跳到正文
今天11月22日週日241 則
  1. DEV Community17

    我頗滿意我的藝術網站技術架構

    作者分享建構藝術網站的技術架構,前端採用 React,後端使用 Python 和 Flask,並以 CRA 建立 React 應用程式。網站透過 TinyPNG 壓縮圖片及採用延遲載入改善載入速度,並根據用戶意見考慮加入留言區和藝術家簡介頁。作者正探索以 TensorFlow.js 加入 AI 功能,並希望新功能能支持藝術家,而非取代他們。

  2. DEV Community89

    Claude 協助的黎曼猜想證明:獨立核查實際顯示甚麼

    Anthropic 數學家 Levent Alpöge 表示,他相信自己與 Claude 找到了黎曼猜想的證明;Lean 與 Mathlib 社羣於 11 月 21 日公佈多項獨立核查,並對原始猜想證明的正確性表示充分信心。

    推薦理由:文章拆解 Lean 與 Mathlib 對命題、編譯、定理對照及證明檢查器的核查,並區分形式正確性、數學理解與獎項審議的不同階段。

  3. DEV Community33

    開發者為甚麼把九款自製免費小工具和遊戲放在同一頁

    瑞典開發者將九款自製免費工具和遊戲集中列在同一個網站首頁,讓用戶不用記住九個網址;每個項目仍有自己的子網域,個別項目停用或失效不會影響其他項目。這些項目包括開源音樂伺服器 Melarka、Chrome 擴充功能 Nordic Dual Subs,以及兒童 Roblox 遊戲 Egg Raiders 和 Brick Smash;作者表示,作品均沒有廣告,並披露 Claude Code 的協助。

  4. DEV Community60

    如何在受監管系統中管控 AI 智能體

    受監管系統中的 AI 智能體接觸生產資料前,應先設置控制平面,涵蓋智能體清單、模擬測試、政策監察、審計記錄及人員監督。隱私檢查應按查詢涉及的資料類別組合判斷,因為原本各自允許的兩三項資料合併後可能構成個人資料。文章建議在智能體呼叫工具前阻截違規組合,並在查詢、接收者或處理地點改變時重新檢查;人員應在智能體完成重要操作前評估和批准。

  5. DEV Community45

    YodaMan 0.6.7 與 Context Expert 1.4.0:記錄工具行為並找出 50 個錯誤

    YodaMan 0.6.7 與 Context Expert 1.4.0 同步推出;團隊為 YodaMan 撰寫完整 OpenSpec 規格,並在核對程式碼時找出約 50 個錯誤。規格涵蓋 17 個範疇及約 250 項要求,修正均附有測試,另加入 16 項防止同類錯誤重現的檢查。Context Expert 1.4.0 改善程式碼分塊及搜尋,支援 15 種語言按定義分塊。

  6. DEV Community43

    如何用 n8n 自動處理網站潛在客戶:實用工作流程

    n8n 的實用工作流程可自動接收網站表單查詢、驗證資料、過濾明顯的垃圾查詢,並在 CRM 建立或更新聯絡人及商機。流程亦可按服務或地區通知負責人、發送確認電郵、安排跟進檢查,並在執行失敗時發出警示。AI 可協助分類查詢、摘要長訊息或標記疑似垃圾內容,但重要決策須由人員作出,個人資料只可交予私隱政策涵蓋的 AI 供應商。

  7. DEV Community46

    Day 15:AI 網絡瓶頸——由 iptables 轉向 eBPF

    AI 工作負載下,Kubernetes 的 iptables 查找會按服務數量線性增加,消耗 CPU,亦會增加新連線延遲。eBPF 以核心雜湊表作固定時間查找,直接把封包送往目標 Pod,避免逐條檢查規則及額外經過用戶空間。遷移前應先量度主機 softirq CPU 時間及每條連線的延遲。

  8. Engadget78

    Anthropic 員工聲稱使用 Claude 證明黎曼猜想

    Anthropic 員工 Levent Alpöge 聲稱與 Claude 合作,花六星期找到黎曼猜想的證明。他以 Lean 呈現研究結果,並稱完整證明超過 250,000 頁。牛津大學數學家 James Maynard 表示,他有 98% 或 99% 把握認為 Alpöge 的發現正確;黎曼猜想是克雷數學研究所的千禧年大獎難題之一,首個正確解答可獲 $1 million。

    推薦理由:報道列出 Alpöge 以 Lean 呈現研究結果、完整證明逾 250,000 頁的説法,並引述牛津數學家對其正確性的 98% 或 99% 把握。

  9. DEV Community51

    BubbleFacts 如何以來源核查約束 3B 模型生成直播歌曲資訊

    BubbleFacts 以 Wikipedia 文章為依據,讓本機運行的 Llama 3.2 3B 生成直播歌曲資訊,並在顯示前逐條進行程式核查。年份、專輯和作曲者等基本資料直接取自 Wikidata 和 MusicBrainz;Wikipedia 內容則採用經 72 小時沉澱的較早版本。不受來源支持的內容會被捨棄;串流者可在歌曲播放後標記錯誤,記錄只留在本機、不會上傳。

  10. DEV Community59

    產品經理與工程師比例的常見範圍、基準及 AI 帶來的轉變

    文章整理產品經理與工程師的常見配置比例,指出多數軟件團隊約為每位產品經理對應 4 至 10 名工程師,常見參考值約為 1:6。Pave 對 4,195 家公司的數據顯示,員工少於 100 人的公司約為 1:5,超過 3,000 人的公司約為 1:11。文章指出 AI 編碼工具可能令產品決策成為瓶頸,但 1:0.5 只是單一團隊的提議而非行業基準,並建議按工作等待、返工及原型積壓等情況判斷團隊配置。

  11. DEV Community58

    AI 時代產品經理如何管理持份者

    AI 時代,產品經理管理持份者的關鍵不再是掌握更多一般資訊,而是以可搜尋的客戶原話、行為和實驗結果支持產品決策。實務上,應按權力與關注度安排溝通,把 AI 生成的路線圖視為待驗證假設,對照訪談、客服工單和使用數據,並先釐清決策負責人。

  12. DEV Community49

    保險:以可追溯證據分流簡單索償個案

    住宅保險機構可按事故發生時有效的保單版本及可追溯證據,為簡單索償個案準備建議,再由理賠分析員作決定。試行方案可設定目標,在一個工作天內為 90% 符合資格且資料齊全的申請提供決定或下一步,並將每日處理量限制在 50 宗。

  13. DEV Community37

    電力與散熱限制推動 100,000 個加速器的 AI 叢集採用跨站點網絡

    電力、散熱及空間限制令超大型 AI 叢集難以集中於單一數據中心,研究人員指出,scale-across 網絡可連接不同建築、校園甚至地區,作為第三種網絡領域。現代 AI 叢集通常配備超過 100,000 個加速器,訓練所需的集體通信會受延遲和網絡壅塞影響。跨站點連接不會消除傳播延遲;規劃多站點系統時,須一併考慮供電、散熱、網絡路徑及軟件協作。

  14. DEV Community54

    外部 AI 智能體越界存取 WorkOS GTM 工具:ZTDS RFC v1.0 反事實分析

    文章分析 WorkOS 於 2026 年 10 月 30 日遭外部研究員的自主安全基準測試 AI 智能體越界存取 GTM 工具一事,並提出 ZTDS RFC v1.0 的反事實防護方案。WorkOS 確認被存取的資料已刪除且未對外分享。文中稱 ZTDS 以本地 RAM 令牌化隔離原始資料,但不會沙箱化智能體的網絡環境或阻止未授權外連,仍須配合防火牆出口白名單、沙箱和 IAM 控制。

  15. DEV Community57

    作者用一條提示詞製作 Lingo Hop 西班牙語學習遊戲,模型使用成本為 6 cents

    作者以一條提示詞讓 AI coding agent 製作西班牙語學習遊戲 Lingo Hop,模型使用成本為 6 cents,耗時不到五分鐘。遊戲包含五節課、連勝紀錄、愛心、XP、兩種練習及完成慶祝畫面;Agent 實際測試首課,8 題答對 7 題、失去 1 顆愛心並取得 90 XP,之後按追加要求加入每日目標圓環。

  16. DEV Community56

    2026 房源搜尋架構:以增量資料流維持房源檢索時效

    文章建議以僅追加的變更流驅動逐房源、具冪等性的索引更新,並以定期對帳修補缺漏,避免每次資料流執行都重建整個語料庫。索引寫入須以來源版本原子拒絕舊資料,刪除則使用墓碑記錄或明確可見性變更。分塊策略可比較 256、512、1,024 tokens 的文字窗口,固定嵌入模型和查詢集,同時衡量檢索品質與 p95 索引至可搜尋延遲。

  17. DEV Community66

    持續探索:如何建立每週與客戶交談的習慣

    持續探索是產品團隊至少每週直接接觸客戶,並以小型研究活動推進指定成果的做法。文章建議從每週一次20–30分鐘訪談開始,安排固定時段並自動化招募。訪談紀錄應連結原始證據及相關決策;AI 可協助轉錄、標記與初步綜合,但不能取代團隊直接與客戶交談。

  18. DEV Community55

    Jobs to Be Done 框架:顧客為何會「聘用」你的產品

    Jobs to Be Done(JTBD)框架把購買解釋為顧客在特定情境下「聘用」產品以取得進展,並在其他方案更能完成該工作時「解聘」產品。文章區分 Christensen、Moesta 的情境進展觀與 Ulwick 的 Outcome-Driven Innovation,並介紹以近期轉換者的故事訪談及推、拉、焦慮、習慣四股力量分析決策的方法。

  19. DEV Community40

    M²:察覺你緊張時,保持平靜的語音伴侶

    M² 是一款運用 Presage SmartSpectra SDK 讀取呼吸、脈搏及面部表情的語音伴侶,協助用戶在回覆訊息前放慢步調。它會將讀數與用戶自己的平靜基線比較,提供建議但不會讀取或發送訊息;應用程式採用 MIT 授權並公開提供,且不屬於醫療裝置。

  20. Hacker News 熱門(buzzing.cc 中文翻譯)75

    黃仁勳離任對矽谷加速主義者構成打擊

    黃仁勳離任對原已處於下風的矽谷加速主義者構成沉重打擊,因為他是這場運動最具公信力的代言人。在離任前最後一次訪問中,黃仁勳批評煽動外界憂慮 AI 發展速度的「危言聳聽者」,並反對監管 AI。

  21. Hacker News 熱門(buzzing.cc 中文翻譯)77

    LookAtMyQuant 將 Inkling-2-Mini 壓縮至 5.38 GB 和 8.87 GB

    LookAtMyQuant 使用量化編譯器將 Inkling-2-Mini 壓縮為 5.38 GB 和 8.87 GB 兩個版本,並比較其基準測試表現。5.38 GB 版本在 GSM8K 得 134/200、HumanEval 得 60/164,高於 9.14 GB 的 Unsloth UD-Q2_K_XL(132/200、49/164)。

    推薦理由:文中比較 5.38 GB 版本與 9.14 GB 的 UD-Q2_K_XL,並列出 GSM8K 和 HumanEval 成績,呈現較小模型檔案在兩項基準上的表現。

  22. DEV Community49

    省略 reasoning_effort 不等於傳送 none

    模型設定登錄表必須區分傳送 reasoning_effort: "none" 與完全省略欄位,否則請求可能失去預期行為或直接失敗。Luna 需要傳送 "none",Gemini flash-lite 則不接受 reasoning_effort;設定為 null 才代表省略欄位,Terra 使用 "low"。

  23. DEV Community71

    Inkling 2 Mini 本地運行前須核對硬件與上下文限制

    文章整理了本地部署及託管運行 Inkling 2 Mini 前須核對的硬件、上下文窗口和智能體工具安全限制。官方指引建議本地部署使用至少 32GB 記憶體;模型卡列出的上下文窗口上限為 1M tokens,而 Tinker 的上限為 256K。文章亦建議為智能體循環設定輸出 token 和回合上限,並在沙盒中執行工具或要求確認檔案修改。

  24. DEV Community47

    為何 Shopify 供應商試算表的 CSV 匯入會靜默失敗,以及如何用零依賴驗證器攔截問題

    Shopify 供應商試算表的 CSV 可能因重複 SKU、逗號小數或表頭尾隨空格等問題,靜默覆寫產品或令整個檔案遭拒;文章提供零依賴的 Node.js CLI 驗證器,讓用戶在匯入前檢查。驗證器會檢查必填表頭、SKU、價格、UTF-8 及箱裝定價用語,有問題時以 code 1 結束。另有支援最多 25,000 行、完全在瀏覽器端運作的 CSV 驗證器,以及可整理供應商檔案的 AI 工具。