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 61–80 條 · 共 557 條
11月20日週五
  1. Lobste.rs (Engineering Discussion)66

    Jujutsu 入門指南:用更靈活的方式整理 Git 專案變更

    用 Git 管理程式變更時,改動一多,切換工作、重排提交和處理衝突常讓人分心。這份指南帶熟悉 Git 的讀者認識 Jujutsu,也示範如何在現有 Git 專案中一起使用。Jujutsu 會自動記錄工作目錄的變化,並在上游修改後重新整理後續提交;遇到衝突時可以先繼續其他工作,還能用復原功能回到先前狀態。它也用書籤對應 Git 分支,介紹如何整理提交、推送變更,以及把大型工作拆成一串較容易檢查的小改動。

    推薦理由:這份指南用實際工作流程說明 Jujutsu 如何重排、合併與復原程式變更,也交代它和 Git 分支的差異,適合評估是否採用。

  2. Dev.to Top Tech85

    Ruby2Shell 如何檢查 Rails API 是否受影響,並升級 Ruby 修補漏洞

    Rails API 可能因為底下的 Ruby 有漏洞而受影響,單獨更新 Rails 套件無法修好。文章說明 Ruby2Shell 是 Ruby 字串處理中的記憶體越界漏洞,並列出受影響版本:Ruby 3.3.0 至 3.3.13、3.4.0 至 3.4.12,以及 4.0.0 至 4.0.9;修補版分別是 3.3.14、3.4.13 和 4.0.10。檢查時要在實際提供 API 服務的環境檢視 Ruby 版本,再升級 Ruby、重建映像檔並重新啟動服務。文章也提醒,Ruby 3.2 和更舊版本沒有修補版;若自架服務尚未有更新,應限制外部連線。

    推薦理由:文章把 Ruby 執行環境的版本檢查、修補與重新啟動串成可操作流程,也提醒部署後要確認實際服務已載入修正版。

  3. Dev.to Top Tech83

    Ruby2Shell 會影響哪些 Rails API?如何確認並修補

    Ruby2Shell 是 Ruby 字串處理中的堆積緩衝區溢位漏洞,研究者指出,預設設定的 Rails API 可能在沒有登入的情況下受到影響。使用 Ruby 2.4.0 到 3.3.13、3.4.0 到 3.4.12,或 4.0.0 到 4.0.9 的服務都在影響範圍內;只更新 Rails 套件無法修好,必須升級 Ruby 至 3.3.14、3.4.13 或 4.0.10,並重建映像檔、重新啟動服務,再確認實際執行環境的版本。文章指出,截至 2026 年 11 月 20 日,尚未公開漏洞利用程式,但 Ruby 已表示掌握部分情境下可遠端執行程式碼的概念驗證;Veria Labs 計畫於 11 月 25 日後公開針對預設 Rails 的利用程式。

    推薦理由:文章把 Ruby2Shell 的影響範圍、確認方式與修補步驟串在一起,能幫助團隊檢查實際上線的 Ruby 版本。

  4. Dev.to Top Tech82

    Ruby2Shell 如何檢查 Rails API 是否受影響並升級 Ruby

    Ruby2Shell 是 Ruby 的字串轉大寫功能出錯,可能讓遠端攻擊者在部分 Rails 和 Sinatra 設定中執行程式碼。文章指出,Ruby 2.4.0 到 3.3.13、3.4.0 到 3.4.12,以及 4.0.0 到 4.0.9 都受影響;Ruby 3.2 和更舊版本已沒有修補版。可以在實際接收流量的伺服器或容器執行 ruby -v,再確認版本是否落在受影響範圍。修補要升級 Ruby 至 3.3.14、3.4.13 或 4.0.10,重新建置映像檔並重啟所有服務;更新 Rails 套件無法修好這個問題。Ruby 已表示知道有可造成遠端程式碼執行的概念驗證,研究團隊也計畫在 11 月 25 日或之後公開 exploit;原文沒有指出已有公開 exploit。

    推薦理由:文章整理 Ruby2Shell 的受影響版本、修補方式與線上檢查步驟,能協助團隊確認正式環境的 Ruby 版本並安排升級。

  5. Dev.to Top Tech76

    多個 AI 助理為何更耗成本?文章拆解路由與交接的浪費

    多個 AI 助理分工時,每一輪可能都要重新讀過前面累積的內容,還得多花一次模型呼叫來決定下一步,讓 token 用量和等待時間一起增加。作者用五個 AI 助理處理一份報告的例子說明,路由與交接會重複讀取歷史;改用程式安排固定流程、只傳原始需求和目前結果的摘要,再限制整條任務鏈的交接次數,就能減少這些額外花費。文章也提醒,如果每個 AI 助理仍各自讀完整份報告,這部分用量不會因為調整交接方式而下降,還得另外只取工作需要的段落。

    推薦理由:文章用具體 token 帳目拆解路由與交接如何重讀相同內容,並比較四種做法對成本、延遲與資訊保留的影響。

  6. Dev.to Top Tech81

    NGINX2Root 漏洞整理:未登入者可利用 HTTP/2 漏洞執行程式碼

    未修補的 NGINX 若開啟可從網路連線的 HTTP/2,可能遭未登入的攻擊者利用記憶體錯誤,在 NGINX 工作程式的許可權下執行程式碼。Wiz Research 證實了兩種主要攻擊方式;研究者也在測試環境中,示範如何再串接另一個 Linux SCTP 漏洞,從容器內取得主機最高許可權。目前沒有確認這些漏洞已在真實攻擊中遭到利用。NGINX Open Source stable 1.30.x 應更新至 1.30.7 或更新版本,mainline 1.31.x 應更新至 1.31.9 或更新版本;緊急時停用 HTTP/2 可降低兩種主要攻擊風險,但其他攻擊途徑仍需分別檢查與修補。

    推薦理由:這份整理串起 NGINX 遠端程式碼執行與 Linux SCTP 漏洞的利用條件,並列出修補版本及緊急緩解方式。

  7. Dev.to Top Tech76

    如何確認 Linux 伺服器的 SSH 加固設定真的生效

    照著清單貼上 SSH 設定,不代表伺服器真的採用了它;設定檔的讀取順序可能讓後面的選項被忽略。這篇教學示範如何用 sshd -t 檢查語法,再用 sshd -T 檢視實際生效的設定,並提醒先保留一個連線,再從另一個終端測試修改,避免把自己鎖在伺服器外。文章也整理了限制登入帳號、關閉密碼登入、限制 SSH 可連線的網路,以及檢視登入紀錄等做法。

    推薦理由:文章說明 sshd 可能因設定讀取順序而忽略後寫的選項,並示範如何查出實際生效值,讓伺服器管理者能確認加固設定真的有作用。

  8. Dev.to Top Tech76

    Gemini 4 Neon API 遷移指南:費用怎麼算、Gemini 3.x 哪些設定會失效

    把 Gemini 3.x 的程式改用 Gemini 4 Neon,除了換模型名稱,思考層級、快取、取樣設定和輸出上限也可能改變。這份指南整理了遷移時要檢查的地方:Neon 的輸入費用是每百萬個 token $3.00,輸出費用是 $15.00,思考用掉的 token 也算在輸出費用裡;重複內容可能透過自動快取降低輸入費用。作者也提醒,部分舊設定會被忽略或直接報錯,低輸出上限可能讓答案被截斷,較難的請求則可能需要較長逾時時間。指南建議明確設定思考層級,並用自己的工作內容測試成本和結果。

    推薦理由:文章把 Gemini 3.x 升級時容易忽略的預設值、輸出上限與計費方式放在同一份遷移指南中,能協助團隊找出改版後的相容問題與成本變化。

  9. Databricks Blog78

    Databricks 測試 Genie One:集中管理業務定義,讓不同團隊得到一致答案

    同一個「損失率」可能因部門採用的演算法不同,出現方向相反但都正確的答案。Databricks 用虛構的保險公司測試 Genie One,結果顯示,只有團隊各自整理的 AI 助理時,整體答對率是 83%;再加入集中管理的計算方式與業務說明後,兩次測試達到 93% 到 95%。這些資料讓 Genie One 知道每個部門採用哪種定義,也讓直接回答或轉交 AI 助理時都能找到一致的演算法。團隊檔案仍要靠 AI 助理提供,因此兩者搭配才能同時處理定義和檔案問題。

    推薦理由:這項測試呈現各部門對同一指標各有合理定義時,集中管理計算方式與業務說明如何提升 Genie One 的答題一致性。

  10. Lobste.rs (Engineering Discussion)62

    Platypush 作者重整自架語音助理流程,改善吵雜環境下的辨識

    自架語音助理在吵雜環境或使用便宜麥克風時,可能會把背景聲當成喚醒詞,也可能抓不準使用者何時說完。Platypush 作者換用 microWakeWord 偵測喚醒詞,並調整語音活動偵測,讓系統一起參考聲音大小、背景噪音和一小段時間內的判斷結果。合成測試中,新流程會在最後一句話後約 1.0–1.6 秒結束對話;舊設定則可能多等 6–10 秒。作者也提醒,不同房間和麥克風可能需要調整設定。

    推薦理由:作者比較改造前後的語音辨識收尾時間,並說明喚醒詞、語音偵測與背景噪音處理的調整方式,提供自架語音助理的實作參考。

  11. Databricks Blog63

    Databricks 說明受監管產業如何安排 AI 助理的許可權與控制

    受監管產業匯入 AI 助理時,常要在自動處理和可追查、可控制之間拿捏。Databricks 整理出四種架構模式:由固定規則做出可重現的判定,AI 助理負責查明原因;讓 AI 助理產生結果,再由固定測試判斷是否合格;由 AI 助理整理證據與建議,重要決定交給負責的人;或只讓 AI 助理在明確的許可權範圍內執行。文章也以金融對帳、系統遷移、金融犯罪調查和資料存取為例,說明如何依錯誤代價、能否客觀驗證,以及是否需要人員判斷,安排控制邊界。

    推薦理由:四種架構模式分別安排 AI 助理、規則系統與人員的許可權,能協助受監管產業依錯誤代價和判斷方式規劃控制邊界。

  12. Dev.to Top Tech82

    OpenRouter 部分 DeepSeek V4 Flash 0731 請求流向遭入侵伺服器,使用者該檢查什麼?

    如果聊天機器人或 AI 應用程式把密碼、API 金鑰等機密寫進提示詞,請求又被送到遭入侵的伺服器,這些資料就可能外洩。Phala 表示,攻擊者曾控制一臺處理 DeepSeek V4 Flash 0731 請求的伺服器;若請求在 2026 年 10 月 21 日至 11 月 8 日期間經 OpenRouter 送到 Phala,應把其中的機密視為已外洩。研究者只在 10 月 21 日和 22 日的測試資料中發現憑證遭到使用,但測試沒有涵蓋所有請求,因此 Phala 採用較長的 18 天區間。文章建議查詢 OpenRouter 的使用紀錄,輪替提示詞裡的密碼、權杖和金鑰,並檢查相關帳號是否有可疑活動。這起事件只涉及 Phala 的部署,不代表 DeepSeek 自家 API 或其他供應商也受到影響。

    推薦理由:這起事件的確認範圍與 18 天處理區間不同,文章也整理了查詢路由紀錄和輪替機密資料的做法,能協助使用者判斷該採取哪些防護措施。

  13. AWS Machine Learning Blog60

    AWS 與 Accenture 教你分階段降低 Amazon Bedrock 的 AI 成本

    企業使用 AI 越多,帳單可能越高,就算每個 token 變便宜也一樣。AWS 和 Accenture 建議先用標籤看出各團隊、工作和 AI 助理花了多少錢,再依序調整提示詞快取、批次處理、模型路由、資料檢索、語意快取或模型蒸餾。四個客戶案例中,token 花費約減少 40% 到 85%;有些案例同時改了好幾項,因此無法把省下的費用歸給單一做法。文章也提醒,調整時要逐項測量成本、回答品質和商業價值,品質變差時才能及時回復。

    推薦理由:文章把成本歸因、分階段調整與品質治理串成實作順序,並以四個企業案例呈現不同做法的花費變化。

  14. Google Developers Blog80

    Google 說明 MaxText 如何用 Streaming DiLoCo 跨資料中心訓練大型語言模型

    大型語言模型分散到不同資料中心訓練時,網路速度慢會讓裝置停下來等資料同步。Google 在 MaxText 加入 Streaming DiLoCo,把模型切成多個部分,分批傳送引數更新,讓訓練和傳輸能同時進行。以 Qwen3-32B 為例,在 10 Gbit/s 網路下,每步訓練約 5.76 秒;一般資料平行訓練約 55.11 秒,原本的 DiLoCo 則約 7.55 秒。文章也提到,這種做法在測試中維持了模型訓練品質,並提供 MaxText 的設定方式。

    推薦理由:文章以 Qwen3-32B 在不同網路頻寬下的實測,比較三種訓練方式的耗時,呈現引數分批同步如何減少跨資料中心網路壅塞。

  15. OpenAI News82

    OpenAI 如何用 Performance Factory 找出並修復 ChatGPT 效能變慢

    ChatGPT 變慢時,工程師得檢視指標、紀錄和程式碼,找出原因再修復,過程既花時間,也需要熟悉服務。OpenAI 建立了 Performance Factory,讓 AI 助理在效能警報響起後接手調查、記錄發現並提出修正,再由工程師審核和部署;部署後,另一個 AI 助理會確認效能是否恢復。若判斷原因有疑點,另一個 AI 助理也會嘗試推翻原本的診斷。OpenAI 表示,這套流程運作剛超過 3 個月,追蹤了 1,700 多次調查,找出超過 600 起問題的根本原因。修正是否合適仍由工程師把關。

    推薦理由:OpenAI 說明效能警報如何一路交給 AI 助理調查、提修正,再由工程師審核部署,並在部署後確認是否恢復。

  16. aihot65

    OpenAI 說明 Codex 如何自動排查 ChatGPT 效能退步

    ChatGPT 效能退步時,團隊需要找出是哪裡出了問題。OpenAI 分享一套由 Codex 在雲端自動調查並修復效能退步的流程。文中提到,這套流程在三個多月內追查超過 1,700 次,找出超過 600 個根本原因,平均每天約調查 17 次。這些數字呈現了 OpenAI 如何持續追查 ChatGPT 的效能問題。

    推薦理由:OpenAI 分享 Codex 如何自動追查 ChatGPT 的效能退步,並以三個多月的調查數字呈現這套做法的實際規模。

  17. Google Developers Blog72

    Google 示範如何用 Tunix 和 Gemma 4 訓練多輪 AI 助理

    AI 助理玩棋盤遊戲時,如果只能一次猜一格,常會打很多次才找到目標。Google 示範用 Tunix 在 Cloud TPU 上訓練 Gemma 4,讓它每次出手後讀取棋盤回饋,再決定下一步。示範中的 Plane Strike 是 6x6 棋盤遊戲,AI 助理要找出藏起來的 8 格飛機。訓練 100 步後,在保留的棋盤測試中,勝率從 9.4% 提升到 95%,平均出手次數也從 22.44 次降到約 16 次。

    推薦理由:Plane Strike 的訓練過程呈現多輪工具呼叫如何配合環境回饋逐步修正策略,也提供勝率與出手次數的變化作為參考。

  18. Dev.to Top Tech76

    如何用 llama.cpp 加速 Qwen3.8-27B:NVIDIA 草稿模型可能不如內建 MTP

    在 24 GB 顯示卡上跑 Qwen3.8-27B,加入草稿模型不一定會更快,還可能因為佔用太多顯示記憶體而變慢。作者實測並整理模型卡與 llama.cpp、vLLM 的說明,教人比較 NVIDIA 的 4B 草稿模型和模型內建的 MTP。以文中的估算來看,Q4_K_M 量化後,兩個模型光是權重就要 20.16 GB,還沒算上下文等額外用量;短回答、容易猜錯的內容,也可能讓草稿模型得不償失。作者建議用自己的常見提示詞,分別測試兩種方法和不使用草稿模型時的生成速度,再選較快的設定。

    推薦理由:文章把接受長度、草稿模型耗用的顯示記憶體與回復檢查點成本放在一起比較,說明為何 4B 草稿模型在單張消費級 GPU 上未必勝過內建 MTP。

  19. Browser Use68

    Browser Use 解說 AI 助理如何看懂並操作軟體介面

    AI 助理要替人操作網站或桌面軟體,得先看懂畫面,再決定點哪裡、輸入什麼;操作失誤也可能造成麻煩。Browser Use 說明 AI 助理可用截圖、網頁的 DOM 或無障礙樹讀取介面,再透過工具點選、輸入和捲動畫面,並在每一步確認結果。例如,下載報表時,它得找到報表頁面、選對期間,再匯出檔案。截圖看得到畫面外觀,DOM 和無障礙樹則能提供控制項的文字與狀態。這類操作可能較慢、會出錯,也可能接觸帳號中的敏感資料;文章建議先用小任務測試,限制許可權,並在寄信、購買或刪除資料前要求人工確認。

    推薦理由:文章比較截圖、DOM 與無障礙樹讀取介面的差異,也整理了 AI 助理操作軟體時的常見失誤與許可權風險。

  20. Dev.to Top Tech78

    AWS、Azure、GCP 和 OCI 如何查出共用 NAT Gateway 的流量來自哪些團隊

    多個團隊共用 NAT Gateway 時,帳單通常只列出網路帳戶的費用,很難看出流量是誰用的。文章比較 AWS、Azure、GCP 和 OCI 的做法:AWS 可用 Networking Flexible Cost Allocation,將 NAT Gateway 的流量費用拆到來源資源,方便檢視各團隊用了多少;原本負責付款的帳戶仍支付全部費用,帳單不會自動轉給各團隊。其他雲端服務則可搭配標籤或流量紀錄整理用量,通常還要自行彙整。文章也整理了 AWS 設定生效時間、報表需求和無法拆分的流量範圍,幫助團隊選擇合適的分攤方式。

    推薦理由:AWS 新增的拆分方式保留原有付款帳戶,並把流量用量對應到來源資源;文中也比較了四家雲端服務的分攤做法與限制。