跳到正文

#資料/訓練

RSS
今日 7 則
11月16日週一
  1. Dev.to Top Tech73

    Databricks Genie 進駐 Microsoft Teams,教你避免兩套系統報出不同指標

    同一個「活躍客戶」問題,如果 Databricks Genie 和 Microsoft Fabric 各自讀取不同的指標定義,就可能在 Teams 裡給出兩個看似都很確定的答案。作者整理 Databricks Genie 的新功能,並建議公司先選定每個指標由哪一套系統負責,再用程式定期比較兩邊的結果;若差異超過設定範圍,就發出提醒。文中也示範如何把指標寫成可管理的定義,並指出每個正式採用的指標都需要有人負責更新和確認。這能讓團隊及早發現數字不一致,避免爭議等到主管看到兩份不同報表才浮上檯面。

  2. Dev.to Top Tech60

    作者示範如何從零訓練 590 萬引數的故事模型,並找出它背下的內容

    很多人以為訓練大型語言模型需要昂貴裝置和團隊,作者用免費的 Google Colab GPU,花約 5 分鐘從零訓練出一個會接著寫睡前故事的小模型。它有 590 萬個引數,作者也用沒給模型看過的 200 篇故事檢查表現,並展示模型有時能寫出通順但古怪的句子。模型接著寫出的另一段故事,則和訓練資料中的內容完全相同,顯示它是在背故事,而不是自己想出新內容。作者藉此解釋模型如何從例子中學習,也提醒增加不同故事、減少重複內容,有助於看出模型是否只是記住資料。

11月15日週日
  1. Dev.to Top Tech38

    臺灣 24 節氣 CSV:清楚分開氣象署公佈時間與計算估值

    節氣日期表如果沒標清楚來源,使用的人可能會把計算估值誤當成官方公佈時間。這份臺灣節氣 CSV 收錄 2020 到 2035 年的資料,共 384 筆:2026 和 2027 年的 48 筆來自中央氣象署年曆,其餘 336 筆是依太陽位置算出的估值。作者也拿這 48 筆和氣象署年曆比對,日期都相同,公佈到分鐘的時間最多差 1 分鐘。使用資料時應保留來源標記;若需要確切的官方時間,仍要查當年的氣象署資料,別把估值當成正式公佈結果。

  2. Dev.to Top Tech46

    Shopify 多店 CSV 合併教學:避免訂單金額重複計算或漏算

    多個 Shopify 商店的訂單 CSV 合在一起時,直接複製貼上或用試算表合併,可能讓財務數字出錯:同一筆訂單會拆成多列,總額、稅金和運費只寫在第一列;不同商店也可能有相同訂單編號。文章建議用 Python 和 Pandas 按欄位名稱整理資料,從檔名加上商店識別碼,並統一日期格式。合併後還要確認訂單是否重複、保留郵遞區號開頭的 0,並依訂單時間換算不同貨幣,才能降低營收和稅金報表算錯的風險。

  3. Dev.to Top Tech59

    400 組粉末混合物的研究,說明標籤出錯會如何影響機器學習

    實驗資料的標籤可能因儀器讀錯或樣本狀況而不準,讓模型把錯誤當成規律,也讓評估結果失去準確參照。作者分享一項 400 組藥用粉末混合物研究,用 Random Forest 和 XGBoost 預測粉末是否容易流動,準確率最高達 85%,但這個數字也受標籤品質影響。他們會檢查模型很有把握、卻和原標籤不同的例子,並用實驗確認生成的配方是否符合預期。作者認為,這些不一致值得人工複查;評估模型時,也要交代標籤是否經過查核。

  4. Dev.to Top Tech36

    監督式學習第 10 章:重點整理與練習

    監督式學習會拿已經有答案的資料教模型,讓它學會預測新資料;例如看過許多房子的大小和價格後,試著估算沒看過的房子值多少錢。不同方法各有用處:有些容易看懂,有些擅長找出複雜規律,也可以把多個模型合在一起提高預測表現。要讓結果可靠,還得準備好資料、選對評分方式,並把訓練和最後測試分開,避免模型偷看到答案。模型上線後也要持續檢查;如果資料或情況變了,原本好用的模型可能就不準了。

  5. Dev.to Top Tech37

    Gradient Boosting 如何一步步修正錯誤,讓簡單模型變得更準

    單一簡單模型常抓不到資料裡複雜的關係。Gradient Boosting 會先做出初步預測,再讓新的小模型學習前面還沒猜對的地方,接著把修正加進整體結果,一步步減少預測錯誤。像預測裝置故障時,新模型可以接著找出舊預測漏掉的溫度或震動線索。這種方法常用在表格資料,但模型做得太複雜,也可能把資料裡的雜訊當成規律;因此要看驗證結果,調整修正幅度和訓練次數。

  6. Dev.to Top Tech55

    用 Python 查詢韓國 CPI、失業率、基準利率和韓元匯率

    查韓國官方經濟資料時,常得分別申請 KOSIS 和 ECOS 的 API 金鑰,還要處理韓文欄位。作者示範兩個 Apify 工具,分別查詢兩個資料庫,回傳帶有英文標籤、數值、單位和來源網址的資料,也能透過 MCP 提供給 AI 助理使用。例如,查詢韓國 CPI 和失業率後,可以直接整理成時間序列並標明資料出處。工具按回傳資料列數收費;只取需要的專案能減少費用,免費資料彙整服務也可能更適合只查一兩項常見數字的人。

  7. Dev.to Top Tech56

    多賣家市集如何檢查商品資料、圖片與重複刊登

    多賣家市集常遇到商品重複刊登、顏色名稱不一致,或商品圖片不合格的問題,人工逐筆檢查也很花時間。作者分享一套上架檢查流程:先確認各類商品必填的資料,再把不同寫法統一成相同名稱,接著檢查圖片,最後比對商品編號、標題和圖片,找出可能重複的刊登。明顯不合格的內容可以擋下來,模糊或疑似重複的專案則交給人員確認。作者也提醒,CSV 匯入和網頁上架要走同一套檢查,並先試跑、檢視結果,再正式啟用限制。

  8. Dev.to Top Tech39

    用 Python、dbt 和 DuckDB 打造不靠 AWS 的現代資料工程流程

    蒐集不同地區的天氣資料,常得整理資料、檢查品質,還要想辦法讓大家看懂。這個專案用 Python 從 Open-Meteo API 抓資料,交給 DuckDB 儲存,再用 dbt 整理資料並自動檢查;GitHub Actions 每天執行流程,GitHub Pages 則公開圖表、檔案和整理好的資料。它涵蓋秘魯 12 個城市,累積超過 12,000 筆每日天氣紀錄,並用 27 項自動檢查確認資料品質。這讓團隊能比較各地天氣、留意極端狀況,也示範瞭如何用免費開源工具做出不依賴 AWS 的資料分析流程。

  9. Dev.to Top Tech51

    如何安全地讓 AI 程式助理查詢大型舊版 SQL 資料庫

    把 AI 程式助理接上舊版資料庫,就算帳號只有讀取許可權,也可能因查詢方式不當拖慢系統,甚至讓現場人員無法工作。作者以 SQL Server 為例,說明資料表太多、欄位型別不合,以及讀取時鎖住資料,都可能造成問題;他建議先整理出仍在使用的資料表和關聯,再依欄位格式傳送查詢值,並限制查詢筆數、設定逾時與低優先權,擋下可能觸發外連或長時間運算的查詢。這些做法能降低讀取工具影響正式資料庫的風險。

  10. Dev.to Top Tech39

    Road2Sushi 如何用機率預測足球賽事,並檢查預測準不準

    足球比賽常被一張紅牌、一次受傷或一個失誤改變結果,只說「哪隊會贏」很容易讓人以為答案一定如此。Road2Sushi 把賽事預測寫成機率,例如主隊勝率 48%、和局 27%、客隊勝率 25%,也會用機率換算理論賠率,並和有提供的市場資訊放在一起比較。平臺還公開賽前預測和比賽結果,讓人能回頭檢查模型表現;不過,模型和市場看法不同,不代表模型一定比較準。這個專案也提醒我們,預測要看長期結果和機率是否可靠,不能只挑幾次猜對的來看,也不能把機率當成保證。

  11. Dev.to Top Tech63

    作者分享如何用 PHP 和 SQLite 建置 105 個國家的郵遞區號網站

    郵遞區號資料量大、來源各有缺漏,要讓一般主機也能快速查詢並不容易。作者用 PHP 和 SQLite 做出涵蓋 105 個國家與地區的網站,每個國家各用一個唯讀資料庫檔案;匯入新資料完成後才換掉舊檔,因此失敗時不會留下半套資料。面對地點座標錯誤、沒有座標的郵遞區號和不適用公開授權的資料,作者也調整了資料呈現方式。附近搜尋改成從小範圍開始,資料足夠就停止,頁面查詢時間因此從約 800 毫秒降到 20 毫秒以下。

  12. Dev.to Top Tech59

    Marymar 用 dbt 和 DuckDB 把 CSV 銷售資料整理成公開資料產品

    CSV 裡的銷售資料可能有重複、格式錯誤或缺少客戶與商品資訊,直接刪掉問題資料也會讓人看不出發生什麼事。Marymar 用 dbt 和 DuckDB 建立可重跑的資料流程,把資料分成可用結果與保留檢查的紀錄,再用測試確認資料沒有遺失、收入也能對上。流程通過檢查後,GitHub Actions 會自動發布報表和資料檔。這個範例使用合成資料,展示如何讓資料整理過程更容易追查。

  13. Dev.to Top Tech56

    Fast Data 實測短影音:多數觀眾在 3 秒內離開

    短影音要怎麼做,才能讓觀眾多看幾秒?Fast Data 用新帳號發布 20 多支程式生成的資料動畫,發現較長的影片表現普遍較差;短片的觀眾也常在前 3 秒離開。作者觀察到,開場一開始就有鏡頭移動的 3D 動畫,比六根一起變長的柱狀圖更能留住觀眾;問題文字若太快消失,也可能讓人看不懂畫面。這些只是單一帳號的小規模紀錄,影片長度和製作品質也同時改變,不能單靠這次結果判定原因。文中還附上 Python 程式碼,示範把不同秒數的觀看留存畫成曲線,方便比較影片設計。

  14. Dev.to Top Tech57

    Akim Collingwood 示範用小型訪談索引整理錄音與後續問題

    訪談資料常散落在錄音、逐字稿和筆記裡,回去追問時很難找到上次談到哪裡。Akim Collingwood 建議先用一份 CSV 和錄音資料夾整理訪談,替每次訪談設固定編號,並記下錄音日期、檔案位置、待追問主題和下次檢視日期。簡單的檢查程式可以找出遺失檔案、重複編號或格式錯誤的日期;另一個小工具則能列出逾期的追問。分享資料前也要檢查實際匯出的檔案,避免把電話、住址或未經同意的引言一起傳出去。先從少量訪談開始,確認這套做法是否真的省事,再考慮要不要做成更大的工具。

  15. The New Stack80

    DuckLake 1.1 如何用 SQL 資料庫簡化資料湖倉

    資料湖倉常把表格資訊散放在許多檔案裡,資料一多,查詢前就得先找出要讀哪些檔案,還可能被大量小檔案拖慢。DuckLake 1.1 把表格中繼資料放進一般 SQL 資料庫,讓查詢能直接找到要讀的 Parquet 檔案;它也能把多個檔案合在一起,減少檔案數量和讀取請求。DuckLake 1.1 在 10 月推出,並附帶 200 多項錯誤修正。這次訪談由 The New Stack 訪問 DuckLake 開發者,說明這套開源格式如何用熟悉的資料庫方式管理湖倉資料。

    推薦理由:訪談把資料湖倉的檔案與中繼資料管理問題,連到 DuckLake 1.1 的做法,能看出 SQL 資料庫目錄如何減少查詢前的整理工作。

11月14日週六
  1. Dev.to Top Tech49

    Llama 3.1 的 Bengali token 數是英文的 6.3 倍:差別出在分詞器設計

    同一段話交給不同模型的分詞器,切出來的 token 數可能差很多;token 越多,使用 API 時就越花錢,也會佔掉更多上下文空間。作者把一段英文翻成多種語言後測試,發現 Llama 3.1 切 Bengali 時用了 278 個 token,英文只要 44 個,約多 6.3 倍;Gemma 3 則是 51 個對 44 個,差距小得多。這表示 token 數的差別和分詞器收錄哪些文字有關,並非語言本身就一定比較「貴」。不過,這只是作者的小規模文字測試,不是耗電量測量;作者也提醒,研究團隊測到的耗電差距還包括模型回答時產生更多 token 等因素。

  2. Dev.to Top Tech46

    SaaS MVP 資料庫設計指南:先做必要的決定,方便之後修改

    剛開始做 SaaS,常會想先把資料庫設計得很完整,結果花太多時間,也可能在產品方向改變後重做。這份指南建議先用單一 Postgres 資料庫,為使用者和帳戶等重要資料建好基本資料表;不確定之後怎麼用的設定,可以先放在 JSONB 欄位,等產品穩定再整理。像是使用者設定,不必一開始就拆成好幾張資料表。新增資料欄位時也盡量採用容易回頭的做法,降低日後修改的麻煩。重點是先讓產品能順利開發,等真的遇到資料或查詢上的問題,再補上需要的設計。

  3. BlockTempo 動區動趨57

    NTT docomo business 等 4 家公司計畫用資料中心廢熱養白蝦

    資料中心會排出冷卻裝置帶走的熱,陸上養蝦也得花能源維持水溫。NTT docomo business 等 4 家公司計畫把資料中心的廢熱拿來加溫養殖池,2026 年度先測量熱量與溫度,2027 年度開始實際養白蝦,實驗到 2028 年 3 月。團隊會檢查水溫能否維持、加溫能源能省多少,以及養殖是否影響資料中心運作。白蝦約 16 到 18 週能養大;實驗結束後若達到可出貨狀態,才會考慮販賣,目前物件和時程都未定。

  4. elvis45

    AI 助理做過的工作不一定會讓它下次變得更熟練,光是給它地方記筆記,也不代表它知道該記什麼。RIME 用同一個模型分工:先帶著舊筆記完成任務,再回頭整理新發現,寫下能幫助未來任務的內容;訓練時會依任務表現和筆記是否有用給予不同獎勵。研究中,一個有 4B 引數的模型拿到與 GPT-5.4、Claude Opus 4.7 相近的分數。這顯示 AI 助理或許能學會留下真正有用的經驗,讓持續學習更可行;不過研究者也提到,如何提高效率並融入實際工作流程,仍是待解問題。

  5. Dev.to Top Tech59

    如何讓 AI 助理協助醫療資料遷移,同時保留人工把關

    醫療資料遷移不能只求快,轉換後的資料還得完整、正確,並能說明為什麼這樣修改。作者分享一套做法:能用一般程式明確檢查的專案,就先交給程式處理;只有遇到需要參考不同資料、判斷情境的模糊問題,才請 AI 助理協助。系統會檢查 AI 助理的輸出格式,也會把信心不足或檢查沒通過的結果交給人工審核。審核者還能檢視採用的規則和資料證據,讓自動處理更有依據,也保留專業人員的最終決定權。

  6. Dev.to Top Tech57

    如何用 Salesforce 和 pandas 找出銷售流程實際怎麼走

    公司記下的銷售流程,常和業務實際做事的方式不一樣;如果 AI 助理照著錯的流程自動處理,原本的問題只會更快發生。作者示範如何整理 Salesforce 自動留下的 OpportunityHistory 紀錄,再用 pandas 檢視每筆銷售機會經過哪些階段、是否跳過或退回,以及階段之間等了多久。若同一團隊大多由一兩個人更新資料,也能看出資訊可能來自表格或聊天訊息。這些數字無法說明原因,但能指出該找誰談、哪些流程問題要先釐清。

  7. Hacker News (official RSS)75

    Gnomon讓AI助理在PostgreSQL分支上修改資料,再由人檢查合併

    AI助理直接改正式資料庫,可能讓人難以檢查改了什麼,也不容易復原。Gnomon是裝在PostgreSQL裡的開源工具,能為每次工作建立獨立分支,讓AI助理照常查詢和修改資料;每個分支會列出改過的資料,合併前也能執行自訂檢查。人可以核准合併、處理衝突,或撤回變更。工具也能重現AI助理當時讀到的資料,方便追查它為何做出某項修改。

  8. AWS Machine Learning Blog74

    AWS SageMaker HyperPod 示範如何用線上資料找出模型盲點並微調

    新產品上市後,分類模型可能沒有對應的類別,讓客服工單被分錯或只能送進通用佇列。AWS 示範用 SageMaker HyperPod Data Capture 把線上請求與回答存到 S3,再用 Athena 找出新產品造成的分類變化,透過 SQL 規則整理訓練資料,並在同一個叢集上微調模型。示範使用合成資料;測試集準確率從 83.9% 提升到 100%,但手寫測試為 20/24,也暴露出模型把「提到產品名稱」直接當成產品分類的問題。文章提醒,完整請求可能含個資,收集前應設定抽樣、加密與去識別處理。

    推薦理由:文章示範如何從線上請求找出新產品分類缺口,再用 SQL 標記資料並微調模型,呈現一套可重做的改善流程。

  9. Dev.to Top Tech38

    AI 設計出更耐熱的酵素,還能維持原本的活性嗎?

    酵素變得更耐熱,不代表它做事的速度也一樣好。研究人員用祖先酵素的資料訓練 AI,設計能製造乙烯的新酵素;測試發現,AI 設計的酵素比較耐熱,但活性比野生型酵素低。這不代表耐熱和活性一定互相衝突,而是兩件事得分開測。 要挑出真正好用的酵素,除了測它受熱後的變化,也要看它能不能把原料變成產品,以及能維持多久。像是兩種酵素,一種一開始做得快、但很快變慢;另一種起步較慢、卻能持續工作,該選哪種得看實際用途。把耐熱、活性和持久度分別記錄,AI 設計團隊才知道下一步該改進什麼。

  10. Dev.to Top Tech47

    AI 蛋白質設計如何從下一輪實驗學到更多?

    AI 助理提出蛋白質設計後,實驗室測試可能只有少數結果理想;但其他結果也有用,不能全都只標成「失敗」。例如,有些候選蛋白雖然能緊緊黏住目標,也可能同時黏上無關的對照物;另一些黏得較弱,卻比較不會亂黏。把這些結果分開記下來,研究人員才看得出差別,決定下一輪該改設計、重做測量,還是先檢查實驗。 要讓 AI 助理幫上忙,團隊可以把結合強弱、是否黏錯物件、受熱時的表現和測量可靠度等資料,連同實驗條件一起交回去。沒有測到結合、測量不可靠和樣本沒通過檢查,也應分開記錄,因為它們代表不同的下一步。更高的耐熱程度不一定表示蛋白質功能更好;保留每次實驗的細節,才能讓研究人員和 AI 助理知道哪些地方值得再試。

11月13日週五
  1. Databricks Blog70

    Databricks Genie Migrate 正式推出,支援將七種資料倉儲的 SQL 轉到 Lakehouse

    企業把舊資料倉儲搬到 Databricks Lakehouse,常得花很多時間改寫 SQL、查檔案之間的關係,還要逐一找出轉換錯誤。Databricks 的 Genie Migrate 現已正式推出,可處理 Microsoft SQL Server、Azure Synapse、Teradata、Oracle、Snowflake、Amazon Redshift 和 Google BigQuery 的 SQL。它會整理檔案與資料表的依賴關係、同時轉換多個檔案,並檢查和修正產出的程式碼,讓工程師比對新舊版本後核准結果。Databricks 表示,七種來源的基準測試中,每種都有超過 90% 的檔案轉換正確;MIXI 測試的 BigQuery 檔案則約有 85% 不必手動修改即可執行。

    推薦理由:文章以七種資料倉儲的轉換基準與 MIXI 實例,呈現 Genie Migrate 的轉換成果及工程師仍需檢查的工作。

  2. Dev.to Top Tech63

    Chinese Naming 開放 109 個中國姓氏資料,說明欄位設計上的取捨

    要找一份能直接使用的中國姓氏資料並不容易:常見名單可能沒有聲調、把複姓拆開,或沒寫清楚授權。Chinese Naming 公開了 109 個姓氏的 JSON 和 CSV 資料,採用 CC BY 4.0 授權,可用在商業用途,也能修改和分享。資料把複姓當成一筆記錄,並分開記錄郡望和堂號;查不到官方排名的人口資料就留空,表示未知而不是零。作者也提醒,CSV 會省略堂號說明文字,而排名目前是文字格式,使用者若要排序得先轉成數字。

  3. Dev.to Top Tech74

    如何在 1 月 14 日前,把 OpenAI 微調模型換成自有模型

    OpenAI 將關閉自助微調平臺,使用 GPT-4o、GPT-4o mini、GPT-4.1 或 GPT-4.1 mini 微調版的團隊,需要在模型停用前準備替代方案。文章提供七週搬遷步驟:盤點正在使用的模型、找回自家訓練資料與測試案例,再用這些資料訓練開放權重模型,和舊模型用同一組測試比對表現。確認結果後,可以先讓新模型在背景回答請求,再逐步切換流量;若服務支援 OpenAI 相容 API,通常只需更改網址、金鑰和模型名稱。作者也提醒,OpenAI Evals 的 API 會在 11 月 30 日關閉,而使用 OpenAI 模型產生的回答訓練替代模型,可能受到使用規則限制,應先確認資料來源與相關規定。

  4. Dev.to Top Tech74

    如何用 Langfuse 或 LangSmith 的追蹤紀錄微調小型模型

    AI 助理留下的工作紀錄很多,但裡面也可能有錯誤答案、重複內容和個人資料,直接拿來訓練會讓小型模型學錯。文章示範如何從 Langfuse 或 LangSmith 匯出特定工作步驟的紀錄,優先保留有人按讚或修正過的答案,再清除重複內容與個人資料。測試資料要按使用者、對話或時間切開,避免和訓練資料重疊;訓練後也要用同一組測試題,比較新模型、原本模型和目前使用的模型。若紀錄裡的答案由 GPT 或 Claude 產生,訓練前還要先確認供應商的使用條款。

  5. Dev.to Top Tech67

    HNSW 向量搜尋如何少比對 96% 的資料

    照片很多時,如果每次搜尋都逐一比對所有照片,速度會變慢;HNSW 用一張分層連結圖,先跳到可能接近答案的地方,再往附近找。作者用 20,000 筆合成向量測試,搜尋時比對 776 筆,約略跳過 96%,找回正確近鄰的比例是 0.944;調低搜尋範圍,工作量更少,但比例降到 0.750。這些數字來自單臺 Mac 上的合成資料,不代表真實照片或產品表現,實際使用仍要拿自己的資料檢查速度和準確度。

  6. Dev.to Top Tech63

    用 Python 分析杜拜房屋交易資料,比較預售屋和成屋

    想在杜拜買房時,常會遇到要選預售屋還是成屋的問題。作者用 Python 和一份免費的 500 筆交易樣本,整理預售屋佔比、每平方英尺價格和轉售時間。樣本中,預售屋佔比從 2021 年約一半升到 2024 和 2025 年約七成;在同一地區比較時,8 個地區有 7 個是預售屋每平方英尺較貴。不過,這份樣本每個月只有 7 或 8 筆交易,適合練習分析和看整體變化,不能用來判斷某個地區或房型的行情。作者也提醒,房屋型別不同,價格所用的面積可能不同,不能直接混在一起比較。

  7. Dev.to Top Tech54

    Microsoft Fabric 的 Lakehouse:共用一個加 Schema,還是分成多個?

    在 Microsoft Fabric 裡,資料分層可以放在多個 Lakehouse,也可以放進同一個 Lakehouse 的不同 Schema;選錯架構,之後可能增加部署和維護的麻煩。作者建議,資料層由同一個團隊負責、一起發布時,可考慮共用一個有 Schema 的 Lakehouse;若負責團隊、資料敏感度或故障影響範圍不同,就適合分開。搬動架構也可能讓筆記本、捷徑和報表連線需要重新設定。文章提醒,建立 Lakehouse 時就要決定是否啟用 Schema,並先畫好連線圖、用固定 ID 和引數管理環境,減少改名或搬遷造成的問題。

  8. Hacker News (official RSS)59

    Qwen3-1.7B 裡的數千段對話,會呈現什麼樣子?

    把模型內部的數字畫成地圖,看起來能讓人比較不同對話的關係,但地圖也可能漏掉很多資訊。作者用 Qwen3-1.7B 處理英文、中文、德文、克羅埃西亞文和 Python 程式例子,再把處理過程中的向量投影到 3D 圖上。圖中英文、德文和克羅埃西亞文有不少重疊,中文則較明顯偏開;但語言、文字、切詞方式和回答內容同時不同,光看圖無法分辨是哪個因素造成差異。作者也發現,這張 3D 地圖只呈現了原始向量變化的一部分,因此圖上的形狀不能直接當成模型完整的內部樣貌。

  9. Dev.to Top Tech63

    PostgreSQL 新手常見錯誤訊息代表什麼,該怎麼處理

    剛開始用 PostgreSQL 時,錯誤訊息常讓人以為資料表不見了,或密碼一定打錯。Hollis 整理了常見問題的原因和處理方式:例如沒指定登入角色時,psql 會使用電腦上的帳號;Docker 資料庫建立後才改 POSTGRES_PASSWORD,不會更新原本的密碼;從容器連線時,localhost 指的是容器自己,應改用服務名稱。文章也說明許可權不足、連線數過多和交易失敗時可以怎麼查。遇到錯誤時,先看清楚 PostgreSQL 正在連哪個帳號、資料庫或位置,往往就能找到原因。

  10. Dev.to Top Tech35

    GEO 如何讓企業資訊更容易被 AI 引用與推薦

    以前商家忙著搶搜尋排名,現在消費者也會直接問 AI 要推薦,光說「產品打折」或「現貨供應」可能不夠。GEO 是整理出完整、真實的品牌資訊,讓 AI 更容易看懂並在回答時引用;像工業零件商就可以清楚說明賣哪些零件、適合哪些客戶、多久交貨,以及售後怎麼做。搜尋排名仍有價值,但 GEO 不能保證 AI 一定推薦你,關鍵是讓商家的資訊清楚、準確,並且能查證。