Comments
Join the discussionNo comments yet. Be the first to comment.
More from this blog
OTel 邁向全面穩定的里程碑
在 AI 漏洞激增時代，一次看懂 OpenTelemetry 的 1.0 世代、版本解讀與資安防護 邁向全面穩定的里程碑：在 AI 漏洞激增時代，一次看懂 OpenTelemetry 的 1.0 世代、版本解讀與資安防護 過去幾年，OpenTelemetry（OTel）雖然穩坐雲原生可觀測性（Observability）的事實標準，但在許多 SRE、維運與平台工程師心中，對它的升級往往抱持著「又
AI 時代下的系統可理解性問題
GAI 的時代下，近一年很流行 Vibe-coding，幾乎人人都在草率地使用 Vibe-coding 一詞來指一系列的軟體工程實踐。它指的是一種開發者不親自手打 coding，而是僅透過自然語言向 AI 描述需求（給出「方向」或「感覺」），完全放手讓 AI 代理去自動生成、拼湊出整個應用程式的開發風格。 然而，在專業的軟體工程領域，這股看似美好的「Vibe」背後，隱藏著極高的安全隱患與系統崩潰危
Get Your Hands Dirty on Clean Architecture CH5 Use Case
書本連結 前言 會挑這本書看的人，應該都是關心自己負責專案的軟體架構的人。不只希望開發的軟體能滿足客戶的明確需求，也希望能滿足可維護性（maintainability）的隱性需求，以及自己對結構與美觀習慣的要求。 要能滿足上述這些要求很難，因為專案通常不會按照計畫進行。可能變因有 deadline，最後的 API 與承諾的不同，又或者我們的設計無法很好的貼合需求的變化所需。。因此完美的架構只有在一
別再盲信 Prompt Engineering：為 AI Agent 建立低成本的糾錯系統
我們的 AIOps agent 有個很具體的問題：它會捏造 trace ID。 當 on-call 工程師問「payment service 有沒有 error trace？」，agent 有時會信心滿滿地回答「是的，見 trace a1b2c3d4...」——但這串 ID 根本不存在 Tempo 裡。工程師點進去，404。壞的不只是使用者體驗，而是這讓整個 RCA 結論失去可信度。 另一個問題是
Grafana o11y-bench 深入剖析：讓 AI 真正面對 on-call 現場
o11y-bench 深入剖析：讓 AI 真正面對 on-call 現場 從任務設計、合成環境、Agent 架構、評分機制到報告輸出，逐一解析這個開放 benchmark 的每個組件——以及 Gemini 3 Flash Preview 的完整實測結果 先說清楚這在解決什麼問題 目前多數 LLM benchmark 測的是「知識」：模型知不知道 PromQL 的語法，知不知道什麼是 p99
