從Silverlight 2.0的新功能，遙想Web的未來

作者： -

　　Silverlight 2.0比起1.0令人驚艷不少，在1.0當中幾個過去被談到缺少的機制，在2.0大幅度補齊，其中與開發資料庫應用程式有關的，莫過於Data Binding技術以及IsolatedStorage機制。

　　透過Silverlight 2.0當中的Data binding技術以及IsolatedStorage機制，我們可以很輕鬆的建立出類似左邊這樣的用戶端資料處理介面(按這裡試用看看)，不僅程式碼相當簡單(不到百行吧)，而且在UI上更勝ASP.NET與傳統的WinForm程式一籌。

　　除此之外，程式碼的撰寫以及維護和除錯，都比ASP.NET要容易不少，過去很多台灣和大陸地區的開發人員對於在Silverlight 1.0當中的中文字顯示和輸入問題的疑惑，相信在看到這個2.0的範例後這些疑慮你可以一掃而空。
　　透過IsolatedStorage機制，讓開發人員可以大方的把需要保存的資料存放在用戶端，不需要在意它的存放位置。若您不喜歡這樣的方式，你也可以透過WCF從伺服器端將需要的數據下載，暫存在用戶端的記憶體或是HD當中，透過程式碼來操作。
　　除了UI絢麗性與親和度大幅超過ASP.NET之外，我個人比較喜歡的原因是靈活性和自由度，有點讓我回想起從前開發WinForm的隨心所欲的日子.....
　　說真的，HTML給ASP.NET Developer的限制，以及為了模擬WinForm或是提高Web開發環境中的UI的效能而硬生生所加入的AJAX技術，已經讓原本應該要 "簡單輕巧" 的Web應用程式變的龐大而複雜不已，面對這樣的問題，有兩派不同的路線正在彼此較勁。

　　如果你觀察ASP.NET這幾年來的演變以及ASP.NET 3.5 extensions的出現，你會發現這一派儼然已經透過種種疊床架屋的技巧，把原本簡單的ASP.NET演變成可以開發大型應用程式的技術平台。本來ASP.NET在2.0前的訴求就真的比較適用於開發小巧的網頁或是輕量級的企業入口網站或是portal應用(OK，也因為這樣很多case被JSP搶去了)，但是現在在3.5 extensions當中加上了LinqToSQL(以及ADO.NET Entity framework)，加上了Data Services、加上了Dynamic Control、加上了MVC，一切就會不一樣了...

　　這一派的人讓 ASP.NET搖身一變成為具有高延展性和彈性的開發架構，你可以設計出給兩萬個User使用的Web Application、你可以透過Dynamic Control或是MVC將敏捷開發以及多層式架構的開發觀念帶入微軟的Web開發領域、你可以透過這些機制、認真的、放心的建構大型(真的是大型的，不是那種同時使用的User只有幾十個人的)應用程式。到了這一步，ASP.NET才真的可以抬頭挺胸的登堂入室。

　　另一派，則根本放棄了HTML這個煩人的架構，釜底抽薪了換成了WPF for Web或是Silverlight，這一派的人認為，Web上的RIA才是未來理想的Web應用程式解決方案，其他的只是緣木求魚。

　　這派的人認為，因為我們已經跟ASP.NET奮戰了很久，從一開始HTML就不是讓人寫程式用的(那幹嘛用的?其實很多人忘了，HTML是文件的格式，本來就不是用來呈現UI的介面)，從CGI、ASP、一路到ASP.NET，現在你開發一個WebForm應用程式，少不了要接觸幾種幾乎不同的技術，ASP.NET、AJAX、HTML(與CSS)，這還只是展現層的部分，如果你需要開發出比較有 "層次感" 的應用程式，那VB或C#的OO觀念恐怕是必修的課程，除此之外，你可能會硬生生的把SQL崁入完全無關的ASP.NET Code behind程式碼中，然而這對於過去習慣開發n-tier架構甚至client-server架構的程式設計師來說，根本是近乎荒謬的程式寫法。

　　但是...天知道有多少ASP.NET開發人員是這樣幹的，是，我承認，包含我在內的幾乎每一本坊間書籍都是這樣寫的，原因很簡單，這與過去ASP時代的背景有關，在過去我們希望透過簡單的script來解決問題，而到今天我依舊認為，ASP.NET非常適合用來開發輕量級的Web Application，讓開發人員相當容易的就上手，反而JSP則包袱太多，要寫一個像樣的應用程式，少不了要在架構上下足功夫，相對的初期產能就低(高產能要在過了一定程度陡峭的曲線之後才慢慢出現)。但是優點也是缺點，對於開發高延展性需求的web應用程式，可能ASP.NET在3.5 之前都是不及格的。

　　當年發展ASP的團隊，恐怕打從心底沒想過ASP會搞得那麼的偉大吧，拜internet之賜，WebForm某種程度的變成主流。但是要當主流不容易，UI要夠精緻，AJAX技術非上手不可，偶而為了讓網頁有畫龍點睛的神來之筆，還得崁入一個Flash(現在我們就用Silverlight)，大哉Web開發技術!#%@!$!#%*!*$&

　　也因此，從這一派的角度來說，把HTML根本性的拋棄可能是釜底抽薪的好方法，在WPF for Web或是Silverlight上重新開始一個嶄新世界，恐怕會更令人期待。

　　這兩條路線，我們現在看到是同時並行的，最主要的原因是，市場不會一夕之間改變，而微軟有的是能量同時經營這兩條路線，在某些專案當中，兩種技術並用也是一個很好的選擇，而未來呢? 很多人都有自己的想法，我也有，只是畢竟我是凡人，不是那種會一眼看到未來的能人異士，連明天會發生什麼事情我都不知道，也無法控制，未來，在我的腦袋裡恐怕有的也只有一些些無關緊要的推測了...

留言

張貼留言

這個網誌中的熱門文章

使用LM Studio輕鬆在本地端以API呼叫大語言模型(LLM)

作者： -
圖片
最近上課常被問到，如何在地端環境搭建出大語言模型(LLM)，並且呼叫其API。 一開始我不太理解為何會有這樣的需求(因為在地端自行搭建運行LLM的成本不一定比較低，即便可能比較安全)，但被問多了，也就開始遍尋相關的解決方案，看看有沒有什麼最簡單的方式，可以讓開發人員在地端測試大語言模型? 後來我選擇 LM Studio ，它就是一款設計來運行大型語言模型（LLM）的平台，有個算是挺優雅的整合環境，讓一般 end-user 或開發人員，都可以輕易地在 local 端進行模型的部署和測試。 LM Studio 本身支援多種模型架構和框架，當然，最重要的是，它是免費的。 下載安裝 都很容易，我就不多說。 安裝好之後，你可以看到首頁中已經呈現了許多 Hugging Face上的模型： 這顯然是因為Hugging Face是大部分免費開源模型的集散地。 你可以搜尋自己喜歡的模型，透過LM Studio下載到local之後，就可以直接載入(下圖一)： 隨手設定一下 system prompt(上圖二)，然後，就可以直接對談了。(上圖三) LM Studio會使用你的GPU進行運算(如果有的話)，你會發現，原來有好的設備(GPU)，運行的速度可以如此之快。 Local Server 對於開發人員來說，它還有個超級更友善的功能。 LM Studio本身還提供一個 local server，可以幫你把模型包裹起來讓你直接透過API呼叫該模型的功能，例如： 上圖是我們開啟 LM Studio中 Local Server功能後的結果，你可以透過 localhost 的 1234 port 來呼叫這個被 LM Studio 運行起來的大語言模型。(有沒有發現，我們用的也是 chat/completions API) 透過Postman簡單提供一下 JSON Body: { "model": "LM Studio Community/Meta-Llama-3-8B-Instruct-GGUF", "messages": [ { "role": "system", "content": "你是AI助理，請一律用繁體中
Read more »

VS Code的字體大小

作者： -
圖片
身為.net developer，這年頭是什麼code都得要會寫的年代。 而雖然我的NB還沒從Windows淪陷為Mac OS，但寫Node.js和Python免不了要用VS Code，這是一種愛的表現。 但歲月不饒人，盡管微臣非常熱於配合，但VS Code預設字體的大小在我還沒錢買大尺寸螢幕的狀況下，實在讓老臣難以適應。當下的第一個反應是什麼? 當然是 Ctrl+滑鼠滾輪往上推…哇靠，沒用。看…這設計…恩，千錯萬錯一定是我的錯。 只好從選單 file –> Preferences –> Settings: 在出來的視窗中，你可以看到 editor.fontsize: 沒錯，改它就行了。改不動? 喔，不好意思，我沒仔細看說明，要copy到右邊是吧，沒問題，copy->paste->modify->Save…搞定。 好簡單啊…連ctrl+(mouse scroll up)都用不到了呢… 咦?這是一篇抱怨文嗎? 沒有，誰說的? 免費的tool我們還有什麼好抱怨的呢…要感恩啦。 啊….對了，如果你還是堅持要使用 Ctrl+滑鼠滾輪，請找關鍵字… "editor.mouseWheelZoom"
Read more »

使用 Dify 建立企業請假機器人

作者： -
圖片
八卦與未來 上個月，前Google執行長Eric Schmidt在史丹福有場演講，媒體關注的是八卦消息(如果你也曾關注，網路上有很多鐵定可以找到)，但我注意到的則是他提到了自己認為接下來 AI(特別是大語言模型) 可能的發展方向，包含: Large Context Window AI Agent Text-to-Action 底下這邊有這一個段落的影片： https://www.youtube.com/watch?v=zl3k1ksFZdY 為何我會關注這部分? 因為上述的三個方向，也是身為開發人員的我，過去這一年，來與LLM打交道後的感想。昨天，我在 twMVC 的研討會分享中，展示了一個其實我過去早做過了N百次的範例，就是企業的請假機器人。(唯一不同的是，這次我幾乎沒有寫任何程式碼) 場景是，員工在家裡生病了，想要透過語音或是app進行請假，你可以看底下這個運行的範例 (git圖檔會循環播放，開始是 『我好像感冒了』)： 用自然語言對談的方式，即可完成請假。 我說過，類似這樣的範例我做過很多次，用 LINE Bot 搭配 C# 做過，用MS Bot Framework 做過，前陣子也用 Semantic Kernel 框架做過，更早期，還沒有AI的時代，我也在EIP和HR系統裡做過。 但我想說的是，這 就是 Text-to-Action 的呈現，也是一個典型的 AI Agent 的例子，它讓我們透過自然語言(可以是語音或文字)，直接命令機器人(Chat Bot、AI 助理、Agent、Assistant …不管你叫它什麼…)幫你完成一件事情(請假、售票、查詢資料、做財務報表、統計圖表、寫程式…etc.)。 這是一直以來人類對電腦最底層的需求與期待。 隨著 LLM 能夠處理和記憶的 Context 愈來愈被放大，AI Agent 所能夠處理的任務就更加的不受限制。 自然語言才是最符合人類直覺的操作 順帶一提，我昨天在研討會中講了一個故事。 有天，你覺得自己需要聘請一位助理，因此上網張貼徵人啟事，沒多久，你找到了一位號稱上知天文、下知地理的高材生，來幫助你更有效率的完成工作。 他什麼都好，唯一的一個小缺點是，你不能直接對這個助理下達指令，你必須用一種只有這個助理看得懂的語法，才能要求這個助理幫你完成特定的工作。這些語法還挺
Read more »

使用C#開發LineBot(3) - 使用LineBotSDK發送Line訊息

作者： -
圖片
新版的Line Messaging API，要主動發送訊息給用戶不是很困難，主要是透過Push API，可以參考底下的官方說明 : https://devdocs.line.me/en/#push-message 另外，如果你想申請一個Line Bot，可參考: 關於LineBot (1) - 用c#建立一個LineBot 前陣子說過，我們為了團隊開發方便，做了一個 Nuget Package 以便於讓撰寫C#的開發人員可以方便的進行Line Messaging API的操作。 所以，如果你想要透過該SDK來發送訊息給用戶，可以透過底下的指令: isRock.LineBot.Utility.PushMessage(               UserId, 要傳送的訊息, AccessToken); 別忘了使用前，要先引用linebotSDK這個套件: 當您在.net 4.x的專案中，安裝上述lintbotSDK，即可透過前面提到的指令發送訊息給用戶，但請注意，該用戶必須加你的bot為好友。 你可能在使用時會碰到一個問題，怎麼知道用戶的id呢? 請注意，PushAPI的Line用戶id並非你的line ID，而是一長串項是底下這樣的id: U6OX388eOX3634X2OX2e341OX06b8OX4123 這個ID會在你的用戶跟你的bot交朋友，或是對談的時候，由系統傳送給你所設定的WebHook網址(其本質上是一個asp.net WebAPI或類似的API服務)。你會在Line傳遞給該WebHook URL的封包中的JSON形式資料內獲得。 也就是說，當你的用戶傳訊息給你的Bot，或是與你的Bot做朋友(或封鎖)，你所在你的LineBot後台，所設定的這個WebHook，都會收到這些相關的訊息。其設定位置如下: 訊息內容是以JSON的格式出現。 但是，如果你還不知道怎麼寫一個WebHook，該怎麼辦呢? 寫個WebHook其實很簡單，以asp.net來說，就是寫一個asp.net WebAPI即可。(有空我再說明，但今天比較沒空) (2017更新，WebHook開發方式請參考 這裡 ) 如果你沒空寫，可以先用底下這個工具(注意這個工具 僅限測試使用 ，我們不保證其穩定性與可用性、與資料安全性): http://isbaas.azurewe
Read more »

使用Qdrant向量資料庫實作語意相似度比對

作者： -
圖片
什麼是向量資料庫? 在許多的AI實作當中，都有向量資料庫的使用需求。例如RAG(檢索增強生成)、或是資料的相關性比對、相似性搜尋…等，這些應用情境中，我們都會用到向量資料庫。 向量資料庫主要的任務，當然就是存儲和查詢向量數據。被儲存的向量數據通常是高維度的資料，以陣列(集合)的形式呈現。 例如，OpenAI就有提供一組Embedding API，讓我們可以把文字給向量化。你可以透過該 API，把一句話(一段文字)轉換成向量數據，類似底下這樣： OpenAI 的這組 Embedding API，在預設狀況下，會把資料轉成 1536 維度的向量數據，其背後的行為是把文字送給一個訓練好的模型，透過該模型跑出這組向量數據，再回傳給用戶。 然而，把一段文字給向量化的目的是什麼呢? 當我們把文字做了這種轉換後，在 1536 維度的座標空間(向量數據)中，愈相似的文字，透過Embedding API會得到距離愈接近的座標點，藉此，我們得以迅速的判斷兩段文字在語意上的相似性。 而向量資料庫中所謂的查詢功能，主要就是向量的檢索，像是『近鄰搜索（Nearest Neighbor Search）』，當用戶或應用程式提交一個向量查詢時，向量資料庫會幫我們找出資料庫中，與之最相似(接近)的向量座標點。 因此，開發人員只需要透過 Embedding API，把文字轉成向量，再把轉換好的向量座標值，儲存到向量資料庫之中，未來就可以透過向量資料庫來查詢相似(接近)的文字。 關於這個部分，如果讀者有興趣，前陣子有段網路上的影片把多維度向量資料庫的概念介紹的蠻清楚的: https://www.youtube.com/watch?v=W_ZUUDJsUtA https://www.youtube.com/watch?v=ct20Kv8yn0U 為何需要? 向量資料庫最實務上的應用，就是找到類似的特徵值。 例如，當我們把人臉的特徵值以向量資料的形式儲存到向量資料庫中之後，我們就可以透過資料庫本身提供的搜尋功能，快速地尋找出相似的人臉，這也是許多AI應用實現的基礎。 我們底下的程式碼範例，則是找出最接近的問題。(呃…什麼意思?🤔 請往下繼續看) 我們在建立對談機器人時候，常常需要讓機器人回答用戶的問題。這時，我們會讓用戶輸入問句，然後透過 Embedding API
Read more »