Seperti apakah rupa Kod AI?

Seperti apakah rupa Kod AI?

Jawapan ringkas: Kod berbantukan AI sering dibaca sebagai luar biasa kemas dan "buku teks": pemformatan yang konsisten, penamaan generik, mesej ralat sopan dan komen yang menyatakan semula perkara yang jelas. Jika ia tiada ketajaman dunia sebenar - bahasa domain, kekangan yang janggal, kes pinggir - ia adalah tanda amaran. Apabila anda meletakkannya dalam corak repo anda dan mengujinya terhadap risiko pengeluaran, ia menjadi boleh dipercayai.

Kesimpulan utama:

Semakan konteks : Jika istilah domain, bentuk data dan kekangan tidak dicerminkan, anggap ia berisiko.

Terlalu menggilap : Rentetan dokumen yang berlebihan, struktur seragam dan nama yang hambar boleh menandakan penjanaan generik.

Disiplin ralat : Perhatikan tangkapan pengecualian yang meluas, kegagalan yang ditelan dan pembalakan yang samar-samar.

Potongan abstraksi : Padamkan pembantu dan lapisan spekulatif sehingga hanya versi betul terkecil yang tinggal.

Ujian realiti : Tambah ujian integrasi dan kes pinggir; ia mendedahkan andaian "dunia bersih" dengan pantas.

Seperti apakah rupa Kod AI? Infografik

Pengekodan berbantukan AI kini terdapat di mana-mana ( Tinjauan Pembangun Stack Overflow 2025 ; GitHub Octoverse (28 Okt 2025) ). Kadangkala ia hebat dan menjimatkan masa anda. Kadangkala ia… digilap secara mencurigakan, agak generik, atau ia "berfungsi" sehingga seseorang mengklik satu butang yang tiada siapa yang uji 🙃. Ini membawa kepada persoalan yang terus ditimbulkan oleh orang ramai dalam semakan kod, temu bual dan DM peribadi:

Seperti apa rupa Kod AI

Jawapan langsungnya ialah: ia boleh kelihatan seperti apa sahaja. Tetapi terdapat corak - isyarat lembut, bukan bukti mahkamah. Anggaplah ia seperti meneka sama ada kek datang dari kedai roti atau dapur seseorang. Aisingnya mungkin terlalu sempurna, tetapi sesetengah pembuat kek buatan sendiri juga sangat sedap. Suasana yang sama.

Berikut ialah panduan praktikal untuk mengenali cap jari AI yang biasa, memahami mengapa ia berlaku dan - yang penting - cara menukar kod yang dijana AI kepada kod yang anda percayai dalam pengeluaran ✅.

🔗 Bagaimanakah AI meramalkan arah aliran?
Menerangkan pembelajaran corak, isyarat dan ramalan dalam kegunaan sebenar.

🔗 Bagaimanakah AI mengesan anomali?
Meliputi kaedah pengesanan outlier dan aplikasi perniagaan biasa.

🔗 Berapa banyak air yang digunakan oleh AI?
Menghuraikan kesan penggunaan air dan latihan pusat data.

🔗 Apakah bias AI?
Mentakrifkan sumber bias, bahaya dan cara praktikal untuk mengurangkannya.

1) Pertama, apa yang orang maksudkan apabila mereka menyebut “kod AI” 🤔

Apabila kebanyakan orang menyebut "kod AI," mereka biasanya bermaksud salah satu daripada ini:

  • Kod didraf oleh pembantu AI daripada gesaan (ciri, pembetulan pepijat, pemfaktoran semula).

  • Kod diselesaikan secara automatik , di mana pembangun telah membuat simpulan tetapi tidak mengarang sepenuhnya.

  • Kod yang ditulis semula oleh AI untuk "pembersihan", "prestasi" atau "gaya".

  • Kod yang kelihatan seperti datang daripada AI walaupun bukan (ini berlaku lebih daripada yang diakui orang ramai).

Dan inilah perkara penting: AI tidak mempunyai gaya tunggal . Ia mempunyai kecenderungan . Kebanyakan kecenderungan tersebut datang daripada cuba untuk menjadi betul secara amnya, boleh dibaca secara amnya dan selamat secara amnya… yang ironinya boleh menjadikan output terasa sedikit sama.

2) Rupa Kod AI: visual ringkas memberitahu 👀

Mari kita jawab tajuk utama dengan jelas: Rupa Kod AI biasanya seperti apa.

Selalunya ia kelihatan seperti kod yang:

  • Sangat "kemas seperti buku teks" - lekukan yang konsisten, pemformatan yang konsisten, semuanya konsisten.

  • Berjela-jela dengan cara yang neutral - banyak komen "membantu" yang tidak banyak membantu.

  • Terlalu umum - dibina untuk mengendalikan sepuluh senario khayalan dan bukannya dua senario sebenar.

  • Agak terlampau berstruktur - fungsi pembantu tambahan, lapisan tambahan, abstraksi tambahan… seperti mengemas untuk perjalanan hujung minggu dengan tiga beg pakaian 🧳.

  • Kehilangan gam kes tepi yang janggal yang terkumpul oleh sistem sebenar (bendera ciri, kebiasaan legasi, kekangan yang menyusahkan) ( Martin Fowler: Togol Ciri ).

Tetapi juga - dan saya akan terus mengulangi ini kerana ia penting - pembangun manusia juga boleh menulis seperti ini. Sesetengah pasukan menguatkuasakannya. Sesetengah orang memang pelik. Saya mengatakannya dengan penuh kasih sayang 😅.

Jadi, daripada "mengenali AI," adalah lebih baik untuk bertanya: adakah kod ini bertindak seperti yang ditulis dengan konteks sebenar? Konteks adalah tempat AI sering tergelincir.

3) Papan tanda “lembah luar biasa” - apabila ia terlalu kemas 😬

Kod yang dijana AI selalunya mempunyai "kilat" tertentu. Tidak selalu, tetapi selalunya.

Isyarat biasa "terlalu kemas"

  • Setiap fungsi mempunyai docstring walaupun ia jelas.

  • Semua pembolehubah mempunyai nama yang sopan seperti result , data , items , payload , responseData .

  • Mesej ralat konsisten yang kedengaran seperti manual: “Ralat berlaku semasa memproses permintaan.”

  • Corak seragam merentasi modul yang tidak berkaitan , seperti semuanya ditulis oleh pustakawan yang sama dan teliti.

Pemberian halus

Kod AI boleh terasa seperti direka bentuk untuk tutorial, bukan produk. Ia seperti… memakai sut untuk mengecat pagar. Aktiviti yang sangat betul, tetapi sedikit salah untuk pakaian tersebut.

4) Apakah yang menjadikan versi kod AI yang baik? ✅

Mari kita ubah suai keadaan. Kerana matlamatnya bukanlah "menangkap AI," tetapi "kualiti kapal"

Versi kod berbantukan AI yang baik

Dalam erti kata lain, kod AI yang hebat kelihatan seperti… pasukan anda yang menulisnya. Atau sekurang-kurangnya, pasukan anda menerima pakainya dengan betul. Seperti anjing penyelamat yang kini tahu di mana sofa berada 🐶.

5) Pustaka corak: cap jari AI klasik (dan mengapa ia berlaku) 🧩

Berikut adalah corak yang saya lihat berulang kali dalam pangkalan kod berbantukan AI - termasuk yang telah saya bersihkan sendiri. Sebahagian daripadanya baik-baik saja. Ada yang berbahaya. Kebanyakannya hanyalah… isyarat.

A) Pemeriksaan nol yang terlalu defensif di mana-mana

Anda akan melihat lapisan:

  • jika x ialah Tiada: kembalikan ...

  • cuba/kecuali Pengecualian

  • berbilang lalai sandaran

Sebab: AI cuba mengelakkan ralat masa jalan secara meluas.
Risiko: Ia boleh menyembunyikan kegagalan sebenar dan menjadikan penyahpepijatan menjijikkan.

B) Fungsi pembantu generik yang tidak memerlukan kewujudannya

Seperti:

  • data_proses()

  • permintaan_pengendali()

  • validate_input()

Mengapa: abstraksi terasa "profesional."
Risiko: anda akan mendapat fungsi yang melakukan segala-galanya dan tidak menjelaskan apa-apa.

C) Komen yang menyatakan semula kod

Contoh tenaga:

  • "Tambah i sebanyak 1"

  • "Balaskan balasan"

Sebab: AI dilatih untuk memberi penjelasan.
Risiko: komen cepat mereput dan menimbulkan hingar.

D) Kedalaman perincian yang tidak konsisten

Satu bahagian sangat terperinci, bahagian lain samar-samar secara misteri.

Sebab: hanyutan fokus yang cepat… atau konteks separa.
Risiko: titik lemah tersembunyi di zon samar-samar.

E) Struktur simetri yang mencurigakan

Semuanya mengikut rangka yang sama, walaupun logik perniagaan tidak sepatutnya.

Sebab: AI suka mengulang bentuk yang telah terbukti.
Risiko: keperluan tidak simetri - ia berketul-ketul, seperti barangan runcit yang dibungkus dengan teruk 🍅📦.

6) Jadual Perbandingan - cara untuk menilai rupa Kod AI 🧪

Berikut ialah perbandingan toolkit praktikal. Bukan "pengesan AI," lebih seperti pemeriksaan realiti kod . Kerana cara terbaik untuk mengenal pasti kod yang meragukan adalah dengan mengujinya, menyemaknya dan memerhatikannya di bawah tekanan.

Alat / Pendekatan Terbaik untuk (khalayak) Harga Mengapa ia berfungsi (dan sedikit kelainan)
Senarai Semak Semakan Kod 📝 Pasukan, ketua, senior Percuma Memaksa soalan "mengapa"; menangkap corak generik… kadangkala terasa rumit ( Amalan Kejuruteraan Google: Semakan Kod )
Ujian Unit + Integrasi ✅ Ciri penghantaran semua orang Bebas-bebas Mendedahkan kes pinggir yang hilang; kod AI sering kekurangan lekapan dalam pengeluaran ( Kejuruteraan Perisian di Google: Pengujian Unit ; Piramid Ujian Praktikal )
Analisis Statik / Penghamparan Lapisan 🔍 Pasukan dengan piawaian Percuma / Berbayar Menandakan ketidakkonsistenan; tidak akan mengesan pepijat "idea yang salah" ( Dokumen ESLint ; Pengimbasan kod GitHub CodeQL )
Pemeriksaan Jenis (jika berkenaan) 🧷 Pangkalan kod yang lebih besar Percuma / Berbayar Mendedahkan bentuk data yang samar-samar; boleh menjengkelkan tetapi berbaloi ( TypeScript: Pemeriksaan Jenis Statik ; dokumentasi mypy )
Pemodelan Ancaman / Kes Penyalahgunaan 🛡️ Pasukan yang mementingkan keselamatan Percuma AI mungkin mengabaikan penggunaan adversarial; ini memaksanya ke dalam cahaya ( Lembaran Menipu Pemodelan Ancaman OWASP )
Profil Prestasi ⏱️ Kerja bahagian belakang yang banyak data Percuma / Berbayar AI boleh menambah gelung, penukaran, peruntukan tambahan - pemprofilan tidak berbohong ( Dokumen Python: The Python Profilers )
Data Ujian Berfokus Domain 🧾 Produk + kejuruteraan Percuma "Ujian bau" terpantas; data palsu menghasilkan keyakinan palsu ( dokumen lekapan pytest )
Ulasan / Panduan Berpasangan 👥 Bimbingan + PR kritikal Percuma Minta pengarang menjelaskan pilihan; Kod seakan-akan AI selalunya kekurangan cerita ( Kejuruteraan Perisian di Google: Kajian Kod )

Ya, ruangan "Harga" agak mengarut - kerana bahagian yang mahal biasanya perhatian, bukan peralatan. Kos perhatian… segalanya 😵💫.

7) Petunjuk struktur dalam kod berbantukan AI 🧱

Jika anda mahukan jawapan yang lebih mendalam tentang rupa Kod AI, zum keluar dan lihat strukturnya.

1) Menamakan yang betul dari segi teknikal tetapi salah dari segi budaya

AI cenderung memilih nama yang "selamat" merentasi banyak projek. Tetapi pasukan membangunkan dialek mereka sendiri:

  • Anda memanggilnya AccountId , AI memanggilnya userId .

  • Anda memanggilnya LedgerEntry , AI memanggilnya transaksi .

  • Anda memanggilnya FeatureGate , ia memanggilnya configFlag .

Semua ini bukanlah "buruk", tetapi ia merupakan petunjuk bahawa penulis tidak lama berada di dalam domain anda.

2) Pengulangan tanpa penggunaan semula, atau penggunaan semula tanpa sebab

AI kadangkala:

  • mengulang logik yang serupa di beberapa tempat kerana ia tidak "mengingati" keseluruhan konteks repo sekaligus, atau

  • memaksa penggunaan semula melalui abstraksi yang menjimatkan tiga baris tetapi kosnya tiga jam kemudian.

Itulah pertukarannya: kurang menaip sekarang, lebih banyak berfikir kemudian. Dan saya tidak selalu pasti itu pertukaran yang baik, saya rasa… bergantung pada minggu tersebut 😮💨.

3) Modulariti "Sempurna" yang mengabaikan sempadan sebenar

Anda akan melihat kod dibahagikan kepada modul yang kemas:

  • pengesah/

  • perkhidmatan/

  • pengendali/

  • utiliti/

Tetapi sempadannya mungkin tidak sepadan dengan kesesuaian sistem anda. Manusia cenderung mencerminkan titik masalah seni bina. AI cenderung mencerminkan gambar rajah yang kemas.

8) Pengendalian ralat - di mana kod AI menjadi… licin 🧼

Pengendalian ralat merupakan salah satu petunjuk terbesar, kerana ia memerlukan pertimbangan , bukan sekadar ketepatan.

Corak untuk diperhatikan

Apa yang kelihatan baik

Satu sifat yang sangat manusiawi ialah menulis mesej ralat yang sedikit menjengkelkan. Tidak selalu, tetapi anda tahu apabila anda melihatnya. Mesej ralat AI selalunya tenang seperti aplikasi meditasi.

9) Kes tepi dan realiti produk - "kegigihan yang hilang" 🧠🪤

Sistem sebenar tidak kemas. Output AI selalunya kekurangan tekstur itu.

Contoh "kesungguhan" yang dimiliki oleh pasukan:

  • Bendera ciri dan pelancaran separa ( Martin Fowler: Togol Ciri )

  • Penggodaman keserasian ke belakang

  • Tamat masa pihak ketiga yang pelik

  • Data legasi yang melanggar skema anda

  • Masalah selongsong, pengekodan atau penempatan yang tidak konsisten

  • Peraturan perniagaan yang terasa sewenang-wenangnya kerana ia sewenang-wenangnya

AI boleh mengendalikan kes pinggir jika anda memberitahunya, tetapi jika anda tidak memasukkannya secara eksplisit, ia selalunya menghasilkan penyelesaian "dunia bersih". Dunia bersih itu indah. Dunia bersih juga tidak wujud.

Metafora yang sedikit tegang akan datang: Kod AI umpama span baharu - ia belum menyerap bencana dapur lagi. Itu sahaja, saya telah mengatakannya 🧽. Bukan karya terbaik saya, tetapi ia memang benar.

10) Cara menjadikan kod berbantukan AI terasa seperti manusia - dan yang lebih penting, boleh dipercayai 🛠️✨

Jika anda menggunakan AI untuk mendraf kod (dan ramai orang juga begitu), anda boleh menjadikan output lebih baik secara dramatik dengan beberapa tabiat.

A) Suntikkan kekangan anda terlebih dahulu

Daripada "Tulis fungsi yang...", cuba:

  • input/output yang dijangkakan

  • keperluan prestasi

  • dasar ralat (naikkan, pulangkan jenis hasil, log + gagal?)

  • konvensyen penamaan

  • corak sedia ada dalam repo anda

B) Mintalah pertimbangan, bukan sekadar penyelesaian

Gesaan dengan:

  • "Berikan dua pendekatan dan jelaskan keseimbangannya."

  • "Apa yang akan awak elakkan daripada lakukan di sini dan mengapa?"

  • "Di manakah ini akan berhenti dalam pengeluaran?"

AI adalah lebih baik apabila anda memaksanya berfikir dalam risiko.

C) Padamkan kod tersebut

Serius. Tanya:

  • "Buang sebarang abstraksi yang tidak perlu."

  • "Kurangkan ini kepada versi betul yang terkecil."

  • "Bahagian manakah yang bersifat spekulatif?"

AI cenderung untuk menambah. Jurutera hebat cenderung untuk menolak.

D) Tambahkan ujian yang mencerminkan realiti

Bukan sahaja:

  • "mengembalikan output yang dijangkakan"

Tetapi:

Jika anda tidak melakukan apa-apa lagi, lakukanlah ini. Ujian adalah pengesan pembohongan, dan ia tidak peduli siapa yang menulis kod itu 😌.

11) Nota penutup + ringkasan ringkas 🎯

Jadi, bagaimana Kod AI cenderung kelihatan : ia selalunya kelihatan bersih, generik, sedikit berlebihan, dan terlalu ingin menyenangkan hati. "Petunjuk" yang lebih besar bukanlah pemformatan atau komen - ia kehilangan konteks: penamaan domain, kes pinggir yang janggal, dan pilihan khusus seni bina yang datang daripada hidup dengan sistem.

Ringkasan ringkas

  • Kod AI bukan satu gaya, tetapi ia selalunya kemas, bertele-tele dan terlalu umum.

  • Isyarat terbaik ialah sama ada kod tersebut mencerminkan kekangan sebenar dan ketangguhan produk anda.

  • Jangan terlalu obses dengan pengesanan - terlalu obses dengan kualiti: ujian, semakan, kejelasan dan niat ( Amalan Kejuruteraan Google: Semakan Kod ; Kejuruteraan Perisian di Google: Pengujian Unit ).

  • AI bagus sebagai draf pertama. Ia tidak bagus sebagai draf terakhir. Itulah keseluruhan permainan.

Dan jika seseorang cuba memalukan anda kerana menggunakan AI, terus terang… abaikan gangguan itu. Hantar sahaja kod yang kukuh. Kod yang kukuh adalah satu-satunya fleksibiliti yang berkekalan 💪🙂.

Soalan Lazim

Bagaimanakah anda boleh mengetahui sama ada kod itu ditulis oleh AI?

Kod berbantukan AI selalunya kelihatan terlalu kemas, hampir seperti "buku teks": pemformatan yang konsisten, struktur seragam, penamaan generik (seperti data , item , hasil ), dan mesej ralat yang sekata dan digilap. Ia juga mungkin tiba dengan himpunan dokumen atau komen yang hanya menyatakan semula logik yang jelas. Isyarat yang lebih besar bukanlah gaya - ia adalah ketiadaan grit yang tidak perlu: bahasa domain, konvensyen repo, kekangan yang janggal dan gam tepi yang membuatkan sistem bertahan.

Apakah tanda amaran terbesar dalam pengendalian ralat yang dijana AI?

Perhatikan tangkapan pengecualian yang luas ( kecuali Pengecualian ), kegagalan yang ditelan yang secara senyap-senyap mengembalikan lalai dan pembalakan samar-samar seperti "Ralat berlaku". Corak ini boleh menyembunyikan pepijat sebenar dan menjadikan penyahpepijatan menyedihkan. Pengendalian ralat yang kuat adalah khusus, boleh diambil tindakan dan membawa konteks yang mencukupi (ID, input, keadaan) tanpa membuang data sensitif ke dalam log. Pertahanan berlebihan boleh sama berisikonya dengan pertahanan kurang.

Mengapakah kod AI sering terasa terlalu direkayasa atau terlalu diabstrakkan?

Kecenderungan AI yang biasa adalah untuk "kelihatan profesional" dengan menambah fungsi pembantu, lapisan dan direktori yang menjangkakan masa depan hipotetikal. Anda akan melihat pembantu generik seperti process_data() atau handle_request() dan sempadan modul yang kemas yang lebih sesuai dengan gambar rajah berbanding jahitan sistem anda. Penyelesaian praktikal ialah penolakan: potong lapisan spekulatif sehingga anda mempunyai versi betul terkecil yang sepadan dengan keperluan yang anda miliki, bukan yang mungkin anda warisi kemudian.

Apakah rupa kod bantuan AI yang baik dalam repo sebenar?

Kod bantuan AI terbaik berbunyi seolah-olah pasukan anda yang mendakwanya: ia menggunakan istilah domain anda, memadankan bentuk data anda, mengikuti corak repositori anda dan sejajar dengan seni bina anda. Ia juga mencerminkan risiko anda - melangkaui laluan gembira - dengan ujian yang bermakna dan semakan yang disengajakan. Matlamatnya bukanlah untuk "menyembunyikan AI," tetapi untuk menambat draf dalam konteks supaya ia bertindak seperti kod pengeluaran.

Ujian apakah yang paling cepat mendedahkan andaian "dunia bersih"?

Ujian integrasi dan ujian kes pinggir cenderung mendedahkan masalah dengan cepat kerana output AI selalunya mengandaikan input ideal dan kebergantungan yang boleh diramal. Gunakan lekapan yang berfokus pada domain dan sertakan input pelik, medan yang hilang, kegagalan separa, tamat masa dan keserentakan di tempat yang penting. Jika kod hanya mempunyai ujian unit laluan gembira, ia boleh kelihatan betul semasa masih gagal apabila seseorang menekan butang yang belum diuji dalam pengeluaran.

Mengapakah nama yang ditulis dalam AI terasa "betul dari segi teknikal tetapi salah dari segi budaya"?

AI sering memilih nama generik yang selamat dan berfungsi merentasi banyak projek, tetapi pasukan membangunkan dialek tertentu dari semasa ke semasa. Begitulah cara anda berakhir dengan ketidakpadanan seperti userId vs AccountId , atau transaction vs LedgerEntry , walaupun logiknya baik. Peralihan penamaan ini adalah petunjuk bahawa kod tidak ditulis semasa "tinggal di dalam" domain dan kekangan anda.

Adakah berbaloi untuk cuba mengesan kod AI dalam ulasan kod?

Biasanya lebih produktif untuk menyemak kualiti berbanding pengarang. Manusia juga boleh menulis kod yang bersih dan diulas secara berlebihan, dan AI boleh menghasilkan draf yang sangat baik apabila dibimbing. Daripada bermain detektif, tekankan rasional reka bentuk dan titik kegagalan yang mungkin dalam pengeluaran. Kemudian sahkan dengan ujian, penjajaran seni bina dan disiplin ralat. Pengujian tekanan mengatasi pengujian getaran.

Bagaimanakah anda menggesa AI supaya kod tersebut keluar dengan lebih andal?

Mulakan dengan memasukkan kekangan terlebih dahulu: input/output yang dijangkakan, bentuk data, keperluan prestasi, dasar ralat, konvensyen penamaan dan corak sedia ada dalam repo anda. Mintalah keseimbangan, bukan sekadar penyelesaian - "Di manakah ini akan rosak?" dan "Apakah yang akan anda elakkan dan mengapa?" Akhir sekali, paksa penolakan: beritahu ia untuk mengalih keluar abstraksi yang tidak perlu dan hasilkan versi betul terkecil sebelum anda mengembangkan apa-apa.

Rujukan

  1. Limpahan Susunan - Tinjauan Pembangun Limpahan Susunan 2025 - survey.stackoverflow.co

  2. GitHub - GitHub Octoverse (28 Okt 2025) - github.blog

  3. Google - Amalan Kejuruteraan Google: Semakan Piawaian Kod - google.github.io

  4. Abseil - Kejuruteraan Perisian di Google: Ujian Unit - abseil.io

  5. Abseil - Kejuruteraan Perisian di Google: Semakan Kod - abseil.io

  6. Abseil - Kejuruteraan Perisian di Google: Ujian Lebih Besar - abseil.io

  7. Martin Fowler - Martin Fowler: Togol Ciri - martinfowler.com

  8. Martin Fowler - Piramid Ujian Praktikal - martinfowler.com

  9. OWASP - Helaian Menipu Pemodelan Ancaman OWASP - cheatsheetseries.owasp.org

  10. OWASP - Helaian Penipuan Pembalakan OWASP - cheatsheetseries.owasp.org

  11. OWASP - 10 Teratas OWASP 2025: Kegagalan Pembalakan dan Pemberitahuan Keselamatan - owasp.org

  12. ESLint - Dokumen ESLint - eslint.org

  13. Dokumen GitHub - Pengimbasan kod GitHub CodeQL - docs.github.com

  14. TypeScript - TypeScript: Pemeriksaan Jenis Statik - www.typescriptlang.org

  15. mypy - dokumentasi mypy - mypy.readthedocs.io

  16. Python - Dokumen Python: Pemprofil Python - docs.python.org

  17. pytest - dokumen jadual pytest - docs.pytest.org

  18. Pylint - Dokumen Pylint: bare-except - pylint.pycqa.org

  19. Perkhidmatan Web Amazon - Panduan Preskriptif AWS: Cuba semula dengan undur - docs.aws.amazon.com

  20. Perkhidmatan Web Amazon - Perpustakaan Pembina AWS: Tamat masa, percubaan semula dan undur dengan jitter - aws.amazon.com

Cari AI Terkini di Kedai Pembantu AI Rasmi

Tentang Kami

Kembali ke blog