打造免费开源图像编辑器替代昂贵方案

开发者 @rageshpikalmunde 在集成图像编辑功能时发现，现有库要么功能不全，要么需支付昂贵的商业许可。于是他决定自己构建一个免费开源且易于集成的图像编辑器——RP Image Editor。

该库轻量、TypeScript 优先、框架无关且高度可定制。当前提供裁剪、旋转、缩放、绘图、标注、形状、移动端友好、HEIC 支持、自动 EXIF 旋转、高分辨率导出等能力。架构支持集成到 Angular、React、Vue、Ionic、Capacitor 等前端项目。

项目正在积极开发中，计划加入模糊工具、更多标注工具、移动端体验优化、性能优化及更多主题选项。社区反馈对项目发展非常重要，开发者欢迎提交 feature request 或 bug report。

npm

#开发者 #工具 #RPImageEditor #开源 #图像编辑库
@DevToolboxHub

Solana主网部署完整检查表

作者结合自身真实上线经验，整理了一份 Solana 程序从 devnet 到 mainnet-beta 的部署检查表，覆盖部署前、部署中、部署后权限管理、前端对接等四个阶段，并标注了亲自踩过的坑。作者认为，最危险的不是 deploy 命令本身，而是集群确认、升级权限决策、缓冲区 SOL 回收这些“外围步骤”——每项都不复杂，但一旦忙起来容易忘，而任何遗漏都可能造成不可逆损失。

预计起飞前有检查单，外科医生下刀前也有。不是因为他们忘了怎么飞或做手术——而是因为在压力下跳过一个步骤的代价太高，不能仅靠记忆。把 Solana 程序发到主网也属于同一类：不可逆操作、真实资产在线，以及十几件每件在忘记之前看起来都显而易见的小事。作者最近刚完整走了一遍上线流程，趁记忆还新鲜把步骤写成了过手单。
Phase 1: Pre-flight（在 devnet 上做） 确保测试全部通过，且测试针对最终编译的字节码（不是之前版本）。在 devnet 上完整体验一遍主网流程，不跳过任何计划“这次先跳过”的步骤。用 anchor build --verifiable 生成可验证构建——跳过它的话程序就永远是个黑箱。确认部署钱包有足够 SOL 覆盖 rent-exempt minimum（可用 solana rent 预览），注意：有了可验证构建后不要再跑普通 anchor build 或 cargo build-sbf，否则会生成不同哈希。
Phase 2: 部署（不可逆阶段） 切换 CLI 到 mainnet-beta 并用 solana config get 确认。通过专用 RPC 端点部署（不用公共端点，限流会导致写入超时）。网络忙时加 priority fee（--with-compute-unit-price）。了解恢复路径：部署不是原子操作，若中断可用 solana program show --buffers 查看滞留的 buffer 并恢复或关闭它，避免每次失败都泄漏 SOL。
Phase 3: 部署后权限与验证 用 solana program show <PROGRAM_ID> 确认程序已上线并检查升级权限。主动决定谁持有升级权限（单密钥对、Squads 多签或 --final 不可变），不要默认。发布 IDL 让程序接口随程序本身可检索，并通过 IDL 重新生成类型化 client。注意：跳过 IDL 发布会导致构建验证失败。
Phase 4: 前端与上线 将 React 前端指向主网 program ID。确认 Wallet Standard 连接展示的是主网钱包（不是 devnet 残留）。重新验证所有失败模式（拒绝授权、余额不足、blockhash 过期）现在都能给出清晰提示。公布上线，并提前写好用户反馈渠道。

真正让作者惊讶的是：部署命令本身并不吓人——跟 devnet 上跑的一样。真正需要谨慎的是围绕部署的那些环节：确认集群、把升级权限当作决策而非默认、记住停止的部署不是从头再来而是 SOL 在 buffer 里等着回收。最好的工程团队不把上线当作记忆或英雄主义表演，而是当作程序来执行。

#开发者 #工具 #Solana #Web3 #Checklist #Deployment #Anchor #React
@DevToolboxHub

PixelSmash：FFmpeg 十六年高危漏洞曝光

JFrog 安全研究团队披露了名为“PixelSmash”的漏洞，存在于 FFmpeg 媒体框架的 MagicYUV 解码器中，可导致远程代码执行（RCE）与拒绝服务（DoS）攻击。该漏洞已在代码库中潜伏十六年，影响大量使用该解码器的应用。攻击者仅需提供一个恶意构造的媒体文件即可触发。

建议用户立即检查受影响版本，应用补丁或禁用 MagicYUV 解码器以降低风险。

#开发者 #工具 #FFmpeg #PixelSmash #MagicYUV #RCE #DoS #JFrog #安全漏洞
@DevToolboxHub

Amazon EKS 新增 Kubernetes 版本回滚功能

Amazon EKS 近日引入 Kubernetes 版本回滚支持。在集群升级后 7 天内，若出现问题，运维人员可将控制平面回退至之前使用的 Kubernetes 版本。该功能为原地升级提供安全网，降低了集群升级的风险，使团队能快速从有问题的更新中恢复。

#开发者 #工具 #AmazonEKS #Kubernetes #版本回滚 #DevOps #AWS
@DevToolboxHub

调试工作流：告别盲目试错

每个开发者都经历过那种时刻：昨天还能跑的函数今天突然坏了，测试全红，日志毫无帮助，盯着同一段代码看了四十分钟。问题不在于调试本身难，而在于大多数开发者的调试方法都是即兴发挥。一个结构化的调试工作流能把令人沮丧的无限循环变成可重复的决策序列，帮你更快定位根因。

第一步：停止猜测，开始观察。把问题用自然语言描述出来——预期是什么？实际是什么？差异在哪？这能把大脑从应激模式切换到观察模式。橡皮鸭调试法（向一个无生命对象解释你的代码）常常能瞬间暴露逻辑漏洞。
第二步：可靠复现。不能复现就无法修复。目标是构造最小可复现用例（MRE）：剥离所有无关依赖，用桩数据替代真实调用，把输入精简到还能触发错误的最简单形式。例如，对比一个有数据库依赖的测试和一个纯数据测试，后者能证明问题独立于外部系统。
第三步：真正读懂错误消息。不要只扫第一行就跳结论。从堆栈底部往上读——Python traceback 的异常点通常在最后一行。比如 TypeError: Cannot read properties of undefined，实际错误是 user.profile 未定义，而非 user 本身为空，问题根源是数据源缺少字段。
第四步：隔离故障层。用二分法逐层缩小范围：如果一个管道有5步，先测中间那步，确认错误在上游还是下游，再继续二分，直到定位到出问题的单一步骤。
第五步：把日志当作一等工具。在问题出现前就部署结构化日志（如 Python logging 模块），记录输入、输出和关键中间值。生产环境中结构化的 JSON 日志能让修复时间从三小时缩短到十五分钟。
第六步：知道何时该撤。连续调试30-45分钟无进展时，离开屏幕。散步或睡觉后的大脑扩散思考往往能带来“洗澡灵感”。回来后重新审视原始假设，很可能发现最初猜错了方向。

可靠的工作流不是对小 bug 也执行每一步，而是在卡壳时有一个默认的应对序列：可靠复现、先观察再动手、完整读错误、二分隔离、有意图地日志、转不动就休息。其中最核心的一条是构建最小可复现用例——有了它，一切都会变得清晰。

#开发者 #工具 #调试 #工作流 #Python #JavaScript #工程效率
@DevToolboxHub

AI 调试：提速还是添乱？

AI 辅助调试已成为许多开发者的日常。把堆栈粘贴进 ChatGPT，或向 Copilot Chat 描述意外行为，几秒内就能拿到假设甚至修复方案。但真实场景下，这些工具的效果远比表面复杂——它在哪些地方真正省时，又引入了哪些新风险？

AI 调试的核心是模式匹配，而非真正运行代码。对于空列表除零这类常见错误，它能迅速给出正确修复。跨语言场景下，它能帮不熟悉 JS 异步错误的开发者快速理解问题。但当 bug 不匹配已知模式时，AI 往往给出自信但错误的答案。例如，面对 Sequelize 查询的 TypeError，它可能虚构一个不存在的方法，让开发者引入第二个 bug。

上下文质量决定了输出质量。一条“为什么我的 API 返回 500？”的弱提示只能得到泛泛回答；而包含运行时版本、依赖版本、精确错误信息的强提示才能产出真正有用的建议。这意味着 AI 调试放大的是经验，而非取代经验。

某些 bug 对 AI 几乎不可见：竞态条件、内存泄漏、性能回归、分布式系统故障。这些需要运行时观察和分析工具，AI 无法替代。

想要提速而不失控，应把 AI 输出当作初始假设而非最终答案。提供完整错误信息和上下文，明确告诉 AI 你已尝试过什么，对陌生 API 保持怀疑。这样，速度是真实的，混乱可控。

#开发者 #工具 #AIDebugging #AI辅助 #调试 #Copilot #ChatGPT #Cursor #Sequelize #DevOps
@DevToolboxHub

AI编程成本追踪：需要一份测量合同

AI编程仪表盘中最危险的数字是那些标着“成本”却没有定义的值。一个本地工具可以从 Claude Code 和 Codex 的会话记录中重构 token 活动，并应用一份带日期的模型价格表，生成一个可用于对比周期和理解本地活动形态的估算——但它不是发票。

第一步：统一文件格式边界。Claude Code 和 Codex 的记录格式不同——Claude 在 assistant 消息中暴露 input、output、cache creation、cache read 字段；Codex 则将 model context 与后续 token 事件分开，cached input 可能包含在 total input 内。计算前必须归一化：provider、timestamp、model、input tokens、output tokens、cache creation tokens、cache read tokens。
第二步：正确计算缓存输入。对于 Codex，安全做法是先分离 cached input：non-cached input = max(total input - cached input, 0)，然后分别按不同费率计价 non-cached input、output、cache creation、cache reads。如果直接用 total input 计价再加 cache reads，会造成精确的重复计数。
第三步：防止重放。会话文件会被多次读取、应用重启、监视器重连、归档文件重现。如果每次观察到同一事件都计数，周报会膨胀。使用稳定的 provider 事件标识符；若格式无此标识，需记录回退方案及其不确定性。
第四步：价格表必须带日期。新模型 ID 可能在桌面应用得知费率之前出现，API 价格也可能变更。追踪器应附带一份带日期的费率快照，对未知名称的模型保留可见但不计价，历史报告保留费率日期。在 Agent Island 中，计算出的数字被标记为“API value”——这是基于嵌入费率的反事实估算。
第五步：区分四种度量。一个有用的仪表盘不应把这些合并为一个指标：Provider quota（账户距重置边界的距离）、Local token volume（会话记录的内容）、Estimated API value（基于日期化的 token 类别计算）、Actual billing（收据、额度、订阅、provider 端调整）。只有第四项是账单，本地记录不足以重建它。

在使用任何 AI 编程成本追踪工具前，对照以下问题检查：它读取哪些本地记录？是否分离 input、output、cache creation、cache reads？如何防止重放事件被重复计数？当模型不在费率表中时如何处理？价格快照是否带日期？UI 显示的是“估算”还是暗示“实际支出”？数据收集是否本地化，分享是否是独立操作？如果那个数字可能被误认为是已支付的费用，说明文字应当紧挨着数字出现。

#开发者 #工具 #AI编程 #成本追踪 #测量合同 #ClaudeCode #Codex #AgentIsland #本地工具
@DevToolboxHub

AI 编码周报：活动账本而非生产力分数

一周的 Claude Code 和 Codex 工作会在本地留下足够的痕迹，能回答几个具体问题：会话何时活跃？哪些供应商产生了活动？哪些模型出现？每日 token 结构如何变化？但它无法证明代码是否正确、这周是否有产出、API 估值是否等于实际花费。正是这个边界让周报有用。

使用本地日历日：周报应覆盖今天加之前六个本地日历日。标题、每日柱状图、供应商总计和模型行必须使用相同的边界。若图表用日历日而模型行用滚动 168 小时窗口，各部件会不一致，一行可能超出标题，即使每个单独计算都看似合理。时区和午夜行为是核算规则。

token 总量描述活动：输入、输出、缓存创建和缓存读取代表不同工作。建议保留两个总量：wire token 总量（包含本地记录的所有分类）和输入/输出总量（排除缓存流量）。两者都不是生产力分数。缓存密集的重构可能比小改动移动更多 token；一次失败运行可能很昂贵；安静的会话可能是在等人而非空闲。

比较供应商时不制造等价：供应商拆分能显示多少记录活动来自 Claude Code、多少来自 Codex，但无法证明每个供应商的一个 token 代表同等的工作、延迟、质量或配额压力。供应商配额是报告状态，本地 token 活动是重建的账本。显示两者没问题，用一个填补另一个的缺失数据则不行。

每个事件保留模型上下文：一个会话可以切换模型。后面的 token 事件需要当时活动的模型上下文，而非文件顶部显示的模型。未知命名的模型应保持可见且无定价。猜测相近模型家族会让历史报告不可审计。token 排名和 API 估值排名也不同：一个模型可能因大量廉价缓存读取而数量领先，另一个则因估值领先。

五分钟周回顾：用周报做一次操作决策——检查七天是否齐全，寻找缺口、重播峰值或过期供应商数据；比较供应商和模型组合而不将其视为质量；仅在显示的费率日期下阅读预估 API 值；为下一周写一个工作流变更，例如减少无人值守运行、修复重复身份验证失败或更改开始长会话的时间。数字本身不改进工作流，决策才改进。

分享必须是单独操作：本地报告默认应留在本地。Agent Island 从已存储在机器上的记录构建报告，内容不上传到其服务。可分享的卡片是渲染摘要而非自动广播，复制或导出需要显式操作。分享前检查日期、总量、模型名称和项目上下文，排除任何不愿披露的信息。

一份周报通过说明每个数字的含义及其不能证明什么来赢得信任。完整工作流与当前验证范围见规范指南。

#开发者 #工具 #AI编码 #周报 #活动日志 #Claude #Codex #AgentIsland
@DevToolboxHub

AxonASP 集成 Caddy 实现服务端JS渲染

AxonASP 是一个 Caddy 模块，将服务端 JavaScript 运行时直接嵌入 Caddy 的 HTTP 处理器内，无需配置 FastCGI、反向代理等组件，实现零进程架构。配合 Caddy 自动 HTTPS，几秒内即可启动动态服务。

步骤速览：
1. 获取服务器：下载含 AxonASP 的预编译二进制，或用 xcaddy 从源码构建。
2. 配置 Caddyfile：在 route 块中添加 axonasp 指令，与 file_server 共存。
3. 编写服务端 JS 页面：在 www 目录创建 default.asp，以 <%@Language="JavaScript"%> 开启 JS 引擎，编写服务器端逻辑。
4. 启动：运行 caddy run，访问 即可看到由服务端 JavaScript 渲染的动态页面。

整个过程不到一分钟即可完成搭建，天然支持 Caddy 的自动 HTTPS 和生产级扩展性，适合快速构建动态 Web 服务。

#开发者 #工具 #AxonASP #Caddy #服务端JavaScript #Caddyfile #零进程架构
@DevToolboxHub

10个LLM评估实验，只跑了1个——够了

作者设计了10个实验来回答一个问题：在日常开发中，什么时候需要前沿模型，什么时候只是在浪费钱？最终他只跑了1个CI诊断实验，结果就够用了。

实验对比了Haiku 4.5和Sonnet 5（通过OpenRouter），使用真实GitHub Actions日志，约50次run。结果：Haiku便宜10倍，快67%，准确率相当。对CI诊断这类任务，Haiku是默认选择，Sonnet只在必要时使用。整个实验花费$13.53。

作者还构建了可复用的评估框架model-compass，涵盖9个真实Agent任务（CI诊断、事故事件分类、代码审查、PR撰写、架构分析等），支持多模型适配层和成本自动计算。
同时提到了开源路由器TierForge，它能将评估证据转化为YAML路由规则，如“CI诊断默认用Haiku，满足特定条件升级到Sonnet”。
关键教训：不需要跑完所有实验，一个精心选定的实验就能校准直觉；评估框架比发布论文更有价值；个人预算决定了学习策略；成本问题背后常隐藏着信任、控制等深层担忧。

#开发者 #工具 #LLM #CI #Haiku #Sonnet #ModelCompass #TierForge #DevOps #成本优化
@DevToolboxHub

TanStack Table V9 Beta 发布：Tree-Shakable、新状态管理与更低内存占用

TanStack Table V9 进入 Beta 阶段，这是一个面向多种 JavaScript 框架的无头 UI 库，用于构建表格和数据网格。此次基础性重写聚焦于状态管理、内存效率、包体积和可扩展性，同时保持开发者已熟悉的核心表格逻辑。

最显著的变化是引入选择加入（opt-in）功能模型。开发者仅需加载实际使用的组件，实现 tree-shaking 优化。状态层迁移至 TanStack Store，进一步降低内存占用。官方提供渐进式迁移路径及向后兼容工具，确保从 V8 平稳过渡。该库继续保持免费、面向开发者的定位。

#开发者 #工具 #TanStackTable #V9Beta #状态管理 #无头UI #JavaScript
@DevToolboxHub

LibreFang 2026.7.21 发布：安全审计与多用户隔离

LibreFang 2026.7.21 正式发布，自 v2026.7.11 以来共合并 61 个 PR，来自 4 位贡献者。本次更新重点强化了多租户数据隔离与凭证管理，并扩展了 MCP 集成。

安全与多用户隔离
用户可自带 LLM 提供商 API Key，支持按所有者追踪消耗；运营者可设置组织级提供商白名单并在 API 层强制每人预算。
知识图谱已按用户分区，修复跨用户数据泄漏；MCP 桥接层加强跨账户频道发送限制；会话专属压缩摘要防止 prompt 泄漏。
四轮安全审计修复了 15+ 个漏洞，涵盖授权缺口与令牌配额竞争。

开发者体验
新增 MCP resources 原语，Agent 可直接访问 MCP 暴露的资源。
长时间运行任务在 Slack 上通过 Block Kit 消息编辑实时展示阶段进度。
仪表盘 Hands 面板内可在线编辑 HAND.toml 清单。
所有 sidecar 适配器现支持快捷预设目标通道。

基础设施与提供商鲁棒性
Gemini 与 Vertex AI 驱动新增 response_format 支持；优先使用实时模型目录（构建时回退）。
令牌配额释放时保留预留以防止自我 DoS；提供商别名规范化防止扣费泄漏。
路由中出现的提供商错误现在会准确暴露，不再返回乱码或空轮次。

其他修复与维护
包括权限、环境变量信任、会话锁、MCP 参数过滤、上传路径规范化等多项修正。
依赖升级：tokio-tungstenite、wasmtime、serde_with 等。
迁移至 agent-client-protocol 1.3.0。

安装 / 升级
Binary: curl -fsSL https://get.librefang.ai | sh
Rust SDK: cargo add librefang
JavaScript SDK: npm install @librefang/sdk
Python SDK: pip install librefang-sdk

GitHub 完整更新日志及发布页面见素材链接。

#开发者 #工具 #LibreFang #AI #多租户 #MCP #Rust #安全审计
@DevToolboxHub

.NET 11 Preview 6 发布：C#、ASP.NET、MAUI、EF 同步更新

微软推出 .NET 11 Preview 6，覆盖 C#、ASP.NET Core、MAUI 及 Entity Framework Core 多个组件。C# 方面，扩展成员新增索引器支持，允许在扩展块中为现有类型添加索引访问；同时引入内置联合支持类型。

ASP.NET Core 带来异步验证、自动 CSRF 保护，并默认启用 OpenAPI 3.2。MAUI 将 CollectionView 支持扩展到 Windows 平台。EF Core 新增 FULL OUTER JOIN 翻译能力。

本次预览版进一步完善了语言特性和框架能力，适合 .NET 开发者先行试用评估。

#开发者 #工具 #NET11 #CSharp #ASPNETCore #MAUI #EFCore
@DevToolboxHub