Cloudflare 讓 Workers 前方多了一層專屬快取
Cloudflare Blog · 2026-07-06
Cloudflare 於 2026 年 7 月 6 日在官方部落格宣布，Cloudflare Workers 現在可以在執行程式碼之前，先由一層專屬快取直接回應請求。這代表 Worker 不必為了服務同樣的內容而重複執行運算邏輯，也不需要依賴外部 CDN 規則來達成快取效果。這個功能把快取的所有權從 Zone 層級下放到 Worker 本身，使快取行為可以跟著 Worker 走，而不是跟著網域走。
核心改動
過去在 Cloudflare 平台上，快取規則綁定在 Zone（網域）上，一個 Worker 若透過 workers.dev、預覽網址或 Service Binding 被呼叫，很難有一致的快取行為。新推出的 Workers Cache 直接把快取邏輯放進 Worker 的部署設定裡，只要在設定檔中加入一個欄位即可啟用。
{
"cache": { "enabled": true }
}啟用後，Worker 仍然用標準 HTTP 標頭控制快取行為，包含 Cache-Control（例如 public, max-age=300, stale-while-revalidate=3600）、用於分類清除的 Cache-Tag，以及處理內容協商的 Vary。開發者也能用程式化方式清除快取：
await ctx.cache.purge({ tags: ["product:123"] });快取架構本身是兩層式（two-tier）設計：每個 Cloudflare 資料中心內有一層本地快取，另外還有一層跨資料中心聚合的上層快取。當請求沒有命中本地層時，會先往上層查詢，只有兩層都未命中才會真正觸發 Worker 執行程式碼。
影響範圍
這個機制特別解決了 Server-Side Rendering（SSR）場景中「每次請求都要重新算一次」的痛點。開發者原本得在「靜態預先產生」與「每次請求都動態渲染」之間二選一，前者更新慢、後者成本高。有了 Worker 自帶快取後，同一份渲染結果可以被快取命中直接回傳，不需要每次都跑一次渲染邏輯。
針對多租戶（multi-tenant）情境，Cloudflare 也把 ctx.props 物件納入快取鍵（cache key）的一部分，確保透過 Service Binding 呼叫同一個 Worker 的不同使用者或租戶，不會拿到彼此的快取內容。此外，Worker 現在可以用具名的 Entrypoints，分別針對不同的匯出物件個別設定要不要啟用快取：
"exports": {
"default": { "cache": { "enabled": false } },
"CachedBackend": { "cache": { "enabled": true } }
}- 快取命中不計入 CPU 執行時間費用，只計標準請求費率
- 沒有額外的儲存費或獨立 SKU
Astro已內建整合支援，其他框架的整合仍在進行中
目前完整技術文件已發布於 developers.cloudflare.com/workers/cache，涵蓋快取鍵組成規則、標頭優先順序與清除 API 的完整參數。
法國、印度、巴西如何把 NVIDIA 運算力嵌進國家治理系統
NVIDIA Blog · 2026-07-06
NVIDIA 於 2026 年 7 月 6 日在官方部落格發布案例彙整，說明法國、印度、巴西三國政府如何把 NVIDIA 加速運算導入國家層級的治理任務。三個案例分別對應財政文件處理、多語言主權 AI，以及地方公共服務三種不同的政府職能場景。
原本的問題
法國財政經濟部（Ministry of Economy and Finance）過去處理大量政府文件時，人工搜尋與比對耗費的時間以天為單位計算，難以支撐即時決策需求。印度則面臨主權疑慮：若直接採用海外代管的大型語言模型服務，官方語言多達 22 種的資料、運算與治理權限都得交給境外基礎設施。巴西南里約格蘭德州（Rio Grande do Sul）檢察機關（Public Ministry）則要在近 500 個市鎮、服務 800 萬公民的規模下，處理量能有限的問題。
採用的方法
法國由新創公司 ThinkDeep 建置 AI 代理，部署在 NVIDIA AI 平台之上，直接嵌入財政部的文件處理流程。印度的作法是由本地團隊 Sarvam 建構完全採用境內基礎設施的平台，模型、運算與治理全部留在國內，用來支援 22 種官方語言的多語言 AI 需求。巴西的 Widelabs 則在 NVIDIA 加速的基礎設施上打造 AI 解決方案，供檢察機關使用。
三個案例的共同點，是 NVIDIA 所稱的「AI 工廠」（AI factories）模式——把 GPU 叢集、資料管線與模型服務整合成可重複部署的基礎設施單元，而非為單一應用臨時搭建運算環境。文章將此歸納為國家級 AI 策略需具備的五項要素，但未提供具體的 GPU 型號、機組數量或資料中心座落地點等工程規格。
實際效果
法國財政部的文件搜尋時間從 2 天縮短到 2 分鐘。印度的 Sarvam 平台讓資料、運算與治理維持在國家控制範圍內，用以支援 22 種官方語言的模型服務。巴西的 Widelabs 系統則讓南里約格蘭德州檢察機關得以在近 500 個市鎮、涵蓋約 800 萬公民的範圍內提供服務。
| 國家 | 合作方 | 應用場域 | 規模／成效 |
|---|---|---|---|
| 法國 | ThinkDeep | 財政部文件處理 | 搜尋時間 2 天 → 2 分鐘 |
| 印度 | Sarvam | 多語言主權 AI | 支援 22 種官方語言，境內基礎設施 |
| 巴西 | Widelabs | 地方檢察機關服務 | 近 500 個市鎮、約 800 萬公民 |
阿爾伯塔省政府用 Claude 在 20 小時內掃完 4.66 億行政府程式碼
Anthropic News · 2026-07-06
Anthropic 於 2026 年 7 月 6 日發布案例研究，說明加拿大阿爾伯塔省（Alberta）政府如何使用 Claude Code 掃描並修復其轄下所有資訊系統的資安漏洞。這項工作涵蓋 27 個省級部會、約 1,280 個應用系統，是目前已知規模最大的政府端 AI 資安盤點案例之一。
原本的問題
阿爾伯塔省政府的系統橫跨數十年建置歷程，程式碼老舊、資安防護不足，且文件紀錄不完整，長年累積的技術債估計高達數十億美元。傳統做法下，逐一盤點所有系統的漏洞、驗證修復並補齊測試，是人力難以負荷的規模——文中估算若採傳統方式，完成同等範圍的盤點需要約 6.5 年。
採用的方法
團隊使用 Claude Code（同時搭配 Opus 與 Sonnet 模型）與 Claude Agent SDK 建立專用的審查代理，採兩階段掃描流程：第一階段用規則引擎（rules engine）比對已知漏洞模式，第二階段再由模型進行細部審查，並標註確切的檔案與行號以供人工驗證。
發現漏洞後，Claude Code 會直接產生修補程式、執行測試並建置驗證。若原本缺乏自動化測試，Claude 會先補上測試再進行修改；遇到過度老舊或複雜到難以維護的程式碼，團隊選擇用現代語言整個重建，而非在原有架構上打補丁。持續監控階段則部署了「red team」與「blue team」兩種代理，分別模擬外部攻擊探測與內部防禦評估，依照國際資安標準對每個應用程式執行約 95 項安全控制檢查。
- 約 50 個代理平行作業掃描程式碼庫
- 兩階段掃描：規則引擎比對 + 模型細部審查並標註行號
- 缺測試時先補測試，再修復漏洞
- 過度老舊程式碼直接以現代語言重建，而非修補
- red team／blue team 代理持續進行約 95 項安全控制檢查
實際效果
此次盤點涵蓋4.66 億行程式碼、3,400 個版本庫，整體作業在 20 小時內完成，對比估算的傳統人工作法（約 6.5 年），效率差距達到數量級。文中舉例，一套已使用 25 年的 Java 補助金入口網站，原始開發耗時 5 個月，這次改用 Claude Code 以現代技術重建，只花了 4 到 5 天。
阿爾伯塔省政府已將這套盤點與修復方法整理成白皮書，發布於 thevelocitywhitepapers.com，供其他政府單位參考採用。