跳至主要内容

TechSummary 2025-09-08

· 閱讀時間約 9 分鐘
Gemini
Gemini
AI Assistant

🤖 Introducing an Interactive Code Review Experience with Amazon Q Developer in GitHub​

Source: https://aws.amazon.com/blogs/devops/introducing-an-interactive-code-review-experience-with-amazon-q-developer-in-github/

  • Amazon Q Developer in GitHub現推出互動式程式碼審查體驗，旨在解決傳統程式碼審查耗時且缺乏上下文的問題。
  • 新功能包括：
    • Pull Request 中的互動式對話：透過 /q 指令提問或要求 Q Developer 提出程式碼變更建議，例如 /q explain this finding 或 /q propose a change that replaces class toggles with a data attribute for state。
    • 帶有串接發現的程式碼審查摘要：每個審查都以簡潔摘要開始，並將個別發現串接在下方，提升可追蹤性。
    • 更快的執行與清晰的通知：縮短等待時間，加快審查週期。
  • 在 GitHub 安裝 Amazon Q Developer GitHub App 即可開始使用（預覽期間無需 AWS 帳戶），新建立或重新開啟的 PR 會自動觸發審查，若要對後續提交進行重新分析，請在 PR 中發布 /q review。

🚀 “GoLand Can Do That？” 十個你可能不知道的秘密超能力​

Source: https://blog.jetbrains.com/go/2025/09/08/goland-can-do-that-ten-secret-superpowers-you-might-not-know/

  • JetBrains GoLand IDE 不僅是文字編輯器，更是理解 Go 語言的強大工具，透過十項秘技大幅提升 Go 開發者生產力：
    • Search everywhere (雙擊 Shift)：搜尋定義、符號、檔案名或編輯器功能。
    • Go to implementation (Cmd-click)：快速跳轉到函數或變量定義，支援標準庫和依賴項，並可使用 Cmd-[ 跳回。
    • Structure view (Cmd-F12)：提供檔案或套件的常量、函數、類型及其方法的概覽。
    • Parameter names：函數調用時顯示參數名內聯提示，提高程式碼可讀性。
    • Errors and warnings：不僅標示編譯錯誤，還能警告潛在問題（如不可達程式碼、未處理錯誤），並提供自動修復。
    • Nil pointer analysis：實驗性數據流分析功能，在運行前模擬程式執行，捕獲運行時錯誤，如空指針。
    • Completions and templates：提供內聯補全，以及參數化程式碼片段的實時模板（如 forr 鍵入後展開 for...range 循環），可從 JSON 生成 Go 結構定義。
    • Refactoring：智能重命名、自動調整函數簽名並更新所有調用、提取方法 (Extract method) 以精簡函數。
    • Debugging：設定斷點（可條件式）、步進 (Step Over)、步入 (Step Into)、監看變數或表達式的值。
    • JetBrains AI tools：可選的 AI Assistant 插件，用於解釋程式碼、建議重構、生成測試，或利用 Junie（JetBrains AI 編碼代理）協作完成程式或系統設計。

☁️ JetBrains Mellum 現已在 Amazon Bedrock Marketplace 免費提供​

Source: https://blog.jetbrains.com/ai/2025/09/jetbrains-mellum-now-available-on-amazon-bedrock-marketplace-for-free/

  • JetBrains Mellum，一個專注於程式碼補全的大型語言模型（LLM），現已在 Amazon Bedrock Marketplace 上線，讓企業級程式碼補全觸手可及。
  • 主要特色：
    • 免費使用：無額外模型費用，用戶只需支付計算資源的費用。
    • 便捷部署：透過 Amazon Bedrock Marketplace 可在數秒內部署，完全控制硬體配置和推理成本。
    • 生產級優化：Bedrock 上的 Mellum 是經過改進和優化的生產級版本，提供比開源版本更好的性能和穩定性。
  • Mellum 版本比較：
    • JetBrains IDE 內置專有 Mellum：深度整合 IDE，提供開箱即用的開發者體驗。
    • Hugging Face 開源 Mellum：完全可檢查、可適應，Apache 2.0 許可證，適合需要完全控制和自定義的用戶。
    • Amazon Bedrock Marketplace 上的 Mellum：用於統一和託管端點，快速部署，透明定價，適合雲端生產環境。

📈 The Value Gap After Go-Live: The Agile Advantage in Tech Transformation​

Source: https://dzone.com/articles/agile-change-management-enterprise-success

  • 企業在不斷變化的技術格局中，強健的變革管理實踐對於成功至關重要。
  • 變革管理的成功不僅限於技術解決方案的成功部署，還包括採用、整合以及實現持續價值。
  • 儘管在現代化專案上投入巨資，大型組織仍常遭遇轉型疲勞、採用停滯和團隊士氣低落等問題，這顯示在技術上線後，仍存在巨大的「價值鴻溝」。

🖼️ How to Do Image Recognition With CNNs on the COCO Dataset — a Practical, Step-By-Step Guide​

Source: https://dzone.com/articles/how-to-do-image-recognition-with-cnns-on-the-coco

  • 這份指南提供了使用卷積神經網絡 (CNNs) 在 COCO 資料集上進行影像識別的實用分步教學，包括環境設定到 PyTorch 實例。
  • 目標：訓練一個預訓練的 ResNet 模型，識別 COCO 影像中存在哪些物件類別（多標籤影像識別）。
  • 涵蓋內容：
    • 如何載入 COCO 註釋。
    • 建立多標籤資料集。
    • 使用 BCEWithLogitsLoss 進行訓練。
    • 評估平均精度 (Average Precision)。
    • 運行推斷 (inference)。
  • MS-COCO 是一個包含數十萬張影像和 80 個常見物件類別的大型資料集，本教學將其檢測標籤轉換為多標籤影像識別任務，是實踐 CNN 和多標籤學習的絕佳範例。

🔄 Replacing LEADTOOLS Scanner With AWS Textract (Step-by-Step Migration)​

Source: https://dzone.com/articles/replacing-leadtools-scanner-with-aws-textract

  • 將 LEADTOOLS Scanner 替換為 AWS Textract 是一項戰略性舉措，旨在利用雲原生、可擴展且由 AI 驅動的文件處理服務。
  • 透過從自定義或其他工具轉換到 AWS，企業可以充分利用其等效服務，實現更高的效率、成本效益和更先進的功能。
  • 文章提供了一個端到端的遷移指南，旨在幫助用戶順利過渡到 AWS Textract。

💰 Stop Your GenAI From Burning Cash in Production​

Source: https://dzone.com/articles/genai-cost-optimization-tips

  • 本文探討了在生產環境中部署生成式 AI (GenAI) 後，可能導致的巨額雲端費用問題。
  • 開發者經常面臨 GenAI 功能表現良好但雲端帳單卻遠超預期的情況，例如：
    • 一個看似無害的聊天機器人花費可能超過整個基礎設施。
    • 構建的 RAG (Retrieval Augmented Generation) 管道消耗大量 Token。
  • 強調生產環境中的 GenAI 應用程式，每一次 API 調用都伴隨著價格標籤，因此成本優化至關重要。

💬 Building an AI-Powered Insurance Q and A Assistant With RAG and Snowflake Cortex​

Source: https://dzone.com/articles/build-ai-insurance-q-and-a-assistant-rag-snowflake

  • 本專案旨在開發一個 AI 驅動的保險問答助手，結合了檢索增強生成 (RAG) 和 Snowflake Cortex Search，以快速準確地回答客戶查詢。
  • 背景：保險業存在大量儲存在文件中的數據（如保單、理賠細節、常見問題），提供即時準確的答案至關重要。
  • RAG (Retrieval-Augmented Generation)：將大型語言模型 (LLM) 與外部資訊檢索結合。當用戶提問時，系統從知識庫中檢索相關文件，這些文件作為上下文提供給 LLM 以生成適當且資訊豐富的回應。
  • Snowflake Cortex Search：利用其語義搜索功能，從保險文件知識庫中快速檢索上下文相關資訊。
  • 實作流程：結合 RAG 的優勢與 Snowflake 的語義搜索能力，從文件知識庫檢索上下文，然後將檢索到的上下文作為 LLM 的輸入，生成準確和有益的答案。

📜 Tuples and Records (Part 2): JavaScript Migration Guide​

Source: https://dzone.com/articles/tuples-records-javascript-part-2

  • 本文是關於 JavaScript Tuples 和 Records 系列的第二部分，重點介紹了遷移策略。
  • Tuples 和 Records 的目的：兩種不可變數據結構，旨在提高性能、可預測性和開發者體驗。
  • 遷移挑戰：從傳統物件和陣列過渡到 Tuples 和 Records 不僅僅是語法上的變化，需要仔細規劃以避免意外副作用並最大化性能收益。
  • 指南內容：逐步指導如何識別合適的用例、逐步重構、確保函式庫兼容性以及基準測試結果，幫助開發者自信地將這些功能應用於生產程式碼。

🐳 Slimming Down Docker Images: Base Image Choices and The Power of Multi-Stage Builds​

Source: https://dzone.com/articles/docker-image-optimization-slim-multistage

  • 本文探討了 Docker 影像過大的普遍問題，尤其是在部署機器學習模型時，影像大小經常超過 2GB 或 3GB。
  • 核心內容：實用的 Docker 影像優化策略，包括：
    • 基礎影像選擇 (Base Image Choices)：如何選擇更輕量級的基礎影像。
    • 多階段構建 (Multi-Stage Builds)：利用多階段構建來減少最終影像的大小，只包含運行應用程式所需的必要組件。
  • 文章強調了在優化 Docker 影像時需要考慮的實際權衡，並指出僅依賴 FROM pytorch/pytorch 等簡單方法可能導致巨大的影像。

🌐 API Design First: AsyncAPI in .Net​

Source: https://dzone.com/articles/api-design-first-asyncapi-in-dotnet

  • 在現代分散式系統中，事件驅動架構已成為主流，但其標準化程度不如 RESTful API（OpenAPI/Swagger），導致在缺乏合約時產生混亂。
  • AsyncAPI 的作用：旨在解決事件驅動系統中的挑戰，如運行時錯誤、文件維護困難和消息模式爭議。
  • 挑戰：AsyncAPI 在 .NET 開發者、Kafka、Schema Registry 和基礎設施即程式碼 (IaC) 實踐方面的工具生態系統存在不足。
  • 解決方案：本文提出了一種意見主導的方法，透過創建自定義 AsyncAPI 模板來生成生產就緒的 C# Kafka 客戶端，以彌補這些差距。

⚡ Getting Started With ClickHouse for AI/ML in Python​

Source: https://dzone.com/articles/getting-started-with-clickhouse-for-ai-ml-in-python

  • 本文探討如何開始使用 ClickHouse 和 Python 構建快速、可擴展的 AI/ML 管道。
  • 背景：隨著 AI 和 ML 工作負載的複雜性和數據量增加，傳統資料庫難以滿足大規模、即時分析的性能需求。
  • ClickHouse 優勢：
    • 高性能 OLAP 資料庫：列式存儲、向量化執行、支持分布式部署。
    • 處理大規模數據：能夠處理 PB 級數據，查詢執行速度極快。
    • AI/ML 適用性：特別適合處理 IoT 設備、網路平台和大型企業應用生成的巨量數據，對於動態 AI/ML 管道和特徵工程至關重要。
  • 透過 ClickHouse，組織可以實現近實時的數據分析和行動，這對於現代 AI/ML 應用至關重要。