標籤:Development
升遷之後,誰來維護主管的稱職?
彼得原理講升遷造成人與職務錯配。本文往後問一步:錯配發生後,組織有沒有修正的路,還是只能讓團隊一起維持主管仍然適任的樣子。
AI 協作寫技術文,每一步留一個檔案:這樣擋得住什麼、擋不住什麼
多模型協作寫技術文,每一步各留一個檔案,出錯可以單獨重跑。用 CVE-2026-98432 那篇寫錯修補狀態的經過,說明這個流程能抓到什麼、會漏掉什麼。
Anthropic 一句話否決的 900 行 PR:效能最佳化要付多少維護成本
每次送出省 2 ms 的 900 行 PR,換來一個要維護的 build plugin。先定義量測起點與終點、把行為條件寫進 AI 任務,再決定效能改動值不值得留下。
背景 agent 的狀態摘要花多少:按 query_source 歸因模型呼叫的 token 與費用
一份公開量測回報 Claude Code 背景摘要佔估算費用 16.4%、request 數 19.7%。本文示範按用途歸因 OTel 事件,並說明量測期間與分母不同時,佔比為何不能直接比較。
Monte Carlo 測試的容差怎麼定:標準誤、誤拒率與位元重現
Monte Carlo 測試可用 z 乘標準誤加近似誤差額度設定容差,隨 N 調整。固定容差可能誤拒或漏掉偏差;20 項獨立檢查各有 5% 誤拒率,整批約為 64%。
從 ModelCompare 到 PHP2Shell:發現、證明與修補的單位不同
12 個模型對人類的批評高度一致,PHP、Linux kernel、Node.js 同期出修補。說法一致、發現問題、證明問題、完成修補各算各的帳,把它們排成同一條證據鏈,每一件都會顯得比實際上更強。
估 AI prototype 的時程要拆兩段:從零到可展示,從可展示到上線
AI 讓 prototype 從零到可展示便宜了很多,驗證、併發、金流處理與可觀測性的成本卻沒降那麼多。估時程和報價時,我會把可展示與可上線拆開算,後半段照過去上線的經驗估,不打 AI 折扣。
AI code review 的帳怎麼算:找到的 bug、誤報和人的時間
AI code review 的主要成本是人判斷每條意見的時間,值不值得看精確率和真問題的嚴重度。從 curl 的經驗和一篇業界研究整理這筆帳怎麼算,以及多加一層驗證什麼時候划算。
在 macOS 用 OrbStack 跑 Docker 與 Linux 機器
OrbStack 是 Docker Desktop 的輕量替代,啟動快、吃資源少,還能順便跑 Linux 機器與 Kubernetes。
我的 Docker Compose 範本集
一組放在 GitHub 的 Docker Compose 範本,clone 下來改一下就能起 MySQL、Redis 等常用服務的開發環境,適合本地開發和整合測試,不建議直接上 production。