跳到正文

教學與實務

拿來就能用的實操內容:提示詞技巧、工作流搭建、工具用法與踩坑經驗。

最新精選

第 321–340 條 · 共 557 條
11月12日週四
  1. OpenRouter Announcements72

    OpenRouter 分析自架 LLM 與 API 的成本損益平衡

    OpenRouter 比較自架開放權重模型與 API 的成本,說明 GPU 負載、模型吞吐量和 API 價格如何影響損益平衡。資料以 2026 年 10 月 8 日價格計算,並提供零資料保留與區域路由的隱私選項。

    推薦理由:文章以同一組 token 組成比較 GPU 租用與 API 費用,並納入流量負載和每位使用者速度,呈現成本損益平衡的計算方式。

  2. OpenRouter Announcements73

    OpenRouter 教你如何評測 LLM,並比較 10 個模型的合成任務結果

    OpenRouter 說明如何用符合應用輸入與輸出格式的任務評測 LLM,並比較正確率、費用與請求時間;文中也公佈 10 個模型在 60 項合成任務上的結果。

    推薦理由:文章以可重現的合成任務示範如何同時檢查正確率、輸出格式、成本與回應時間,也揭示公開排名與特定工作負載結果可能不一致。

  3. OpenRouter Announcements78

    OpenRouter 教學:如何阻止 AI 助理陷入無限迴圈

    OpenRouter 說明如何用四種護欄阻止 AI 助理因工具呼叫失敗而持續重試,降低單次執行與多個工作階段累積的費用。 - 六個模型的測試:啟用 doom-loop detection 後,18 次測試中有 16 次在兩次實際工具呼叫後結束;工具呼叫總數從 314 降至 64,支出從 $0.29 降至 $0.05。

    推薦理由:文章以六個模型的測試說明重試護欄如何減少工具呼叫與支出,並整理單次執行和 API 金鑰層級的控管方式。

  4. AWS Machine Learning Blog76

    如何用反合一對形式化政策進行語意差異比對

    AWS 介紹如何用反合一比對形式化政策,將共通結構合併呈現,並把語意分歧標示為可審查的替代方案。 - 比對方式:引擎在 e-graph 中套用明確宣告的代數性質與領域改寫規則,忽略已涵蓋的表面差異;規則不足時,剩餘差異也可能只是尚未推導出的等價關係。

    推薦理由:文章以多種授權政策範例說明,如何用反合一定位形式化候選方案的語意分歧,並交由驗證、重播或人工審查處理。

  5. Dev.to Top Tech81

    POCKET GGUF 教學:拆解 111GB 模型檔為何可在 78.8GB RAM 中執行

    POCKET GGUF 文章依模型檔、GGUF 標頭與張量清單估算本機執行所需的 RAM,說明檔案大小並不等於每個 token 都要讀取的權重量。 - KV 快取:在 262,144 個 token 的脈絡長度下,26B、35B 與 180B 的估算值分別為 5.20GiB、5.00GiB、6.00GiB;計算採用 fp16 快取。

    推薦理由:文章以 GGUF 標頭與張量清單拆解 RAM 預算,說明如何把權重、KV 快取與每個 token 讀取量納入本機部署估算。

  6. Databricks Blog63

    Databricks 說明如何偵測與處置憑證驅動的攻擊

    Databricks 說明如何從稽核紀錄辨識憑證遭竊後的連鎖活動,並調查、移除攻擊者建立的存取路徑。 - 六階段攻擊鏈:涵蓋使用有效憑證登入、盤點環境、竊取更多憑證、建立程式執行途徑、維持存取,以及收集資料與清理痕跡;攻擊事件可能非線性發生,應串連不同身分的活動判讀。

    推薦理由:文章以六階段攻擊鏈串連 Databricks 稽核事件,並說明如何用 Genie 調查、處置憑證遭竊後延伸出的存取路徑。

  7. Lobste.rs (Engineering Discussion)73

    Andrew Kensler 的 permute() 如何以常數記憶體隨機遍歷陣列

    permute() 透過可逆雜湊與 cycle walking,將陣列索引對映成偽隨機順序,讓程式能以常數記憶體抽取不重複專案。 - 與 Fisher-Yates shuffle 的差異:完整洗牌需要 O(n) 時間與 O(n) 記憶體;增量式 Fisher-Yates 需要 O(k) 時間與 O(k) 記憶體。

    推薦理由:文章拆解無放回隨機取樣的時間與記憶體成本,並說明 permute() 如何用可逆雜湊與 cycle walking 避免掃描整個陣列。

  8. Dev.to Top Tech76

    如何在網頁應用程式實作《歐盟 AI 法案》第 50 條透明度要求

    文章說明網頁團隊如何依《歐盟 AI 法案》第 50 條,處理聊天機器人揭露、深偽內容標示與生成內容的機器可讀標記。 - 聊天揭露:應在最遲首次互動時,以介面中的清楚文字告知使用者;實務上可放在聊天控制項旁,並在使用者輸入前顯示首行提醒。

    推薦理由:文章把聊天揭露、深偽可見標示與生成內容機器可讀標記拆成三種工程工作,並提供介面與素材流程的實作判斷依據。

  9. PyTorch61

    PyTorch 核心維護者 @ezyang 說明如何在大型訓練前用單張 GPU 測試分散式程式中的當機、GPU 記憶體不足與數值錯誤。 - 測試方法:以 fake process group 替代分散式通訊,檢查程式是否當機或發生 GPU 記憶體不足;也可使用 SPMD types 尋找數值錯誤,無須執行完整規模的分散式測試。

    推薦理由:內容說明如何用單張 GPU 檢查分散式訓練中的當機、記憶體不足與數值錯誤,呈現大型訓練前可先採用的測試方法。

  10. LangChain Blog75

    LangChain 如何讓 GTM Agent 持續產出一致且高品質的銷售素材

    LangChain 說明其 GTM Agent 如何運用業務流程、客戶資料與品牌規範,產出銷售素材並配合交易階段推送給業務代表。 - 使用成效:過去 12 週產出 1,540 份素材;有寄出素材的交易中,47% 進入後續階段,配對比較組為 16%。

    推薦理由:LangChain 的案例拆解了銷售AI 助理如何結合流程知識、客戶資料與品牌規範,並以人工回饋和使用資料持續調整產出。

  11. Dev.to Top Tech78

    AI 助理記憶檔案有被讀取嗎?Root 統計 386 個工作階段中的開啟次數與盲點

    Root 檢查 AI 助理的記憶檔案是否在需要時被讀取,並比較工具開啟、提示注入與任務觸發三種路徑的測量方式。 - 工具開啟:一個 Claude Code 設定中的 lessons 檔案,在 2026-11-08 統計的 386 個工作階段中僅於 5 個被開啟;另一項截至 2026-11-09 當週的回憶步驟提供 49 個檔案指引,之後沒有指引檔案被開啟。

    推薦理由:文章比較工具開啟、提示注入與任務觸發三種記憶讀取路徑,並說明各自的計數方式與盲點,可用來檢查記憶是否真正進入工作流程。

  12. Lobste.rs (Engineering Discussion)72

    從 Einstein 到 Lamport:因果順序如何解決分散式系統的並行寫入

    文章從 Einstein 的同時性觀念與 Lamport 的事件排序出發,說明協作編輯中的並行寫入為何不能只靠時鐘判定先後,並介紹三種處理方式。 - 最後寫入勝出:依時間戳保留較新的寫入,但可能讓未被另一方看見的更新消失。

    推薦理由:文章以 Alice 與 Bob 的協作編輯衝突串起因果順序與分散式系統,並比較三種處理並行寫入的方式,說明 CRDT 如何讓副本合併後一致。

  13. Dev.to Top Tech82

    使用 Perfetto SQL 進行 Android 效能除錯

    Perfetto SQL 可將 Android 系統追蹤資料當作資料庫查詢,協助工程師定位效能瓶頸,並把分析流程納入 CI 回歸檢查。 - 診斷方式:文章示範查詢影格時間線、主執行緒同步 Binder 交易、完整繪製時間,以及鎖競爭期間的執行緒狀態,並說明如何辨認追蹤資料缺漏與未完成的切片。

    推薦理由:文章把 Perfetto 查詢用於影格卡頓、Binder 阻塞與鎖競爭診斷,並示範如何將指標整理成 CI 回歸門檻。

  14. Amazon Science64

    Amazon Web Services 以 Tiros 驗證 Cloud WAN 網路組態

    Amazon Web Services 說明如何使用 Tiros 分析 Cloud WAN 網路組態,檢查各網路區段是否符合隔離政策。這種靜態驗證會分析模型中的所有路徑,不必依賴封包抽樣。

    推薦理由:文章說明如何把 Cloud WAN 設定轉成邏輯命題,再檢查所有模型化路徑是否違反分段政策,呈現靜態驗證與封包抽樣的差異。

  15. Dev.to Top Tech82

    AlphaProof Code 驗證 Signal 的 libsignal 加密實作,並以舊漏洞測試辨識能力

    Google DeepMind 使用 AlphaProof Code,為 Signal 參考實作 libsignal 的編譯程式碼產生機器檢查的形式化證明,涵蓋一對一訊息的握手與金鑰輪替。

    推薦理由:這項驗證涵蓋 libsignal 編譯後的程式碼,並以兩個已修補漏洞測試工具能否辨識不安全版本,呈現形式化驗證的實際範圍與檢查方式。

  16. AWS Machine Learning Blog61

    AWS Quick 如何以六個 AI-PDLC AI 助理串起產品開發前期流程

    AWS Machine Learning Blog 說明如何在 AWS Quick 設定六個 AI-PDLC AI 助理,協助團隊從分散的客戶訊號走到經驗證的產品原型,並在每個階段保留人工核准。

    推薦理由:文章以六個 AWS Quick AI 助理串起探索、決策、設計與原型階段,並說明各階段如何保留決策依據與人工核准紀錄。