亚马逊云科技已经将项目开发套件(PDK)蓝图引入其CodeCatalyst DevOps工具当中。开发人员现在可以根据常见模式构建应用程序,同时设置DevOps资源,借此提高这两大项目的市场吸引力。
作为2023年4月正式发布的亚马逊 DevOps服务,CodeCatalyst旨在提供一套完整的集成系统,涵盖源代码管理、构建与测试工具、持续集成与持续交付(CI/CD)、问题跟踪与合作等功能。亚马逊云科技同时提供其他DevOps工具选项,例如CodeBuild、CodePipeline以及CodeArtifact,但CodeCatalyst是独立服务的形式存在,并非其他工具的捆绑包。换句话说,我们可以将CodeCatalyst与各类外部服务结合起来,包括配合GitHub代码库使用。
PDK则是另一个在GitHub上开源的独立项目,旨在为常见用例提供构建块支持,但目前仅支持三种语言:TypeScript、Python以及Java。PDK基于Projen衍生而来,希望实现项目的自动化配置。
自CodeCatalyst发布以来,就一直将各类蓝图作为项目的重要组成部分。而此次添加的PDK蓝图将带来更强大的组合,也将内置蓝图从之前的20种增加到现在的25种。

在CodeCatalyst中添加PDF蓝图
在实际体验当中,我们按照教程引导掌握了类型安全API、使用亚马逊Cloudscape设计基于Raect的网站、Cognito身份验证以及将项目部署至亚马逊基础设施的整个工作流程。
整个实验项目由5个PDK蓝图组成,分别负责处理设置以支持Nx构建系统的代码库、添加API与Cloudscape React网站的框架代码、定义基于CDK(云开发工具包)的亚马逊基础设施,以及创建用于构建及部署项目的工作流程。每次应用蓝图时,它都会创建一条pull request,因此在合并该PR之前不会应用任何代码变更。
设置完成之后,项目还提供内置选项以创建基于代码库的远程开发环境。我们设置了一套Tabnine环境,但并非完全成功,因为终端无法运行并显示“tmux: need UTF-8 locale (LC_CTYPE) but have ANSI_X3.4-1968”错误。我们本可以避免这个错误,而且亚马逊官方也为接入运行Tabnine环境的虚拟机提供了明确记录的修复程序。

在Tabnine中编辑项目代码,但最终出现了终端报错
尽管出了点小问题,但该工具的表现仍然令人印象深刻:它不仅能够生成代码,还能生成完整的DevOps环境,这无疑将大大简化开发者的工作流程。
但其局限性也相当明显,包括当前可用的蓝图数量较少,而且所有蓝图的版本号仍然以0开头——代表其尚处于预览阶段。
此次CodeCatalyst与全新PDK功能的发布背景在于,尽管亚马逊云科技已经成为全球最大的云基础设施服务商,但在DevOps工具方面尚未得到大多数开发者的认可和关注。亚马逊方面似乎在这项服务上投入了大量资源,但目前还很难判断其是否有能力建立起庞大且活跃的技术生态。类似的问题也同样困扰着PDK,而将两者结合起来也许能同时拉高双方在目标受众当中的吸引力。
另一个关键问题则是CodeCatalyst定下的发展目标是否太高,即只需点击几下就能创建出相对复杂的项目。对于这类快速生成的项目,可能要求开发人员在维护和开发方面拥有更高水平的技能;而如果开发者真的具备如此高水平的业务能力,似乎又没必要使用蓝图、或者说蓝图反而限制了他们的开发空间。
官方倒是相当乐观,强调称“PDK蓝图能够消除为全栈应用程序设置不同项目所带来的繁重无差别工作,使您在更短的时间内解决多个项目的特定需求。”
好文章,需要你的鼓励
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
苹果即将发布Apple TV 4K和HomePod mini 2两款产品更新。更值得期待的是三款全新产品:配备7英寸方形显示屏的HomePod Touch将搭载全新homeOS系统,支持Safari、音乐等应用及小组件功能,预计售价350美元;此外还有智能安全摄像头和视频门铃两款配件。这标志着苹果从依赖第三方HomeKit配件转向自主研发智能家居产品的重要战略转变。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。