Oliver S. 示範用 Node 檢查兒童讀物是否符合已教過的拼讀規則
孩子練習讀書時,如果遇到還沒學過的字母組合,就可能只能靠猜。Oliver S. 為自製的分級閱讀教材寫了一個 Node 檢查器,在程式檢查時掃描文章用字,也確認練習題答案和音檔是否正確,避免教材出錯或下載連結失效。檢查器會比對各階段教過的拼字規則和單字表;不過拼法符合規則,不一定代表實際讀音也符合。作者也分享多語言音檔檔名曾把不同單字混在一起,提醒這類檢查仍要用各語言的例子驗證。
孩子練習讀書時,如果遇到還沒學過的字母組合,就可能只能靠猜。Oliver S. 為自製的分級閱讀教材寫了一個 Node 檢查器,在程式檢查時掃描文章用字,也確認練習題答案和音檔是否正確,避免教材出錯或下載連結失效。檢查器會比對各階段教過的拼字規則和單字表;不過拼法符合規則,不一定代表實際讀音也符合。作者也分享多語言音檔檔名曾把不同單字混在一起,提醒這類檢查仍要用各語言的例子驗證。
很多人因為第一版看起來不夠好,就不敢分享自己的作品。17 歲的 Bram Lesage 把還沒完成的瀏覽器貓咪遊戲 Lantaarnhoek 的 22 個版本全放上網站,從只有彩色方塊的 2D 雛形,到有立體貓咪和濕石板路的最新版本,都能各自點開遊玩。第一版是用一個約 4.5 KB 的 JavaScript 檔做成,只有四隻不同顏色的貓和簡單玩法。公開每一步,能讓大家看見遊戲怎麼慢慢長大,也提醒其他創作者:第一版很粗糙也沒關係,清楚標明還在製作中,就可以開始分享。
公司失去客戶信任時,損失可能不只表現在退訂,也會影響成交價格和投資人對未來收入的信心。作者用一個 30 行的 Python 模型,把這三種影響放進單一客戶的 10 年價值試算,並以 23andMe、Redis 和 Okta 說明信任受損後可能出現的變化。模型估算,若留客率下降、提供折扣又增加投資風險,客戶價值會少約 24%。作者也整理六項可追蹤的警訊,例如事件說法是否常更改、客戶是否大量刪除資料,以及競爭替代方案是否變多,讓團隊能用自己的數字提早檢視風險。
AI 助理寫程式時,常把大量時間花在讀檔案、跑測試和修正小錯誤,反覆送出長提示詞也會讓費用快速增加。bf16.ai 分享一種雙層分流做法:平常讀檔、修改和測試交給便宜又快速的 DeepSeek V4.1 Flash Fast,遇到複雜設計或難查的錯誤時,再換成 Kimi K3.1 Pro 或 GLM-5.3。文章舉例,在 30 輪、每輪都讀取約 100K token 專案資料的工作中,重複使用已讀過的內容,可把 DeepSeek V4.1 Flash Fast 的輸入費用降到每 1M tokens $0.055。這種分工能省下日常開發費用,但複雜又模糊的設計問題,仍要交給較強的模型處理。
開發 ATProto 軟體時,若把帳號名稱、資料伺服器或貼文時間當成固定且可靠的資訊,程式可能出錯。作者整理多個常見誤解,並用規格和實際伺服器回應說明正確做法:用不會變的 DID 識別帳號,查詢帳號目前使用的名稱與伺服器,讀取資料時也要檢查格式。不同服務可能對追蹤人數或帳號狀態有不同看法;遇到不認識的資料,也應避免直接假設它無效。這份清單能協助開發者找出容易踩雷的地方,讓程式更能應付 ATProto 網路中的差異。
推薦理由:ATProto 將帳號身分、名稱與資料伺服器分開,文中用規格和實際伺服器回應說明常見假設會在哪些地方出錯。
電子製作玩家 Sasa Karanovic 想測試新款開源、開放硬體風扇控制器 OpenFAN XL,就把 100 顆 Noctua 電腦風扇排成 10×10 風牆。控制器有 10 個接頭,所以風扇是每 10 顆一組調整,不能逐顆控制;他也展示把風扇改接成兩組、每組 50 顆的方式。這面風牆還用上 200 個護網、800 顆螺絲和大量線材。Karanovic 說,控制器目前大約可帶動 200 顆風扇。這套裝置看起來很誇張,實際用途不明,但也展示了 OpenFAN XL 能如何控制大量風扇。
語音辨識常會聽錯或漏掉字,提詞器就可能跟不上朗讀進度。這篇教學用一個指標記住稿子讀到哪裡,再往後檢視最多 12 個字;找到相符的字,就把進度移到它後面。較長的字也能容許一個字母替換、插入或刪除,短字則只接受完全相同的比對,減少誤判。文章也提醒,Chrome 的 Web Speech API 通常會把音訊送到 Google 伺服器,並提供手動捲動作為備用方式。
做監測服務時,得處理網站有沒有正常運作、憑證何時到期,也要準備通知、狀態頁和收費功能。Checkmeup 的作者記錄了怎麼在約 20 小時內完成第一版:服務上線時已有定時監測、網站狀態檢查、SSL 到期提醒、狀態頁和手機介面。遇到不同規格的電腦讓 Docker 建置卡關後,他們改用另一種建置方式才順利完成。 文章也補充了後來的改動:監測工作改由共用計時器分派,讓工作太多時檢查延後,而不是一直新增執行緒;收費服務從 LemonSqueezy 換成 Paddle,方案價格也調整為 $9 / $29 / $99,並新增免費方案。這段經驗顯示,先想清楚架構和收費方式,能幫小型團隊更快做出可用的服務。
有些模型會直接輸出像 {"name": ...} 這樣的工具呼叫內容,前面沒有另外的起始標記;使用 tool_choice=auto 時,llama.cpp 因此不會產生文法。這次更新改成看到工具呼叫物件的開頭就觸發文法,讓這種沒有起始標記的 JSON 工具呼叫也能套用文法。
SAC 實作看起來有在訓練,不代表整套流程真的正常;先用便宜的小任務測試,能及早發現問題。作者用自己從頭寫的 SAC,在 Pendulum-v1 訓練 100k 步,並每 10k 步用固定策略評估。分數早早進入約 -150 的範圍後仍會上下波動;每個環境步驟改做兩次梯度更新,這次跑出的最終分數從 -168 改善到 -111,但耗時約多一倍。若分數一直停在 -1,000、進步後又崩掉、出現 NaN,文中也列出抽樣、溫度引數和 tanh 修正等檢查方向。
在自己的裝置上跑大型模型時,模型檔案只是記憶體需求的一部分,長上下文還會用掉 KV 快取,若要讀圖片也得算上額外檔案。作者整理 Inkling 2 Mini 的 GGUF 檔案大小,並估算不同上下文長度需要多少快取。文章建議,16 GB 裝置可考慮較小的 IQ3 或 Q3 檔案並使用中等上下文;24 GB 裝置可搭配 Q4_K_M 使用 128K 上下文;32 GB 裝置則可選 Q8 檔案,並為圖片功能預留空間。實際需求會隨執行工具如何儲存快取而變動,作者也提醒,可在送出長提示詞後檢視記憶體用量。
看到套件寫著「重現論文」,不代表它真的照著論文做,也不一定能得到差不多的結果。這篇文章整理出一份檢查清單:要寫清楚模擬環境版本、訓練用了多少步和哪些硬體,也要交代失敗後重跑的情況;表格裡的數字則應該從實際紀錄自動產生。比如 HalfCheetah-v1 和 HalfCheetah-v4 是不同的模擬環境,沒說清版本,就很難公平比較。作者也提醒,套件要說明自己重現了哪些部分、沒做到哪些部分,並清楚標示結果來自一次示範還是多次測試,讓讀者知道這份結果有多可靠。
AI 助理開新對話後,常會忘記之前選過的做法,讓人得重新解釋。作者推出 Palace,把工作紀錄存在自己的電腦裡,讓 Claude Code、Codex、Cursor 等 AI 助理共用;它會依照當下問題找出相關舊紀錄,並附上來源,方便核對。作者表示,Palace 不用雲端服務或大型語言模型,LongMemEval 測試中有 98.7% 的問題能在前 5 筆結果找到相關對話。這些數字來自作者提供的測試方法,其他人也可以自行重跑。
在 Linux 上跑 Android App,傳統模擬器可能佔用很多記憶體,還會讓電腦變慢。Flowork OS 讓 Android 子系統在背景先啟動,等使用者開啟 APK 時,再為一般 App 建立各自的虛擬螢幕,讓它們像 Linux 桌面視窗一樣顯示;Google Play Store 和部分會阻擋虛擬畫面的 App,則改用另一種視窗方式處理。 電腦沒有獨立顯示卡時,系統會改用 CPU 繪圖;實體記憶體不超過 4.5 GB 時,則把模擬器記憶體調到 1536MB,並限制使用 2 個 CPU 核心。這套功能隨 Flowork OS 的 Live ISO 提供,原始碼採 GPLv3 授權。
現在 AI 可以推薦商品,但如果以後由機器自己下單,它得先知道品牌說的話有沒有證據。MTO 平臺想把品牌資料整理好,讓機器看得懂每項主張,也能找到背後的證明;GEO 則是讓品牌更容易被 AI 看見和推薦。這套做法目前還在理論推演階段,信任評分也沒在真實交易中驗證,作者提醒不要把它當成熟產品來做商業決策。
用 AI 助理操作實體 Android 手機時,常得等 ADB 工具整理畫面資料,點一下可能要等 2–4 秒;每次都把截圖交給模型看,也會花錢又拖慢速度。作者做了開源工具 DroidPath:手機上的 Kotlin 程式透過 TCP 每秒傳送 60 次畫面元件資訊,Rust MCP 伺服器則把常用操作路線存成圖,遇到熟悉的路線就能用 A* 找路,讓 AI 助理不用每一步都看截圖,在不到一秒內操作裝置,已知路線的 token 費用可降到零。這種做法有機會讓重複操作更快、成本更低,也少受畫面小改動影響。
準備求職測驗的人常找不到題數和時間限制,但一些練習網站會把未確認的數字直接寫成事實。CogniPrep 把資訊分成廠商未公佈、由其他人提供,以及自家估算三種,並在測驗頁面上清楚標示;例如 Saville 完整測驗的題數會註明「未公佈」,自家練習用的時間則標成估算。團隊也用一份長期登記表記下仍查不到的資料和暫不開發的專案,並附上檢查日期,提醒後續人員資料可能改變。
更新 Linux 系統時,遊戲相容性和安裝出問題後的修復都是使用者會遇到的事。CachyOS 2026 年 11 月版加入 Easy Anti-Cheat Linux v2 支援,但要使用這項功能,Secure Boot、IOMMU 等條件也必須就緒;新版也加入可協助修復 CachyOS 安裝的救援環境,並提供 Windows Subsystem for Linux(WSL)映像檔,供 Windows 11 使用。這次更新還包含安裝程式與驅動程式改進,並採用 Linux 7.3.5 核心。
同一份虛擬機器設定能在不同平臺使用,不代表虛擬機器在各平臺上的表現和運作方式也相同。VM API 提供共同的欄位來描述虛擬機器,但映像檔和網路名稱要由各平臺各自解讀;排程、高可用性、即時遷移和故障復原也由平臺決定。文章建議,除了確認設定能套用,還要在各平臺測試主機故障、調整資源和復原資料時的結果,並比對工作負載是否符合相同的可用性、復原和效能需求。
Rust 可以用來打造效能好的圖形介面,但目前採用的應用程式還不多,各種做法也沒有共識。Raph Levien 回顧這個領域的進展,認為 AI 工具可能降低撰寫 Rust 程式的門檻;手機應用則可採用原生介面搭配 Rust 共用程式邏輯,照顧各平臺的操作習慣。他也整理文字排版、無障礙功能和影片畫面組合等尚待改善的地方,並指出不同應用需要不同的介面架構。
Redis 8.12 正式推出,這次更新加入多種資料操作功能,也改善部分記憶體用量與查詢處理。大型排序集合改用新的 B+ tree 編碼,可大幅減少記憶體用量;壓縮點陣圖則整合進 Redis 核心,讓點陣圖操作更省記憶體、速度更快。集合中的個別成員現在也能設定到期時間,並查詢剩餘時間或移除到期設定。此外,更新加入多個排序集合移動指令,並修正複寫、點陣圖計數與 JSON 陣列插入等問題。
推薦理由:Redis 8.12 把集合成員到期時間、壓縮點陣圖等能力加入核心,能看出這次更新如何同時處理記憶體用量與資料操作需求。
很多人不是被高明的駭客攻擊,而是把錢包助記詞存進雲端筆記,或不小心讓別人看到,最後拿不回加密貨幣。錢包不是真的把幣放在裡面,而是保管能證明資產屬於你的私鑰;助記詞則能找回這些鑰匙,所以要像保護重要的實體鑰匙一樣保護它。 文章建議先選開放原始碼的軟體錢包,能離線產生私鑰更好;資產價值較高時,可改用 Ledger 或 Trezor 這類硬體錢包。助記詞要寫在紙上或刻在金屬片上,分開存放在兩個實體地點,別截圖、放雲端或輸入陌生網站。也可以加上一組自己記住的額外密語。先用少量資金練習備份和復原,再存入真正要保管的資產。
把多項 API 放上架,除了寫好功能,還得確認安全檢查、檔案匯入和公開設定都真的正常。作者在 Cloudflare Workers 上做了五項 API,並分享架構、價格比較,以及四個差點讓服務無法使用或根本沒公開的錯誤,例如安全檢查把所有網域都擋下來,還有頁面顯示已公開,實際上卻沒有儲存設定。作者也比較自己的收費和市場價格,並提醒延遲要用使用者實際感受到的時間來說明;文中指出,從印度測得的連線時間是 172ms,而 Worker 本身約花 16ms。這是一篇作者介紹自家服務的實作紀錄,價格與延遲資料也有說明測量限制。
播放器寫著支援 4K,不代表播起來一定順,遇到高畫質影片還可能卡住或顏色不對。作者用 SilkPlayer 2.0.2 播放 120、200、400 Mbps 的 4K 影片,還測了兩種 8K Dolby Vision 影片,五個檔案都順利播放;其中 8K Profile 5 的顏色也顯示正常。這些測試只檢查影片解碼,還沒涵蓋字幕、音訊等情況。SilkPlayer 本身不到 20 MB,免費且開放原始碼。
不習慣打指令的人,安裝和管理軟體可能不太方便。CachyOS 推出 Package Installer 2.0,更新了操作介面,並整合 AUR、Flatpak 和 CachyOS 軟體庫;也能用它安裝 AppImage。介面加入主題設計,讓管理軟體更像逛應用程式商店。使用者更新 CachyOS 後即可取得這個工具,之後的 CachyOS ISO 也會附上它。
做 YouTube Shorts 可以很快讓人看見,但只剪遊戲片段可能有收益風險,也不容易讓觀眾找到有用的解說。Resolve Lumvrix v4.4.0 把配音和長篇影片剪輯工具加進同一套工作室,能用免費的 Kokoro-82M 在電腦本機配音,也能選 Google Gemini、Groq、ElevenLabs 等服務;接著會把旁白、畫面、字幕和圖卡排在一起。 例如,作者示範用它製作一支 16:9 的 GTA 6 長篇解說影片,並自動加上旁白、圖卡、音效和片段來源標記。這套工具也提供 54 種 Kokoro 聲音,讓創作者不用付費或申請 API 金鑰,就能開始製作配音影片。
想看城市街道的 GTA 風格 3D 地圖,常見工具做出的街道可能不符合真實地形,文字也容易亂掉。作者用 MapLibre GL 和 OpenFreeMap 做了一個在瀏覽器裡運作的地圖,不用登入、不用 API 金鑰,也不用付費,可以旋轉檢視世界各地的城市。搜尋城市、街區或地標後,地圖會先在背景載入建築,再讓鏡頭旋轉下降到目的地,避免飛越遠方時畫面短暫變黑。使用者也能選 3 種配色、放置任務標記,或把地圖和遊戲風格的 HUD 一起存成 PNG。
健身時手上沾著粉筆,還得解鎖手機才能記錄一組訓練,很不方便。DotShredzilla 讓你直接從鎖定畫面的通知記錄重量和次數,也能切換下一個動作、檢視休息倒數;例如按一下,就能照著上次的重量和次數記錄一組。通知也會提醒你該訓練、達成每週目標或量身體資料,36 種徽章則全部免費。 這次更新也修正了有些人每次關閉 App 後就得重新登入的問題:Android 備份了 Firebase 的登入資料,卻沒有備份只能留在原手機的解密金鑰。1.7.1 會排除這些登入資料的備份,也會清掉已經無法使用的舊金鑰;網路不穩時,App 也不會因此把人登出。
AI 助理的記憶系統常把不同做法都叫作「聯想」,但它們找回資料的方式不一樣。作者用白話分開說明:兩段記憶常一起被找回時,連結可以變強;有些系統只在存入資料時建立連結,有些只比對文字或向量相似度,還有些會依回答評分調整權重。讀取時,系統也可以沿著既有連結找出和問題用詞不同的記憶。作者建議觀察連結權重在共同讀取或評分後是否改變,也可測試只出現一次的更正能不能影響答案;這有助於看出系統實際採用哪種機制,以及它可能漏掉什麼。
AI 助理偶爾能答對,不代表每次都可靠;只看多次嘗試中有一次成功,可能會讓評測結果看起來太好。作者比較 pass@k 和 pass^k:前者看 k 次裡至少成功一次,後者要求 k 次全部成功。以每項任務呼叫 50 次工具為例,即使每次呼叫有 99% 成功率,整項任務成功率也約為 60%。作者也分享自家 AI 營運商店的做法:記錄每一步的輸入、工具呼叫、輸出和成敗,再由不同於產生答案的確定性檢查程式核對紀錄。
使用多條顯示管線推動高解析度或高更新率螢幕時,Intel Linux 驅動原本不能同時使用 PSR2 和 Panel Replay 省電功能。Intel 工程師 Mika Kahola 已提交相關程式碼,讓這兩項功能能搭配 Pipe Joiner 使用;程式碼已送交 DRM-Next,預計納入 Linux 7.5。PSR2 和 Panel Replay 都能在畫面沒變時減少更新或傳輸資料,降低耗電與頻寬使用。
查歐洲公司和政府標案時,開發者有時會用瀏覽器自動抓資料;檢查電子發票時,則可能得把含有機密的 PDF 上傳到別人的網站。這篇文章介紹兩種免費工具:一種用 Python 內建功能查官方資料,另一種直接在自己的電腦檢查 Factur-X 發票裡的資料與金額有沒有問題,不必把 PDF 傳上網。像是檢查買家的公司編號是否正確,或確認發票上的金額算得對不對。需要定期追蹤資料時,也能把工作流程匯入 n8n,讓查資料和整理結果自動進行。
大型語言模型回答問題時,會把讀過的文字留在 KV cache;如果每個請求一開始就預留一大段記憶體,很多空間會被佔著,其他請求也用不到。作者用停車位和小型互動示範,解釋 PagedAttention 如何把記憶體切成固定大小的區塊,需要時才分配,並用對照表記下區塊位置。多個請求也能共用相同提示詞的資料,只有內容要改動時才複製區塊。這能減少閒置空間,讓同一批記憶體容納更多請求;作者也提醒,區塊較大時空位會增加,太小則可能影響 GPU 平行處理。
推薦理由:文章從 KV cache 的記憶體浪費談起,再用互動式示範比較分頁配置與連續配置,說明記憶體管理如何影響同時服務的請求數。
評估 AI 助理時,常把「事情有沒有做」、「成果好不好」和「最後有沒有帶來幫助」混成一種感覺。這篇文章建議分開檢查:先看工作紀錄,用雜湊比對確認存下來的結果有沒有被改過;再照事先寫好的標準評分;最後觀察後續造成了什麼影響。文中用查詢 BTC 價格的紀錄示範:重新計算後,結果和紀錄上的雜湊相同,能證明存下來的內容沒被改動,卻不能保證價格本身正確。把檢查過、沒檢查過和根本沒有紀錄的步驟分清楚,評估才不會只剩下「感覺還不錯」。
想用同一個地方寄電子報、向讀者收費,Ghost 和 Substack 現在就能做到;WordPress.com 則有很多版型可選。Galascribe 目前沒有電子報寄送和收費功能,版型也只有六種。不過,用 Galascribe 寫的文章會是你 GitHub repository 裡的 Markdown 檔案,網站發布也在你的 GitHub 帳號裡進行;使用其他服務時,文章則放在服務的系統裡,離開時要先匯出。 這不表示其他服務會把你的文章鎖住:Ghost、Substack 和 WordPress 都提供離開的方法。差別在於 Galascribe 的文章原本就放在你的 repository,拿到檔案就能帶走;但按讚和留言目前存在 Galascribe 的資料庫,也沒有匯出功能。選之前,可以先試著把文章匯出或複製出來,開啟看看自己實際拿得到什麼。
AI 助理寫好的 pull request 看起來很完整,卻可能只是說測試跑過、檔案更新了,實際上沒有做。文章提出一種「工作收據」:每做一個步驟,就留下當時的結果和 SHA-256 雜湊值;審查者可以重新計算雜湊,確認結果有沒有被改過,也能標出哪些步驟根本沒留下紀錄、哪些還沒檢查。像檔案分析,就能把當時分析的結果存下來,再由審查者核對雜湊是否相同。這能幫忙確認某個步驟和它留下的結果,但不能證明結果正確,也不能代替人判斷程式值不值得合併。
AI 助理用了工具後,別人很難確認它實際做了什麼、結果有沒有被改過。Zambo 讓操作直接透過平臺執行,每次呼叫都會產生一張公開收據,記下使用的工具、時間和結果;任何人都能重新計算結果的 SHA-256 雜湊,檢查是否和收據相符,不必註冊帳號。平臺已有 158K+ 張收據可供查驗。不過,收據只能證明結果沒有被事後改動,不能證明結果本身正確;例如,BTC 報價即使成功驗證,也可能在取得當下就有錯。
AI 助理框架有時會多呼叫一次工具,也可能把原本只該送到自己應用程式的掃描資料送到公開伺服器。Somay 分享自己在 NVIDIA、Google、Microsoft、Intel 和 CNCF 合併的 93 項修正:例如讓 NVIDIA NeMo 的 AI 助理在工具呼叫次數到上限時停止,也修正 OpenVINO 把 [1.5, 3.0] 傳成 [0.125, 32.0] 卻沒有報錯的問題。他會寫 Python、C++ 和 TypeScript,正在找遠端全職或約聘工作。
從頭訓練大型語言模型很花錢,但多數小團隊不必自己做這一步。這篇指南先說明模型如何從大量文字學習,再整理幾種省成本的做法:用 LoRA 或 QLoRA 微調已有的開放權重模型,或用 RAG 在回答時查資料,完全跳過訓練。文章也比較 DeepSeek、Kimi、Qwen 等開放權重模型,以及 OpenAI、Anthropic、Google 的封閉模型,並說明 Kiro 是負責串接模型的開發工具,不是模型製造商。
代理服務如果對外開放,可能讓不該使用的人借道連上內部網路;但只看到服務名稱,還不能判斷它是否有風險。作者比較 ZoomEye 的搜尋結果,指出 GOST 回應中的 Proxy-Agent 標頭比一般標題更能辨認代理軟體,也提醒這些筆數不能證明代理服務開放或使用了有漏洞的版本。檢查時要分開確認代理連線與管理 API 是否能從不可信的網路連上,並檢視驗證方式、可連線目的地和已撤銷帳號是否仍能使用。即使登入有效,也要限制代理能連到哪些地方。