iT邦幫忙

17th鐵人賽相關文章
共有 19759 則文章
鐵人賽 自我挑戰組 DAY 17

技術 Day17-Help desk是什麼東東/以校園工讀生為例

以校園工讀生幫忙檢查職員電腦、維護視聽教室,這完全是 Help Desk 概念在校園中的具體實踐 我們可以這樣來分析: 角色定位 (The Role):...

鐵人賽 生成式 AI DAY 21

技術 Day 21 . AI你寫的好爛ㄛ

有時候我們向AI問問題或提出我們的需求,並且它也生成了回應給我們,但有時候我們也不知道它生成的內容是好是壞,這時候評估AI的輸出品質就很重要了。 評估品質可以...

鐵人賽 DevOps DAY 14

技術 Day14 - LLMOps Pipeline 自動化:Prefect vs Dagster 實戰比較

🔹 前言 終於來到和 DevOps 這個主題比較相關的部分了,感謝前面有耐心跟著讀的讀者 😆 在 RAG 系統裡,我們需要週期性地做很多「重複又必要」的工作來讓...

鐵人賽 生成式 AI DAY 30

技術 Day-30 結語

不知不覺,已經來到這個挑戰的第 30 天。回首過去一個月,從一開始對生成式 AI 和 Flask 還有些陌生,到現在能將模型串接到自己的網頁,這段學習之旅讓我收...

鐵人賽 Odoo DAY 15

技術 Day 15:Odoo 自動化流程(Server Actions 與 Scheduled Actions)

在企業日常營運中,總有一些例行性動作需要自動化,例如:寄送提醒信件、定期產生報表、批次更新資料。Odoo 提供了 Server Actions(伺服器動作) 與...

鐵人賽 Modern Web DAY 15

技術 用 Go + Echo 打造你的第一個 TodoList , 第 5 篇:刪除任務 + JSON 檔持久化

今天把兩件事一次搞定: DELETE /todos/:id:刪除任務 🗑️ JSON 檔持久化:把記憶體的 todos 存進 todos.json,重開不會全...

鐵人賽 Modern Web DAY 14

技術 day 14

今天我們來介紹Open-Lovable的沙盒 Open Lovable 沙盒环境详解 Open Lovable 作为一个开源的AI驱动型React应用构建平台,...

鐵人賽 生成式 AI DAY 14
nutc_imac_Agent拼裝車 系列 第 14 篇

技術 Day 14 使用 ADK 串接 FastMCP Server

昨天我們透過 FastMCP 成功建立了一個簡單的 MCP Server,裡面只有一個簡單的工具 sayHello,能夠回傳一段打招呼的訊息。 今天,我要挑戰的...

鐵人賽 Rust DAY 14
Rust 後端入門 系列 第 14 篇

技術 Day 14 Axum 專案:簡單 RESTful API

目標 建立簡單的 RESTful API(單一檔案 main.rs),不連資料庫,只用記憶體儲存 支援列出所有任務、取得單一任務、建立任務、更新任務、刪除任務...

鐵人賽 IT 管理 DAY 15
敏捷組織的五項修練 系列 第 15 篇

技術 Day 15. 敏捷組織的五項修練:臣服~ 引導組織放下不再有效的模式?

「我們能了解自己及當下所處環境,並持續覺察自己與外在人事物的互動姿態」— 心理安全職場環境的原則,節錄自《台灣敏捷行動綱領 2025》 進化,始於有意識的「...

鐵人賽 生成式 AI DAY 14
生成式 AI 實驗室 系列 第 14 篇

技術 第 2 週小結:AI 在不同文體的表現觀察。

第 2 週小結:AI 在不同文體的表現觀察 這一週我嘗試讓 AI 生成不同形式的文章,包括短篇小說、詩詞、勵志文、書評與時事觀點文章。透過這些練習,我逐漸觀察到...

技術 sysbench 體驗

sysbench 是一個壓力測試工具,可以對資料庫進行壓測,也可以對作業系統進行壓測,是我在前公司用來對mysql,以及tiDB(號稱是進化過的mysql)用來...

技術 Day14|實作回顧:用GAS腳本模仿Google Sheets既有功能

週末的點閱率都很差,那就讓我來回顧一下黑歷史吧!今天沒有任何有價值的技術分享,就只是一個輕鬆的客服日常小故事:五彩斑斕的表格、東拼西湊的codes,和一點點我...

技術 【Day 13】深度學習概述(上)

深度學習的崛起 深度學習並不是一項新技術,其概念起源於 1940 年代,最初旨在模仿人腦神經元的運作。然而,早期的淺層神經網路難以處理複雜資料,而 1980 年...

鐵人賽 自我挑戰組 DAY 26
從零開始學習Unity引擎 系列 第 26 篇

技術 unity學習day26--製作遊戲(5)

接下來複製4個“ObstacleWall_01”,並且依序改名到“ObstacleWall_06”,別忘了要把它們掛到“A_Road”下面,位置從02到06分別...

鐵人賽 IT 管理 DAY 18

技術 Day-18 掌握最小商業增量(MBI)與最小可行產品(MVP)的差異

最小可行產品(MVP)的定位與侷限 「最小可行產品」的全名是 Minimum Viable Product,簡稱 MVP,它的目的不是交付產品給市場使用,而是...

鐵人賽 Security DAY 18

技術 Day18:深入核心:什麼是「Proxy」與「攔截」

我們之前學會了如何使用 Burp Suite 的 Proxy 功能來攔截流量。但你是否曾想過:為什麼瀏覽器願意把流量都交給 Burp Suite?『攔截』到底是...

鐵人賽 生成式 AI DAY 14

技術 Day 14 | n8n 定時節點與 Google Calendar 串接

前言: 請讓我介紹一下我們今天的內容,我們今天會做一下的內容✅ 創建觸發器✅ 設定觸發器✅ 觸發器串接 google calendar✅ google cale...

鐵人賽 Security DAY 15
導入CDN防護大作戰 系列 第 15 篇

技術 【Day15】一台破筆電驗證服務?

CDN採Reverse Proxy架構,所以使用者端HTTPS的憑證驗證會在CDN主機進行。 而CDN主機要講請求轉發至源站時,也會以HTTPS的方式進行連線,...

鐵人賽 自我挑戰組 DAY 15

技術 第十五關 - 影子軍團:Supabase Edge Functions

什麼是 Edge Functions? Supabase Edge Functions 是一個基於 Deno 運行時的無伺服器函數服務,可以在邊緣節點執行,T...

鐵人賽 Software Development DAY 15

技術 第十五關 - 影子軍團:Supabase Edge Functions

什麼是 Edge Functions? Supabase Edge Functions 是一個基於 Deno 運行時的無伺服器函數服務,可以在邊緣節點執行,T...

鐵人賽 生成式 AI DAY 15

技術 AI行銷人才的賦能與培訓:從個人升級到企業轉型

在 ChatGPT、Gemini、Claude、Deepseek、CanvaAI、Sora...等生成式AI工具快速崛的時代,其實多數職業都會像溫水煮青蛙一樣...

鐵人賽 生成式 AI DAY 14

技術 # 防禦策略 #5-Rate Limiting 流量控制

防禦方式辦法 n8n 工作流層: Queue/Worker 併發控制:限制同時執行的工作流數量,防止後端系統過載 節流節點:在迴圈前加入 Wait 節點,...

鐵人賽 AI & Data DAY 14

技術 Day 14|模型訓練流程概覽

引言 在前面的文章裡,我們聊了 NLP 是什麼、語料的前處理,也看過文字要怎麼轉換成數字。但是,這些都只是前置預備作業!真正要讓電腦能夠做各種 NLP 任務的關...

鐵人賽 Modern Web DAY 14

技術 Day 14 - 語意化標籤的魔法

學習目標 認識 HTML5 語意化標籤 熟悉 <header>、<nav>、<main>、<article>、...

鐵人賽 生成式 AI DAY 14

技術 d14

昨天如果完成,代表API可以正常使用了,但今天我要先做dc機器人,因為discord是我最常使用的社交軟體,比起看email,我更常查看discord 首先先讓...

鐵人賽 生成式 AI DAY 28

技術 《DAY 28》⚡ 生成式 AI 的社會影響大揭密|假新聞、隱私、工作消失?未來治理怎麼走!

TL;DR 速讀重點 🎯 快速掌握本文精華 假新聞與 Deepfake:AI 讓資訊真假難辨,信任危機加劇 演算法偏見:數據不公 → 可能放大社會歧...

鐵人賽 自我挑戰組 DAY 14

技術 <DAY14> - Min Stack

題目介紹: 編號:155 類型:Design, Stack 難度:medium 題目連結:https://leetcode.com/problems/min-...

鐵人賽 自我挑戰組 DAY 14

技術 根據數據給出簡單的報告

根據偏高/偏低天數,給出簡單的健康建議,讓使用者不只是看到數據,還知道怎麼改善。 新增程式碼解釋:1.把原本的 printStatusSummary() 改...

技術 【Day 12】模型與演算法(下)

本篇筆記中涵蓋了機器學習的核心概念與常見演算法。機器學習的目標是透過演算法從資料中學習規律,並利用這些規律對新資料進行預測與分類。選擇合適的演算法需考量多種因素...