<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tsumugi on Medium]]></title>
        <description><![CDATA[Stories by Tsumugi on Medium]]></description>
        <link>https://medium.com/@tsumugihara85?source=rss-bf6ea33bd399------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*m7SVTN_1JKQ0nJCrpqSX2Q.png</url>
            <title>Stories by Tsumugi on Medium</title>
            <link>https://medium.com/@tsumugihara85?source=rss-bf6ea33bd399------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 17:33:34 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tsumugihara85/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[讓遊戲記住你哪裡不熟：FSRS 間隔重複的簡單實作]]></title>
            <link>https://medium.com/@tsumugihara85/%E8%AE%93%E9%81%8A%E6%88%B2%E8%A8%98%E4%BD%8F%E4%BD%A0%E5%93%AA%E8%A3%A1%E4%B8%8D%E7%86%9F-fsrs-%E9%96%93%E9%9A%94%E9%87%8D%E8%A4%87%E7%9A%84%E7%B0%A1%E5%96%AE%E5%AF%A6%E4%BD%9C-cdea707552b3?source=rss-bf6ea33bd399------2</link>
            <guid isPermaLink="false">https://medium.com/p/cdea707552b3</guid>
            <dc:creator><![CDATA[Tsumugi]]></dc:creator>
            <pubDate>Sun, 21 Jun 2026 05:38:31 GMT</pubDate>
            <atom:updated>2026-06-21T05:38:31.952Z</atom:updated>
            <content:encoded><![CDATA[<p>你有 80 個日文單字要學，每個單字有 5 種變化形。隨機出題的話，你已經會的「食べます」和你老是搞混的「食べさせられる」出現的機率一樣。你的時間有一半浪費在已經會的東西上。</p><p>FSRS（Free Spaced Repetition Scheduler）解決的就是這個問題：讓你不熟的東西多出現，熟的東西少出現。我在 ConjuGate 裡面實作了一個簡化版的 FSRS，這篇用最簡單的方式解釋它怎麼運作。</p><h3>先從一張卡片開始想</h3><p>假設你正在學「飲む」的 ます形。你第一次看到它，答對了。下一次什麼時候該再出現？</p><p>如果太快再出，浪費時間。如果太晚再出，你已經忘了。FSRS 的核心就是找到這個「快要忘記但還沒忘」的甜蜜點。</p><p>做法很直覺：每張卡片有一個 <strong>interval</strong>（間隔），代表「隔多久再出一次」。答對了，interval 變長。答錯了，interval 縮短。</p><pre>mutating func recordCorrect(turn: Int) {<br>    correctCount += 1<br>    lastSeen = turn<br>    interval = interval * easeFactor   // 間隔拉長<br>    easeFactor = min(3.0, easeFactor + 0.1)<br>}</pre><pre>mutating func recordWrong(turn: Int) {<br>    wrongCount += 1<br>    lastSeen = turn<br>    interval = max(1.0, interval * 0.5) // 間隔砍半<br>    easeFactor = max(1.3, easeFactor - 0.2)<br>}</pre><h3>easeFactor：每張卡片的「難度記憶」</h3><p>interval 拉長的幅度不是固定的，由 <strong>easeFactor</strong> 決定。easeFactor 從 2.5 開始，答對一次加 0.1，答錯一次減 0.2。範圍鎖在 1.3 到 3.0 之間。</p><p>你一直答對的卡片，easeFactor 會慢慢爬到 3.0，interval 每次乘以 3，間隔越拉越長。你常答錯的卡片，easeFactor 掉到 1.3，interval 每次只乘 1.3，幾乎沒在拉長。</p><p>換句話說，系統會自動區分「你覺得簡單的卡片」和「你覺得難的卡片」，不用你手動標記。</p><h3>怎麼決定下一題出什麼</h3><p>有了 interval 和 easeFactor，下一步是決定 80 個單字、幾百種 word+form 組合裡面，下一題該出哪一個。</p><p>ConjuGate 用 weighted random 來選。每個 word+form 組合有一個 weight，weight 越高越容易被選到：</p><pre>var weight: Double {<br>    let wrongBoost = Double(wrongCount) * 0.5<br>    let recency = 1.0 / (interval + 1.0)<br>    return max(0.1, 1.0 + wrongBoost + recency)<br>}</pre><p>weight 由兩個因素組成：</p><ul><li><strong>wrongBoost</strong>：答錯越多次，weight 越高。答錯 4 次的卡片 weight 比從沒錯過的高 2.0。</li><li><strong>recency</strong>：interval 越短（代表還不熟），weight 越高。interval 是 1 的卡片 recency 是 0.5，interval 是 99 的卡片 recency 趨近 0。</li></ul><p>選的時候還有一個 due boost：如果你距離上次看到這張卡片的回合數已經超過 interval，代表它「到期了」，weight 再乘 1.5。</p><pre>let turnsSinceSeen = Double(turnCount - (record?.lastSeen ?? 0))<br>let dueBoost = turnsSinceSeen &gt;= interval ? 1.5 : 1.0<br>return base * dueBoost</pre><h3>Round Pool：避免短期重複</h3><p>光靠 weight 還不夠。如果某張卡片 weight 很高，它可能連續出現三次，玩家會煩。</p><p>ConjuGate 用 round pool 解決：每一輪把所有 word+form 組合丟進池子裡，選過的就撈出來。等池子空了，重新裝滿，開始下一輪。</p><pre>func nextQuestion() -&gt; Question {<br>    turnCount += 1<br>    if currentRoundPool.isEmpty {<br>        rebuildPool()<br>    }<br>    let picked = pickWeighted()<br>    currentRoundPool.removeAll { $0 == picked }<br>    usedThisRound.insert(picked)<br>    // ...<br>}</pre><p>這保證每個 word+form 在同一輪裡最多出現一次。weight 高的卡片會更早被選到，但不會霸占整輪。</p><h3>跨 Session 記憶：SwiftData</h3><p>FSRS 的學習記錄如果每次關掉 app 就消失，等於沒有。玩家上週已經把「飲む」的 ます形練到 interval 50 了，今天打開 app 又從頭開始，那 spaced repetition 就沒意義。</p><p>ConjuGate 用 SwiftData 把每個 word+form 的 ReviewRecord 存進本地資料庫：</p><pre>@Model<br>final class ReviewRecordEntity {<br>    @Attribute(.unique) var key: String   // &quot;wordID::formRawValue&quot;<br>    var correctCount: Int = 0<br>    var wrongCount: Int = 0<br>    var interval: Double = 1.0<br>    var easeFactor: Double = 2.5<br>    var lastReviewDate: Date?<br>}</pre><p>每次答題，QuizScheduler 立刻把結果寫回 DataStore。下次打開 app，loadRecords() 把所有記錄讀回來，FSRS 從上次的狀態繼續。</p><pre>func recordResult(wordID: String, form: FormID, correct: Bool) {<br>    let key = WordFormKey(wordID: wordID, form: form)<br>    var record = records[key] ?? ReviewRecord()<br>    if correct {<br>        record.recordCorrect(turn: turnCount)<br>    } else {<br>        record.recordWrong(turn: turnCount)<br>    }<br>    records[key] = record<br>    dataStore?.saveRecord(key: key, record: record)<br>}</pre><h3>跟隨機出題比，差在哪</h3><p>隨機出題FSRS已經會的單字跟不會的出現頻率一樣interval 拉長，自動淡出一直答錯的單字跟其他的出現頻率一樣weight 提高，更頻繁出現關掉 app 再打開一切重來從上次的學習狀態繼續80 個單字 × 5 種變化400 種組合平均分配時間時間集中在你不熟的組合上</p><h3>實作上的取捨</h3><p>ConjuGate 的 FSRS 是簡化版。完整的 FSRS（像 Anki 用的）有更複雜的記憶模型，會根據答題的反應時間、連續答對次數、遺忘曲線斜率來調整參數。</p><p>我選擇簡化版有兩個原因：</p><ul><li>ConjuGate 是遊戲，不是單字卡 app。玩家在閃避敵人的同時回答問題，反應時間沒有參考價值。</li><li>QuizScheduler 整個檔案 150 行。加上 DataStore 的持久化，總共不到 350 行。複雜度和效果之間，這個平衡點夠用。</li></ul><p>如果你在做學習類的 app，不需要一開始就搬完整的 FSRS。interval × easeFactor 這個核心公式，加上 wrong weight 和 due boost，已經比隨機出題好太多了。先用這個跑，等有了真實的用戶數據再決定要不要升級。</p><p><em>ConjuGate 是一個用 SpriteKit 寫的 iOS 遊戲，在打怪的過程中學日文動詞變化。這篇是「費曼的實習生」系列，把學到的東西用最簡單的方式講出來。</em></p><p>該文經作者同意轉載，出處</p><p><a href="https://feynman.kerker.tw/rang-you-xi-ji-zhu-ni-na-li-bu-shou-fsrs-jian-ge-zhong-fu-de-jian-dan-shi-zuo/">https://feynman.kerker.tw/rang-you-xi-ji-zhu-ni-na-li-bu-shou-fsrs-jian-ge-zhong-fu-de-jian-dan-shi-zuo/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cdea707552b3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[遊戲寫到一半才懂的事 — 什麼時候該拆 Class？]]></title>
            <link>https://medium.com/@tsumugihara85/%E9%81%8A%E6%88%B2%E5%AF%AB%E5%88%B0%E4%B8%80%E5%8D%8A%E6%89%8D%E6%87%82%E7%9A%84%E4%BA%8B-%E4%BB%80%E9%BA%BC%E6%99%82%E5%80%99%E8%A9%B2%E6%8B%86-class-514672f81b4a?source=rss-bf6ea33bd399------2</link>
            <guid isPermaLink="false">https://medium.com/p/514672f81b4a</guid>
            <dc:creator><![CDATA[Tsumugi]]></dc:creator>
            <pubDate>Sun, 21 Jun 2026 05:25:26 GMT</pubDate>
            <atom:updated>2026-06-21T05:25:26.597Z</atom:updated>
            <content:encoded><![CDATA[<p>如果你問我「寫遊戲的時候，什麼時候該把程式碼拆開？」我的答案是：<strong>等你痛了再拆。</strong></p><p>這不是在開玩笑。我在做 ConjuGate（一個用 SpriteKit 寫的日文動詞變化學習遊戲）的過程中，真的是先把所有東西塞進一個 GameScene.swift，等到痛到不行了才開始拆。回頭看，這反而是對的。</p><h3>一開始：所有東西都在 GameScene 裡</h3><p>第一版的 ConjuGate，整個遊戲邏輯就是一個 1,132 行的 GameScene.swift。玩家移動、敵人生成、子彈發射、HUD 更新、碰撞判定 — — 全部在同一個檔案裡。</p><p>你可能會說：「這不是很糟嗎？」</p><p>其實不會。在早期階段，你還在探索遊戲到底長什麼樣子。今天加了一個機制，明天可能就砍掉。如果一開始就花時間設計完美的架構，這些架構很可能跟著被砍掉的功能一起進垃圾桶。</p><p>想像你在畫草稿 — — 你不會先把鉛筆線條上色。先畫出形狀，確定構圖對了，再來細修。</p><h3>轉折點：Boss 戰讓一切爆炸</h3><p>遊戲加了 Boss 戰之後，GameScene 膨脹到了 <strong>1,729 行</strong>。</p><p>這時候我開始感受到痛了：</p><ul><li>想改 Boss 的血量邏輯，得在一千多行裡面找半天</li><li>改 HUD 的時候不小心動到武器的 code</li><li>Debug 的時候要在腦袋裡同時追蹤太多狀態</li></ul><p>這就是<strong>拆分的時機</strong>。不是因為教科書說要拆，而是因為你的大腦已經裝不下了。</p><p>用費曼的話來說：如果你沒辦法簡單地解釋一段 code 在做什麼，那不是你的問題，是 code 的問題。當你看著自己的 GameScene 卻需要「考古」才能理解 — — 是時候拆了。</p><h3>第一次拆分：按職責切</h3><p>我從 GameScene 裡抽出了三個東西：</p><ul><li><strong>BossController</strong>（171 行） — Boss 的生命週期、血量、動畫、狀態機。一個完整的小世界，跟其他遊戲邏輯幾乎沒有交集。</li><li><strong>WeaponSystem</strong>（215 行） — 子彈池、射擊模式（普通/散射/雷射）、無人機、砲塔、升級系統。它有自己的 update loop，天生就該獨立。</li><li><strong>HUDManager</strong>（234 行） — 所有 UI 的設定和更新。純粹的顯示邏輯，不碰任何 gameplay。</li></ul><p>一刀下去，GameScene 從 1,729 行掉到 1,152 行，減少了 33%。</p><p>怎麼決定切在哪裡？問自己一個問題：<strong>「這塊 code 可以不知道 GameScene 的其他部分而獨立存在嗎？」</strong> 如果可以，它就該搬出去。</p><h3>第二次拆分：從繼承到組合</h3><p>敵人一開始只有一種，後來加了坦克型。我很自然地用了 OOP 繼承：</p><pre>class EnemyNode: SKSpriteNode { ... }<br>class SlimeEnemy: EnemyNode { override func playHurt() { ... } }<br>class TankEnemy: EnemyNode { override func playDeath() { ... } }</pre><p>看起來很教科書，對吧？</p><p>但當我要加第三種、第四種敵人的時候，問題來了：每種敵人都要一個新的 class，而這些 class 之間 90% 的 code 是一樣的，只有動畫素材不同。</p><p>所以我把繼承砍掉，改用<strong>組合（Composition）</strong>：</p><pre>// 不再需要 SlimeEnemy、TankEnemy...<br>// 只需要一個 EnemyNode + 一個 SkinConfig<br>struct SkinConfig {<br>    let atlasName: String<br>    let frameCount: Int<br>    let displaySize: CGFloat<br>}</pre><pre>// 加新敵人？只要加一筆資料<br>let fireSlime = SkinConfig(atlasName: &quot;Slime3&quot;, frameCount: 4, displaySize: 48)</pre><p>整個 SlimeEnemy 和 TankEnemy 的 class 都刪掉了。新增一種敵人從「寫一個新 class + override 方法」變成「填一筆 struct 資料」。</p><p>這就是<strong>引入架構的時機</strong>：當你發現自己在做重複的事情，而且這個重複的模式已經穩定下來了。「穩定」很重要 — — 如果模式還在變，抽象反而是枷鎖。</p><h3>其他值得提的 Pattern</h3><h3>Object Pool — 解決 60 FPS 下的記憶體壓力</h3><p>砲塔 + 無人機全開的時候，一秒要發射大約 68 顆子彈。每顆子彈都 SKSpriteNode() 新建一個 instance，GC 壓力直接讓畫面掉幀。</p><p>Object Pool 的概念很簡單：用完的子彈不要丟掉，洗一洗放回池子裡，下次要用直接拿。像餐廳的盤子一樣。</p><h3>Data-Driven Design — 讓內容和程式碼分離</h3><p>不只敵人，連道路主題（RoadTheme）也是資料驅動的。每一關的路面材質、邊緣裝飾、顏色，都定義在一個 struct 裡面。加新關卡不用碰渲染邏輯，只要加一筆資料。</p><h3>Dirty Flag — HUD 不需要每幀更新</h3><p>HUDManager 用 dirty flag 來決定要不要更新 UI。分數沒變？那 label 就不動。聽起來微不足道，但 60 FPS 下每個省下的 setText 呼叫都是真金白銀。</p><h3>總結：什麼時候該拆？</h3><p>情況該做什麼剛開始寫，功能還在探索全部塞一個檔案沒關係，別過早優化檔案超過 ~1,500 行，找 code 要翻半天按職責拆分 — 問「這塊能獨立存在嗎？」同樣的 pattern 出現第三次考慮抽象化，但先確認 pattern 已經穩定繼承樹變深，子 class 之間 90% 重複改用組合（Composition），用資料代替 classPer-frame allocation 導致掉幀Object Pool新增內容（關卡、敵人、道路）需要改程式碼Data-Driven Design，用 struct/config 取代 hard code</p><p>記住：架構是為了讓你的大腦不爆炸，不是為了讓 code 看起來漂亮。先讓東西動起來，等痛了再治。痛點本身會告訴你該怎麼拆。</p><p><em>ConjuGate 是一個用 SpriteKit 寫的 iOS 遊戲，讓你在打怪的過程中學日文動詞變化。如果你有興趣，可以關注這個 blog 的後續更新。</em></p><p>作者同意轉載，該文出處</p><p><a href="https://feynman.kerker.tw/you-xi-xie-dao-yi-ban-cai-dong-de-shi-shi-mo-shi-hou-gai-chai-class/">https://feynman.kerker.tw/you-xi-xie-dao-yi-ban-cai-dong-de-shi-shi-mo-shi-hou-gai-chai-class/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=514672f81b4a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[關於OpenClaw的一些觀察：當社群 都在喊「一人公司」，真實使用者在哪？]]></title>
            <link>https://medium.com/@tsumugihara85/%E9%97%9C%E6%96%BCopenclaw%E7%9A%84%E4%B8%80%E4%BA%9B%E8%A7%80%E5%AF%9F-%E7%95%B6%E7%A4%BE%E7%BE%A4-%E9%83%BD%E5%9C%A8%E5%96%8A-%E4%B8%80%E4%BA%BA%E5%85%AC%E5%8F%B8-%E7%9C%9F%E5%AF%A6%E4%BD%BF%E7%94%A8%E8%80%85%E5%9C%A8%E5%93%AA-ec7d2e49d0dc?source=rss-bf6ea33bd399------2</link>
            <guid isPermaLink="false">https://medium.com/p/ec7d2e49d0dc</guid>
            <category><![CDATA[developer-tools]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[claude-code]]></category>
            <category><![CDATA[productivity]]></category>
            <dc:creator><![CDATA[Tsumugi]]></dc:creator>
            <pubDate>Mon, 20 Apr 2026 06:37:43 GMT</pubDate>
            <atom:updated>2026-04-20T06:37:43.087Z</atom:updated>
            <content:encoded><![CDATA[<p>龍蝦是社群對 OpenClaw 的暱稱。下面文章會交替使用。為了避免混淆先說清楚：龍蝦 / OpenClaw 跟 Claude Code、Codex 是<strong>不同的工具</strong>，後兩者在文中是被拿來對照的另一種選擇。</p><p>龍蝦裝在自己的環境已經有好一陣子了。這段時間社群沒停過，KOL 一個接一個在講。既然風頭已經燒到這裡，我想趁這個時間點把自己看到的、跟著做的、還有使用上的體感整理一下 ，不下結論、不評價，單純想聽聽大家實際上是怎麼用的。</p><h3>KOL 把 AI 搞得有點焦慮</h3><p>滑社群一圈，最常聽到的敘事大致是：</p><ul><li>「你一定要裝這個」</li><li>「一人公司就能做這些事」</li><li>「我睡覺的時候 agent 在幫我工作」</li><li>「我公司不用請員工了」</li></ul><p>老實說，看多了會有點焦慮感好像不做就會落後。所以我也認真跟著弄過一輪，想看看這些工作流到底能幫我解決什麼問題。</p><p>結果弄完之後，覺得不太對勁。</p><p>一般人真的沒有那麼多信要回、沒有那麼多例行事要 AI 幫我跑。那些 KOL 示範的場景，放到我自己的生活裡，很多事情其實根本不會發生。真的在工作上常常要回信、處理大量事務的朋友，他們公司內部通常早就有 ERP / EIP 或既有流程在做這些事了。</p><p>這不是說工具沒用，而是我後來發現：<strong>那個「必須要裝、必須要弄」的急迫感，很大一部分是 KOL 的語氣堆出來的，不是需求本身堆出來的。</strong></p><h3>短影音、開發 App 然後呢？</h3><p>另一種常聽到的講法是「龍蝦可以幫你做短影音、開發 App、各種專案一條龍」。</p><p>這點我也試過。體感是：它會一直撞、一直試、一直修，過程中<strong>token 消耗非常可觀</strong>。產出也不見得是你要的樣子，你還是得一直在旁邊盯、一直跟它對話把方向拉回來。</p><p>那倒不如我<strong>直接切換到 Codex 或 Claude Code</strong>，跟它合作處理具體的事情就好。同樣是對話介面，但我更清楚自己在做什麼、它在做什麼，不會讓它自己在那邊亂噴 token。（Codex、Claude Code 跟龍蝦是不同的工具，這裡只是講我個人在不同情境下的選擇。）</p><h3>拿 N8N 來對照</h3><p>「一人公司不用請員工」這個敘事其實不新。當年 N8N 紅的時候也是一樣 — — 「我用 N8N 建了好幾個 agent，睡覺時它們幫我工作。」</p><p>有趣的是 N8N 那邊的成效我是真的有看到。身邊不少小型工作室、朋友的公司，導入 N8N 之後確實把一些事情處理掉了：</p><ul><li>接訂單、回覆詢問</li><li>把零散的詢問整理成固定格式</li><li>串 LINE、Email、資料庫，讓本來就人手不足的團隊鬆一口氣</li></ul><p>而且 token 消耗沒有很誇張，flow 跑起來很穩定。</p><p>但輪到龍蝦這邊，我目前<strong>還沒有太多聽到人真的把它跑成一個穩定在背景工作的系統</strong>。也許有，只是我沒滑到；也許還在早期，大家都還在摸。這是我很想聽大家分享的地方。</p><h3>龍蝦用起來的體感</h3><p>幾個我自己使用時感受到的差異，列出來，不帶評價 只是說它們是<strong>不同型態的工具</strong>：</p><ul><li><strong>Token 消耗大很多</strong>：同一件事，成本落差蠻明顯</li><li><strong>產出比較不可控</strong>：需要一直在旁邊對話、把方向拉回來</li><li><strong>不容易看每一步</strong>：N8N 每個節點、資料流、狀態都看得清楚；龍蝦比較像「邊用邊問」，要靠它自己吐 log，或乾脆<strong>再開另一個龍蝦去檢查前一個的狀態</strong></li><li><strong>除錯比較吃經驗</strong>：出問題時沒有節點可以一個個回溯，比較依賴使用者自己的判斷力</li></ul><p>這就像 Vim 跟 VSCode 不是誰好誰壞，是心智模型不一樣。選哪個，看你習慣在什麼樣的介面裡思考。</p><h3>地端模型這條路</h3><p>社群也有人說：「那我用地端模型跑就好。」</p><p>這個我自己也試過。結論是：<strong>如果你沒辦法塞進夠大的模型</strong>，用起來就會有明顯的落差 — — 會覺得它笨笨的，跟線上的 Claude、GPT 等級比，差距一時半刻還補不起來。</p><p>「用地端模型省 token」這件事，目前在我這邊還沒有完全成立。硬體等級夠高的人情況會不一樣，這也是我想聽大家分享的地方之一。</p><h3>想聽聽你怎麼用</h3><p>寫這篇最主要的目的其實是拋磚引玉，想聽聽大家實際的樣子：</p><ul><li>你真的每天會讓龍蝦在背景跑著幫你處理事情嗎？還是比較像「需要時才開來用」？</li><li>有沒有哪個場景是你用下去覺得「這真的改變我做事方式」？</li><li>有沒有哪個場景是你原本很期待、用下去發現「其實還好」？</li><li>用地端模型的人，你是跑到多大的參數？實際體感跟線上模型差多少？</li><li>如果身邊有「一人公司用龍蝦搞定所有事」的成功案例，他們到底是怎麼配置的？</li></ul><p>工具變得很快，但每個人的工作型態、資源、面對的問題都不一樣。與其急著下「會取代／不會取代」的結論，我更想把<strong>現場的使用樣貌</strong>先看清楚一點。</p><p>歡迎留言聊聊。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ec7d2e49d0dc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[lineage-lite — 為什麼我要寫這個東西]]></title>
            <link>https://medium.com/@tsumugihara85/lineage-lite-%E7%82%BA%E4%BB%80%E9%BA%BC%E6%88%91%E8%A6%81%E5%AF%AB%E9%80%99%E5%80%8B%E6%9D%B1%E8%A5%BF-b88c71fcb8fa?source=rss-bf6ea33bd399------2</link>
            <guid isPermaLink="false">https://medium.com/p/b88c71fcb8fa</guid>
            <category><![CDATA[dbt-core]]></category>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Tsumugi]]></dc:creator>
            <pubDate>Mon, 13 Apr 2026 02:50:52 GMT</pubDate>
            <atom:updated>2026-04-13T02:50:52.997Z</atom:updated>
            <content:encoded><![CDATA[<p>曾經我加入了一家叫 XYZ 的電商公司，做電商加訂閱服務的那種。進去之前覺得，資料團隊嘛，應該有個像樣的 data platform，結果第一天打開 repo 就傻了。Snowflake 資料倉庫裡面塞了上百個 dbt model，旁邊還有一堆上古時期的 Python ETL job，再加上幾份 BI 團隊自己手寫的 SQL 報表，放在 analysis/ 目錄裡，問誰寫的沒人承認，問還有沒有在用也沒人確定。</p><p>我第一週拿到的任務聽起來很簡單：</p><blockquote><em>「我們要改 </em><em>raw.payments 的 schema，把 </em><em>card_brand 跟 </em><em>card_type 合併成 </em><em>payment_method，應該很快吧？」</em></blockquote><p>講是這樣講，但哪有這麼簡單。</p><p>我打開 dbt 專案一看，raw.payments 在不同資料夾被 ref() 了十幾次。有些轉換根本不在 dbt 裡面，而是舊的 Python job 直接 pandas.read_sql 再 to_sql 回 warehouse。我問大家：「如果我改了 schema，到底哪些東西會壞？」</p><p>得到的答案只有兩種：</p><ul><li>「應該不會很多啦，你改完跑 CI 就知道了。」</li><li>「嗯⋯⋯這個我也不太確定，之前有人改過一次，報表壞了一整週。」</li></ul><p>公司倒是有裝 DataHub，但 lineage 只對一部分 dbt model 是完整的，Python job 跟手寫 SQL 完全沒出現在圖上。很多地方根本對不起來，線上實際在跑的東西，跟 metadata 裡畫的圖，早就 drift 掉了。</p><p>到這裡我才意識到，問題根本不是「這個表改了會不會壞」，而是<strong>我們其實不知道資料流真正長什麼樣子。</strong></p><p>所以我就想，乾脆自己寫一個好了。把所有 data pipeline 當成原始碼來看，不管是 SQL、dbt model 還是 Python ETL，只要寫在 repo 裡的，就能被靜態分析。</p><p>這就是 lineage-lite 的起點。</p><p>有興趣的朋友可以先到 Github上看一下 : <a href="https://github.com/Tsumu-x/lineage-lite">https://github.com/Tsumu-x/lineage-lite</a></p><h3>改 schema 不再靠運氣</h3><p>回到那個 raw.payments 的故事。</p><p>我先跑了一次掃描，把整個 repo 建成一張 lineage graph：</p><pre>lineage-lite scan .</pre><p>它會去掃 models/、sql/、etl/ 所有目錄，解析 SQL 裡的 FROM、JOIN、INSERT INTO、CREATE TABLE AS，讀 dbt model 裡的 ref() / source()，再從 Python 檔案裡找 read_sql → to_sql 這種 pattern，全部串成一張圖。</p><p>然後我指定要改的那張表，做 impact analysis：</p><pre>lineage-lite impact raw.payments --path .</pre><p>跑出來的結果讓我嚇了一跳，下游有 23 個節點，7 個 dbt model、5 個 BI 報表、3 個舊 Python job，其他是中間表。其中還有 2 個報表大概一年沒人查過了，根本可以直接 deprecate。</p><p>如果我想更仔細看某張關鍵表的上下游長什麼樣，可以用 show：</p><pre>lineage-lite show mart.orders --upstream 4 --downstream 2 --path .</pre><p>終端機會印出上游四層、下游兩層的鄰域，一眼就知道這張表在整個 pipeline 裡的位置。</p><p>後來我還加了一個 diff 指令，專門拿來放 CI：</p><pre># 改 code 之前先存一份基準<br>lineage-lite scan . --out baseline.db</pre><pre># 改完之後比較差異<br>lineage-lite diff baseline.db .</pre><p>它會列出新增跟移除的 nodes、edges，這樣 PR review 的時候大家一眼就能看到「這次改動影響了哪些 lineage」，不用再靠猜的。</p><p>最後我把 impact 結果貼進 PR 描述裡：</p><blockquote><em>這次 schema 變更預期影響 8 個下游，其中 3 個是 legacy 報表可同步下線，其餘 5 個會在同一 PR 修正。</em></blockquote><p>這是團隊第一次不是用「應該不會壞很多」來安慰彼此。大家真的可以坐下來討論：哪些下游其實是 legacy 可以趁機清掉？哪些是 critical 以後要走 RFC？</p><h3>那個欄位到底是怎麼算出來的</h3><p>過了幾週，團隊新來了一個 analytics engineer。他接手 mart_customers 這張 mart table，裡面有個 lifetime_value 欄位，他問我：「這個數字是怎麼算出來的？從哪些上游 SUM 過來的？」</p><p>講到這裡我必須先說，這其實是資料工程社群一個喊了好幾年的痛點：column-level lineage。大家都知道 A 表會流到 B 表，但 B 表裡面那個 lifetime_value 到底是從 A 表的哪個欄位、經過什麼轉換算出來的？dbt-core 的 GitHub Discussion 裡面討論了幾年，到現在都還沒有原生支援。</p><p>以前要搞清楚一個欄位的來源，只能人工去翻 SQL、一層一層追 CTE、看 Jinja macro，半天搞清楚一個欄位算運氣好的。</p><p>所以我在 lineage-lite 裡面做了 trace 指令：</p><pre>lineage-lite trace reports.daily_revenue --path .</pre><p>它會從 SQL AST 裡提取每個欄位的來源欄位、轉換類型（direct / SUM / COUNT / expression），還有原始的 SQL 表達式。CTE 會自動穿透往內追蹤，不用自己一層一層點。</p><p>但 dbt model 比較麻煩，因為裡面滿滿都是 Jinja，像 {{ config() }}、{% for %}、各種 macro，sqlparser 根本解析不了。我的做法是讀 dbt compile 產出的 target/compiled/ 目錄，那裡面是 Jinja 展開後的純 SQL，這樣就能正常做 column-level 分析了：</p><pre>lineage-lite trace marts.mart_customers --path . --compiled target/compiled/</pre><p>跑出來的結果很清楚：lifetime_value = SUM(stg_payments.amount)，來源是 raw.payments，中間經過 stg_payments → int_order_payments → mart_customers。</p><p>我還做了一個互動式的 HTML 輸出：</p><pre>lineage-lite scan . --format html --out lineage.html</pre><p>產出一個零依賴的 HTML 檔案，用瀏覽器打開就能看到完整的 table-level + column-level lineage 圖，可以點選、展開。那個新同事後來跟我說：「這比那個超花俏的 catalog 好懂多了，至少每一條線都對得上 repo 裡面實際的 SQL。」</p><h3>治理會議上不再靠印象畫線</h3><p>某次治理小組開會，討論一個新 policy：</p><blockquote><em>「所有 PII 相關欄位（email, phone, id_number），在 warehouse 裡只能出現在指定 domain 的表，其他地方視為違規。」</em></blockquote><p>聽起來很合理，但問題馬上來了：<strong>現在到底有幾張表存了 email？</strong> 哪些是正當的 customer 360，哪些是 analyst 隨手 join 上去的？如果硬推這個 policy 會不會順便打壞某個部門的報表？</p><p>開會的時候大家面面相覷，沒人答得出來。</p><p>我先用 stats 找出所有含 PII 欄位的表：</p><pre>lineage-lite stats . --where column=email</pre><p>它會列出 graph 裡所有包含 email 欄位的表，附上類型跟來源檔案。</p><p>然後我寫了一個規則檔 .lineage-rules.toml：</p><pre>[[rules]]<br>name = &quot;pii-isolation&quot;<br>type = &quot;column-deny&quot;<br>columns = [&quot;email&quot;, &quot;phone&quot;, &quot;id_number&quot;]<br>denied_schemas = [&quot;reports&quot;, &quot;analysis&quot;, &quot;exports&quot;]<br>message = &quot;PII 欄位不應出現在此 schema&quot;</pre><p>用 check 跑一次：</p><pre>lineage-lite check . --rules .lineage-rules.toml</pre><p>它會自動掃 lineage graph，把違規的表和欄位全部列出來。這個指令放進 CI 的話，以後每次 PR 都會自動檢查有沒有人不小心把 PII 帶到不該出現的 schema。</p><p>結果我帶去開會：目前有 17 張表出現 email 欄位，其中 5 張不在允許的 domain。這 5 張全部是 ad-hoc 分析或舊報表，下游沒有任何 production dashboard。</p><p>治理小組的決策不再是「我們要不要推這個 policy」，而是直接變成「OK，這 5 張表我們這個 sprint 就能替換或下線，然後把 check 固化進 CI pipeline。」</p><p>對了，如果公司夠大、有多個 repo，各自 scan 完之後可以合併：</p><pre>lineage-lite merge repo-a.db repo-b.db --out merged.db</pre><p>治理團隊看到的就是跨 repo 的完整 lineage 圖。</p><h3>所以 lineage-lite 到底在幹嘛</h3><p>講到最後，其實就一件事：<strong>把「我們以為知道的資料流」跟「程式碼裡真正存在的資料流」對齊。</strong></p><p>它不是一個有漂亮 UI 的治理平台，也不打算取代 DataHub 或 dbt Cloud。它就是一個 Rust 寫的靜態分析引擎，從 SQL、dbt、Python ETL 的原始碼裡面，把真正的 source → transform → sink 關係抽出來。</p><p>治理、policy、compliance、data contract 這些比較上層的東西，只有在底層的 graph 是準的時候，才有可能真的落地。而 lineage-lite 做的，就是讓那張圖先對起來。</p><p>場景解決什麼用到的指令改 schema 前看爆炸半徑不再靠猜scan、impact、show、diff追蹤欄位怎麼算出來的column-level lineagetrace、scan --format htmlPII 盤點、data contract治理自動化stats、check、merge</p><p>Github :<a href="https://github.com/Tsumu-x/lineage-lite"> https://github.com/Tsumu-x/lineage-lite</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b88c71fcb8fa" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[我看了 gstack 的遙測資料，發現 telemetry: off 並不代表完全停止資料記錄]]></title>
            <link>https://medium.com/@tsumugihara85/%E6%88%91%E7%9C%8B%E4%BA%86-gstack-%E7%9A%84%E9%81%99%E6%B8%AC%E8%B3%87%E6%96%99-%E7%99%BC%E7%8F%BE-telemetry-off-%E4%B8%A6%E4%B8%8D%E4%BB%A3%E8%A1%A8%E5%AE%8C%E5%85%A8%E5%81%9C%E6%AD%A2%E8%B3%87%E6%96%99%E8%A8%98%E9%8C%84-18ffa9d4236e?source=rss-bf6ea33bd399------2</link>
            <guid isPermaLink="false">https://medium.com/p/18ffa9d4236e</guid>
            <category><![CDATA[gstack]]></category>
            <category><![CDATA[開發者工具]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[隱私]]></category>
            <category><![CDATA[資安稽核]]></category>
            <dc:creator><![CDATA[Tsumugi]]></dc:creator>
            <pubDate>Sun, 05 Apr 2026 15:42:42 GMT</pubDate>
            <atom:updated>2026-04-05T15:59:04.670Z</atom:updated>
            <content:encoded><![CDATA[<p>最近 AI 開發工具滿天飛。Claude Code 有 skill 生態系，Cursor 有自己的 agent，各種第三方 skill pack 如雨後春筍。</p><p>gstack 是其中一個頗受歡迎的 skill 套件 它提供了 code review、design review、YC office hours 模擬、工程審查等一系列功能，裝起來確實好用。</p><p>但有一天我看到社群上有人提到<a href="https://blog.chibakuma.com/ai-audit-gstack-telemetry/">gstack telemetry 事件實錄的文章</a> ，我好奇：<strong>這些工具在我的電腦上留下了什麼？</strong></p><p>於是我做了一次完整的本地稽核。結果讓我不太舒服。</p><p>第一件事：確認設定狀態</p><p>先看 `~/.gstack/config.yaml`：</p><pre>telemetry: off<br>skill_prefix: false</pre><p>好，telemetry: off。照理說什麼都不該收集了吧？</p><p>再看目錄結構：</p><pre>~/.gstack/<br>├── .telemetry-prompted          ← 有問過我，我選了 off<br>├── analytics/                   ← 等等，這個目錄裡面有東西？<br>│   ├── skill-usage.jsonl<br>│   ├── reviews.jsonl<br>│   └── spec-review.jsonl<br>├── config.yaml<br>├── projects/                    ← 這裡面也有？<br>│   ├── 某專案A/<br>│   ├── 某專案B/<br>│   └── 某專案C/<br>└── sessions/</pre><p>我明明選了 off，analytics/目錄裡面卻有三個 JSONL 檔案，而且 projects/ 目錄下每個專案都有資料。</p><p><strong>off 不是 “off”。</strong></p><p>本地收集了什麼？完整清單</p><p>1. skill-usage.jsonl — 你用了什麼功能、什麼時候、對哪個 repo</p><pre>{&quot;skill&quot;:&quot;office-hours&quot;,&quot;ts&quot;:&quot;2026-03-25T00:06:52Z&quot;,&quot;repo&quot;:&quot;my-project&quot;}<br>{&quot;skill&quot;:&quot;codex&quot;,&quot;ts&quot;:&quot;2026-03-28T05:02:45Z&quot;,&quot;repo&quot;:&quot;another-project&quot;}<br>{&quot;skill&quot;:&quot;codex&quot;,&quot;duration_s&quot;:&quot;0&quot;,&quot;outcome&quot;:&quot;success&quot;,&quot;browse&quot;:&quot;false&quot;,&quot;session&quot;:&quot;15408-1775028850&quot;,&quot;ts&quot;:&quot;2026-04-01T07:34:10Z&quot;}</pre><p>每次你執行一個 gstack skill，它就寫一行進去。記錄了：</p><p>技能名稱，你用了 office-hours、codex、design-review 還是 eng-review</p><p>時間戳精確到秒，專案 repo 名稱，你正在開發的專案叫什麼。</p><p>Session ID可以把多次操作串成同一個工作階段，</p><p>執行時間和結果，跑了多久、成功還是失敗。</p><p>光是這個檔案，就能還原出你的工作時間軸：幾點開始上班、幾點還在加班、這陣子在哪個專案上花最多時間、最常用哪些功能。這類資料在許多工具中並不罕見，但問題在於即使使用者選擇了 off，仍然持續被記錄。</p><p>2. reviews.jsonl — 你的程式碼審查紀錄</p><pre>{&quot;skill&quot;:&quot;plan-design-review&quot;,&quot;timestamp&quot;:&quot;2026-03-25T09:04:04Z&quot;,&quot;status&quot;:&quot;clean&quot;,&quot;initial_score&quot;:4,&quot;overall_score&quot;:7,&quot;unresolved&quot;:0,&quot;decisions_made&quot;:12}<br>{&quot;skill&quot;:&quot;plan-eng-review&quot;,&quot;timestamp&quot;:&quot;2026-03-25T22:49:44Z&quot;,&quot;status&quot;:&quot;clean&quot;,&quot;unresolved&quot;:0,&quot;critical_gaps&quot;:0,&quot;issues_found&quot;:8,&quot;mode&quot;:&quot;FULL_REVIEW&quot;}</pre><p>你的設計拿到幾分、有幾個問題被找出來、做了幾個決策 逐一全部記下來了。跑了幾輪、找到幾個問題、修了幾個、品質分數多少。這基本上是你的 AI 輔助開發的績效紀錄。</p><p>4. projects/ 目錄 — 專案資料 與完整審查報告</p><p>每個專案下面有兩種東西：</p><p>repo-mode.json 你的專案規模和團隊組成：</p><pre>{&quot;mode&quot;:&quot;solo&quot;,&quot;top_pct&quot;:100,&quot;authors&quot;:1,&quot;total&quot;:430,&quot;computed&quot;:&quot;2026-03-25T11:26:05Z&quot;}</pre><p>你是一個人在做還是團隊協作、總共有幾個 commit、最大貢獻者佔多少比例。完整的 Markdown 審查報告，這是最恐怖的部分。gstack 的 design review 和 eng review 功能會產生完整的報告，包含 :</p><blockquote>你的使用者名稱</blockquote><blockquote>你的分支名稱（通常包含功能描述）</blockquote><blockquote>你的產品設計內容問題定義、目標使用者、競爭分析、技術架構</blockquote><blockquote>評分和改善建議</blockquote><p>我在我的環境中找到這這些報告有的超過 19KB。那不是幾行 metadata，那是你的完整產品思考過程。</p><p>如果有人拿到你的 `~/.gstack/projects/` 目錄，他們基本上拿到了你最近在做什麼產品、怎麼想的、哪些地方設計得不好。</p><p>那有沒有被上傳出去？</p><p>這是最關鍵的問題。我去翻了 gstack 的原始碼。</p><p>到目前我自己在我的環境中找，Supabase 沒有看到上傳的狀況，gstack 用 Supabase 作為遙測後端。上傳的程式碼在 `gstack-telemetry-sync` 腳本裡，第 43–45 行：</p><pre>TIER=&quot;$(&quot;$CONFIG_CMD&quot; get telemetry 2&gt;/dev/null || true)&quot;<br>TIER=&quot;${TIER:-off}&quot;<br>[ &quot;$TIER&quot; = &quot;off&quot; ] &amp;&amp; exit 0</pre><p>telemetry: off 的時候，sync 腳本確實會直接退出，不會執行上傳。</p><p>但是GitHub VERSION 檢查有 phone home。</p><p>gstack-update-check 腳本裡有這麼一行</p><pre>REMOTE=&quot;$(curl -sf --max-time 5 \<br>  &quot;https://raw.githubusercontent.com/garrytan/gstack/main/VERSION&quot; \<br>  2&gt;/dev/null || true)&quot;</pre><p>這個 curl不受 telemetry設定控制。它由獨立的 `update_check` config key 管理。</p><p>我的 last-update-check檔案內容是 UPGRADE_AVAILABLE 0.13.0.0 0.15.0.0，確認這個請求確實有發生過。</p><p>雖然只洩漏了我的 IP 給 GitHub CDN，但重點是：以為自己關掉了所有對外通訊，但其實沒有。雖然這類http request在多數軟體中屬於常見行為，但問題在於它不受 telemetry 設定控制，也未被明確揭露。</p><p>要真正關掉，你需要在 config.yaml 加上：</p><pre>update_check: false</pre><p>為什麼 off 不是真的 off？</p><p>我去對比了原始碼裡的兩種寫入路徑：</p><p>1. 新版的 gstack-telemetry-log腳本寫出 `v:1` 格式的事件）會檢查 tier，off 時直接退出</p><p>2. 舊版的 skill preamble 腳本（直接 `echo &gt;&gt; skill-usage.jsonl`）不檢查 tier，無條件寫入</p><p>所以情況是這樣的gstack 在不同版本的演進過程中，有些 skill 的前置腳本用的是舊的寫入方式，直接把資料 append 到 JSONL 檔案裡，完全不理會你的設定。</p><p>telemetry: off 只控制了「要不要把本地資料 sync 到 Supabase」，但本地的記錄行為是分散在各個 skill 腳本裡的，沒有統一的開關。</p><p>這不是 bug，可能這是架構上的疏忽。 但對使用者來說，效果是一樣的：你以為你關掉了，其實只關掉了一半。</p><p>Supabase 那邊的安全性呢？</p><p>既然原始碼是開源的，我也看了一下 Supabase 的設定。</p><pre>GSTACK_SUPABASE_URL=&quot;https://frugpmstpnojnhfyimgv.supabase.co&quot;<br>GSTACK_SUPABASE_ANON_KEY=&quot;sb_publishable_tR4i6cyMIrYTE3s6OyHGHw_ppx2p6WK&quot;</pre><p>Anon key 直接寫在原始碼裡這本身不是問題，Supabase 的 anon key 設計上就是公開的，類似 Firebase 的 public config。</p><p>RLS 政策上，anon 角色只能 INSERT，所有 SELECT 權限都已經被拔掉。所以即使有人拿到這個 key，也讀不到其他人的資料。</p><p>但如果你是 telemetry community的使用者，你的資料確實會被上傳。上傳時會移除 _repo_slug和 _branch，但保留 session_id。</p><p>如果我要收集哪些東西，我應該怎麼告訴使用者？</p><p>這才是我寫這篇文章的真正原因。gstack 的技術實作其實沒有做壞事Supabase 的 RLS 有做、上傳有檢查 tier、anon key 只有 INSERT 權限。</p><p>但溝通上有三個問題：</p><p>1. 「off」應該是真的 off</p><p>當使用者選擇 telemetry: off 的時候，他的合理期待是「什麼都不記錄」。不是「不上傳但本地照記」。</p><p>如果你需要本地記錄來做功能（例如顯示使用統計），那你應該明確地把它分成兩個設定：</p><pre>local_analytics: true    # 本地記錄（功能需要）<br>remote_telemetry: off     # 遠端上傳（可關閉）</pre><p>讓使用者知道他關掉的是哪一層。</p><p>2. Update check 應該受 telemetry 設定控制，或至少明確揭露</p><p>一個網路請求就是一個網路請求。不管它「只是」檢查版本號，它都是你的程式在使用者不知情的情況下對外通訊。</p><p>3. 審查報告不應該跟遙測資料放在一起</p><p>`~/.gstack/projects/` 下面那些 Markdown 報告包含了使用者的完整產品設計內容。這些東西跟 analytics/ 裡的使用統計不是同一個等級的敏感度。</p><p>如果你的遙測 sync 腳本有 bug，不小心把 projects/ 目錄下的東西一起上傳了呢？把高敏感度的資料和遙測資料放在同一個根目錄下，本身就是風險。</p><p>你現在可以做的事</p><pre># 看 gstack 收集了什麼<br>ls -la ~/.gstack/analytics/<br>cat ~/.gstack/analytics/skill-usage.jsonl<br><br># 看你的專案有沒有被記錄<br>ls -la ~/.gstack/projects/<br><br># 看你的設定<br>cat ~/.gstack/config.yaml</pre><p>你可以選擇清除已收集的資料 ~/.gstack/analytics/ ~/.gstack/projects/ ~/.gstack/sessions/</p><p>這裡的操作請讀者看完，再自行評估，也可以讓自己的AI 工具幫你分析，還有幫你找出如何完整關掉。</p><p>結語：信任稅</p><p>每安裝一個 AI 開發工具，你就多繳了一次信任稅。</p><p>這不是說這些工具都在偷你的資料。gstack 的遠端上傳確實尊重了 telemetry: off 的設定，Supabase 的權限設計也合理。從這個角度來看，它比很多閉源工具透明得多。</p><p>但問題是：在 AI 工具的生態系裡，「可以看到原始碼」不等於「使用者知道發生了什麼事」。 有多少人安裝完 gstack 之後，會去翻 `~/.gstack/` 目錄？有多少人會去讀 `gstack-telemetry-sync` 的 shell script？</p><p>當一個工具說「我們尊重你的隱私」，使用者的期待是：我說不要，就是不要。不是「不要上傳但本地照記」、不是「遙測關了但版本檢查還會 phone home」、不是「你的設計審查報告跟遙測資料放在同一個目錄但我們保證不會一起上傳」。</p><p>信任是設計出來的，不是承諾出來的。</p><p>如果你是 AI 工具的開發者，請做到這三件事：</p><p>1. “off” 就是 “off”。不收集、不記錄、不通訊。</p><p>2. 使用者的創作內容和遙測資料要完全隔離。</p><p>3. 每一個對外的網路請求都要有明確的開關和說明。</p><p>做到這三點，使用者才會真的信任你。</p><p><em>本文所有發現均基於 gstack 公開原始碼的查看，未涉及任何逆向工程或未授權存取。如果你也做了類似的稽核，歡迎分享你的發現。</em></p><p>更新 :</p><p>gstack 自己在 CHANGELOG 裡承認了這個問題</p><p>gstack 的 CHANGELOG(https://github.com/garrytan/gstack/blob/main/CHANGELOG.md) 裡有一行更新，大意是：</p><p>&gt; Telemetry off means off everywhere.When you set telemetry to off, gstack no longer writes local JSONL analytics files. Previously off only stopped remote reporting. Now nothing is written anywhere.</p><p>換句話說，gstack 官方表示舊版的 telemetry off 只是「停止上傳」，但仍會在本地寫入分析資料；後來才修正為完全關閉，不再在任何地方寫入資料。<br> 如果你使用的是舊版，或在修正前已經產生資料，這些本地檔案仍然會存在。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=18ffa9d4236e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>