仍建議使用 APM。
14:07 Forge Custom UI 在本機測試時能正常顯示,部署後卻可能只剩空白麵板,常見原因是網頁找不到 JavaScript 和 CSS 檔案。作者用 Jira 測試站重現問題,發現 Vite 預設會在檔案路徑前加上斜線,部署後瀏覽器便到錯誤的位置找檔案。在 Vite 設定加入 base: './',重新建置後,網頁就會從自己的資料夾載入檔案。作者也提醒,程式裡手動寫的 /logo.png 不會跟著自動修改,必須另外改成相對路徑或匯入圖片;部署前可檢查建置好的 index.html,提早找出同類問題。
13:52 用 REST 時,伺服器常一次送來太多資料;如果畫面還需要相關內容,手機或網站又得再發好幾次請求。GraphQL 讓使用者端在一個請求裡列出需要的欄位,伺服器就照著清單回傳 JSON,連同相關資料也能一起要。例如查學生資料時,可以只拿名字、課程和課程中的課堂名稱,不必收下地址、電話等用不到的欄位。GraphQL 也會先檢查欄位是否寫對,並用不同寫法區分讀取和修改資料;適合資料需求常變的畫面,但資料簡單、形狀固定時,REST 也就夠用。
13:52 不同博彩平臺可能用不同格式寫賠率,程式若直接拿來比較,容易算錯。這篇教學用 Python 把十進位、美式和分數賠率互相換算,也能從賠率估算機率,並示範如何扣除莊家水位。以一組足球賠率為例,比例法算出的主勝機率是 49.59%,冪次法則是 50.52%;兩種方法對熱門與冷門選項的調整不同,結果都是估算值。文章也示範如何找出較好的賠率,以及把 API 資料送進轉換工具;API 範例中的賠率只是示意。
13:42 Hacker News (official RSS) 品質評分 64 64 Claude Code 的工作階段可能用了很多 token,卻不容易看出哪些設定能省下費用。Tokendoctor 是在自己電腦上執行的外掛,能重播過去的工作階段,估算縮小上下文視窗能省多少,也會檢查設定並提出調整建議;每項變更都會先顯示內容,使用者確認後才套用,之後也能復原。外掛還能把 Claude Code 原本會摘要的舊工具輸出改成簡短指標,保留對話原文。作者分享的測試結果顯示,省下的費用會隨工作內容而變,有些測試甚至沒有省錢,因此工具會先用個人紀錄估算,再由使用者決定是否調整。
13:37 軟體專案用了哪些元件和相依套件,若沒有清楚記錄,就不容易瞭解供應鏈風險。SBOM 是一份機器可讀的清單,會記下元件名稱、版本及彼此的關係,方便搭配軟體發布檔案檢視。文章介紹 CycloneDX 和 SPDX 兩種格式,並示範用 syft 替 Rust 專案和 Fedora 容器產生 CycloneDX 清單,也提到可使用 Rust 的 CycloneDX 外掛。相依套件或建置內容更新時,清單也應重新產生。
13:37 Dev.to Top Tech 精選品質評分 76 76 Redis 指令等到逾時時,伺服器可能已經做完,只是回覆沒有送回來;如果使用者端再試一次,寫入就可能重複。作者實測發現,在 redis-py 8.1.0 中,設定 retry_on_timeout=False 仍會重試,INCR 因此讓計數器加了兩次。明確設成 retry=Retry(NoBackoff(), 0) 可以停止自動重試,但逾時仍不代表指令沒執行。另一種做法是替每次操作準備固定的請求 ID,讓伺服器認得重送的是同一件事,只計算一次。
推薦理由:作者用計數器實測說明逾時重試可能讓寫入執行兩次,也整理了停用重試與用請求 ID 避免重複的做法。
13:37 比分提醒如果一直向 API 查詢,就算沒有新賽事也會反覆送出請求。作者示範用 FastAPI 接收 webhook,再把進球、紅牌和完場等事件通知 Telegram 或 Discord;同一事件只提醒一次,通知失敗時也不會拖住另一個頻道。程式會先驗證簽章、過濾不需要的事件,再快速回覆,並在背景傳送通知。文章也提供假事件測試方式,提醒正式上線時要依資料來原始檔調整事件格式與簽章設定,並妥善保管通知憑證。
13:27 Hacker News (official RSS) 品質評分 63 63 想在瀏覽器裡試用 Linux 環境,通常得先準備自己的電腦或伺服器。Unkernel 把 Linux 編譯成 WebAssembly,讓未修改的 RISC-V 64 位元程式能直接在瀏覽器分頁中執行。頁面提供終端機、儲存空間、顯示與音效,也能預覽在其中啟動的網頁伺服器。這讓人可以在瀏覽器裡操作 Linux 環境,並試跑相關程式。
13:21 剪影片時,如果只看檔案處理花了多久,可能會把人在忙別的事時的等待也算成工作時間。這篇文章建議分開記:一欄記找畫面、剪接和檢查成品花的時間,另一欄記上傳或處理檔案時卡住的時間。以一支 8 個鏡頭、45 秒的活動回顧影片為例,文中的試算把手動剪輯估為 43 分 6 秒,輔助剪輯估為 19 分鐘;這些數字是規劃用的假設,實際上應換成自己專案觀察到的時間。
13:21 感測器匯出的資料可能有兩筆看起來相同的實驗編號,但其中一筆多了空白;直接比對時,程式會把它們當成不同編號。先去掉前後空白雖然能抓到不一致,也可能讓原本不同的資料變成同一個編號。文章用 Python 範例檢查整理後是否撞號,並保留原始編號和列號,方便回頭核對紀錄,確認兩筆是重複匯出,還是本來就該有不同編號;確認編號唯一後再合併資料。
13:21 C# 14 的 extension block 能替自己沒有的型別加上屬性和靜態成員,但編譯後的程式碼不會保留原本的寫法。Glass 會把編譯器留下的結構和真正執行的程式碼配對,再還原成可讀的 extension block。結構裡記著成員長什麼樣子和接收的物件,實作則放在外層類別;Glass 會檢視實作是否帶有接收物件,判斷成員是一般還是靜態。這個方法也可能受簽章衝突或編譯器格式改變影響。
13:21 客戶升級授權後,正在執行的服務可能還沿用舊方案,付費功能得等到重新啟動才會開放。文章示範用 .NET 的 IOptionsMonitor 和變更通知,讓背景工作在授權方案升級或降級時重新讀取可用功能與數量限制,不必重啟服務。授權到期則是另一回事:服務仍要在每次請求時檢查授權是否有效,不能只靠背景更新。這樣能讓方案變更即時反映,也避免到期後仍放行。
13:21 .NET Aspire 專案裡有多個服務,出貨時不一定每個元件都會交給客戶,因此不能把整個專案當成一個程式來混淆。AppHost 負責安排服務和產生部署清單,不會以執行中的程式交付,所以文章建議排除它。各服務可以分開混淆,但 JSON 欄位名稱和設定值會被其他程式依名稱讀取,改名可能讓資料消失或設定失效;可以保留這些名稱,或用 JsonPropertyName 固定 JSON 欄位。共用的 ServiceDefaults 則要和呼叫它的服務一起混淆,避免方法改名後找不到。
13:06 算暖爐風扇要用多少電,不能直接套用型錄上風扇本體的效率,因為馬達、葉輪和狹窄的機殼也會耗掉不少電。一臺每分鐘送出約 1,095 立方英尺空氣、電表量到用電 610 W 的暖爐風扇,真正送到空氣裡的只有約 103 W,整體效率約 16.8%。 濾網變髒、空氣更難通過時,ECM 馬達會維持風量,因此用電會增加;PSC 馬達則可能送出較少空氣、用電稍微下降,但熱交換器溫度會升高。也就是說,看到暖爐風扇用電變少,不一定代表運作得比較好。
13:06 網路商店下單或銀行轉帳時,如果只做完一半,資料就可能出錯。PostgreSQL 可以把幾個資料庫操作包成一組:用 BEGIN 開始,全部成功就用 COMMIT 儲存;中途失敗,就用 ROLLBACK 把已做的變更取消。像轉帳時,如果扣了 Ravi 的錢,卻沒成功加到 Swaroop 的帳戶,就該取消整筆操作。 索引則像課本後面的索引,能幫資料庫更快找到需要的資料;但索引也會佔空間,新增或修改資料時還得多做一些工作,所以要依實際查詢來建立。開發者可以用 EXPLAIN 檢視 PostgreSQL 打算怎麼找資料;例如庫存不能是負數,也能設規則讓資料庫直接拒絕不符合的資料。這些做法能讓資料更可靠,也讓常用查詢更有效率。
13:06 AI 報告只要出現一個編造的數字,讀者就很難放心;但要大家逐項重算,也不實際。作者分享 RE Intelligence 的做法:先用固定查詢算出數字,記下每個數字來自哪個查詢,再交給模型寫成說明;如果資料裡沒有答案,就寫「找不到」,不讓模型猜。文章也示範用程式檢查報告中的數字和引用是否相符,並提出四個檢查問題,幫助團隊確認報告能否追溯來源。這種做法需要事先寫好查詢,文字也可能比較平實,但能讓讀者看清數字從哪裡來。
12:51 PyTorch Core Releases 品質評分 37 37 這次 PyTorch 的更新加入 profile._toggle_stack_collection(),可以停止收集 Python 呼叫堆疊。這項變更出現在 viable/strict/1794891015 這個版本標記中;頁面沒有提供更多說明,因此目前只能確認新增了這個功能。
12:50 只靠提示詞告訴 AI 助理要做什麼,可能還是會讓它自己決定資料表、許可權和 API 格式,甚至在不同程式裡做出互不相容的版本。作者以「使用者只能看到自己工作區的資料」為例,說明要把資料表關係、每張表的工作區欄位、存取規則和 API 收到的資料格式都寫清楚,再讓 AI 助理照規格實作。作者也介紹一套四份檔案的做法,涵蓋需求、介面、技術架構和實作規則;遇到規格衝突時,要求 AI 助理先提出問題。這樣能把容易被自行猜測的設計決定留給人處理。
12:50 系統用來判斷工作有沒有讀過檔案的數字,可能看起來很精確,實際上卻算錯了。RLM Labs 分享兩次經驗:第一次把所有累積紀錄都算進去,第二次又把搜尋結果和目錄清單也當成讀取。結果,檢查答案的 AI 助理只拿到計數,沒有檔案路徑,無法核對答案。作者後來在每筆紀錄寫入時標明是讀取、搜尋命中還是列出目錄,只有真正讀取才計數。文章也提醒,數字的意義會隨寫入紀錄的方式改變;要檢查數字是否可靠,得先弄清楚有哪些程式會寫入它背後的資料。
12:50 Qwen3.5-0.8B 在思考模式下會反覆輸出數學題內容,讓模型很難正常作答。研究團隊提出 Tree-Ising,挑選模型權重中的少量位元做修改,再用 GPU 搜尋合適的改法,不需要呼叫大型語言模型。研究報告稱,修補約花 $0.90、耗時 31 分鐘;GPT-6 Astra 的修補則花 $312、耗時約 15.6 小時。在 MATH-500@4 測試中,Tree-Ising 得分為 54.6%,GPT-6 Astra 為 51.7%。不過,結果都來自數學測試,尚未經其他人獨立重現,也沒有和 LoRA 等微調方法比較。
12:34 求職平臺如果沒有真實職缺,AI 再會分析履歷也幫不上忙;如果 AI 出錯,求職者還可能根據錯誤分數做決定。作者分享打造 NexeraAI 的做法:從公開職缺來源匯入資料,整理格式、合併重複職缺,並為每個職缺建立固定頁面。平臺用履歷比對職缺,也會列出符合條件和欠缺的技能;若 AI 服務都無法使用,就清楚回報錯誤,不拿範例資料冒充結果。作者認為,先把職缺資料整理好,也要先想好 AI 故障時怎麼處理。
上一頁 1 … 48 49 50 最多提供 50 頁,更早的內容請使用搜尋或主題頁。