Přejít k navigační liště

Zdroják » Zprávičky » Jak používat Dragonfly pro vzdálené ladění webů

Jak používat Dragonfly pro vzdálené ladění webů

Zprávičky Různé, Webdesign

Dragonfly je nástroj pro webové vývojáře od Opera Software a podobně jako nástroje Firebug a Web Inspektor podporuje práci se stromem dokumentu, kaskádovými styly a JavaScriptem. Navíc obsahuje zajímavou vlastnost, umožňuje ladit stánky v prohlížeči na vzdáleném zařízení, což usnadní ladění stránek pro mobilní prohlížeče. Komunikace probíhá pomocí protokolu Scope, který bude po vydání ostré verze zveřejněn. I ostatní výrobci mobilních prohlížečů tak budou moct využít nástroje Dragonfly.

Článek Remote Debugging With Opera Dragonfly ukazuje, jak takové vzdálené ladění nastavit a používat. I když nemáte mobilní prohlížeč, můžete si vzdálené ladění vyzkoušet na desktopovém prohlížeči.

Komentáře

Odebírat
Upozornit na
guest
2 Komentářů
Nejstarší
Nejnovější Most Voted
Alik

A ja si rikal jakou zajimavou novinku se dozvim ze sveta BSD ;)

Frugal computing: architektura pro dobu dražší infrastruktury

Vývojáři se naučili zrychlovat dotazy, přidávat cache, škálovat služby a hlídat účet za cloud. Frugal computing začíná o jednu otázku dřív: musí se výpočet, přesun dat, volání modelu nebo uložení vůbec stát? Rostoucí spotřeba datových center a nové evropské reportování ho posouvají do návrhu architektury, dřív než do závěrečné poznámky o udržitelnosti v prezentaci.

Odysseus: PewDiePie vydal open-source AI workspace, který běží na vašem vlastním hardwaru

AI
Komentáře: 0
Felix Kjellberg, youtuber se 110 miliony odběratelů, strávil rok učením se programovat a fine-tuningem vlastních AI modelů. Výsledkem je Odysseus – bezplatný, open-source workspace pro práci s umělou inteligencí, který neposílá žádná data do cloudu. Projekt má týden, přes 61 000 hvězdiček na GitHubu a znovu otevírá otázku, komu vlastně patří váš digitální kontext.

Když Git už nestačí: jak izolovat databázový stav pro pokusy AI agentů

Gitová větev vývojářům oddělí kód, ale databáze často zůstává společná. U AI agentů je to slabé místo: rychle spouštějí migrace, mění data a zkoušejí víc cest najednou. Databázová větev jim dá vlastní pracovní prostor, jenže tím práce nekončí. Ještě je potřeba řešit citlivá data, oprávnění, životnost větve i zbytek stavu aplikace.