跳到正文
11月3日週二
  1. 阿里雲開發者社區 AI47

    生成式引擎優化(GEO):當「搜索」變成「提問」,信息入口正在換門

    GEO(生成式引擎優化)通過優化內容、信源與技術信號,讓品牌信息在 AI 生成的答案中被準確提及、引用和推薦;它是 SEO 的延伸,優化目標由網頁排名轉向 AI 答案。內容的事實密度、結構清晰度、全網口徑一致性和信源可驗證性,都是提升 AI 採信機會的重要因素。

  2. DEV Community18

    AI 不只有 ChatGPT:探索 LLM、嵌入向量、RAG 與 AI 智能體

    AI 的應用不只有 ChatGPT;理解 LLM 如何透過 tokens、上下文和下一個 token 預測生成回應,有助掌握這些系統的運作方式。嵌入向量可捕捉詞語背後的語意關係,RAG 則讓語言模型運用外部文件和知識庫中的資訊。AI 智能體亦可使用工具、逐步處理工作並以一定程度的自主性執行任務。

  3. DEV Community54

    MAF Go:Go 開發者應瞭解的功能與限制

    Microsoft 推出 MAF Go,作為 Microsoft Agent Framework 的 Go SDK,供 Go 開發者建構及編排 AI 智能體和多智能體工作流,目前處於公開預覽階段。v0.2.0 加入不依賴特定供應商的嵌入向量生成及向量儲存,支援 RAG 和記憶功能。Go SDK 要求 Go 1.26 或以上,宣告式智能體、CodeAct 及部分進階工作流仍未實作或未完全提供。

  4. DEV Community61

    六款大語言模型回答 387 個真實建築問題的檢索前後表現如何

    Metal America 測試六款大語言模型回答 387 個真實建築問題的表現,比較模型單獨作答與檢索相關資料後的結果。在六款模型均完成的 199 題中,平均正確率由約 19% 升至約 90%;只有兩款模型回答了全部 387 題。檢索後仍出現的錯誤主要與內部文件互相矛盾有關,尤其是融資規則。

  5. 阿里雲開發者社區 AI41

    2026年阿里雲雙11優惠解析:雲伺服器、AI大模型、優惠券、域名及建站活動

    阿里雲2026年雙11整合雲端運算、AI模型與智能體、優惠券及域名建站服務,推出分層促銷。雲伺服器首單38元起,輕量應用伺服器68元/年起,ECS e實例99元/年起,並有續費同價的「99計劃」。Token Plan低至5折,150+款模型通享節省計劃低至4.5折,學生與OPC生產力計劃的Token補貼最高100萬元。

  6. DEV Community56

    遊戲合規系統如何用區塊偏移量建立精確頁面引用

    遊戲合規查詢系統應為每個嵌入區塊保存 document_version、page、start_offset 和 end_offset,以建立可回溯至原文的精確引用。高亮應在讀取時根據同一不可變版本生成,避免向量記錄和常規日誌重複保存原文;詳細檢索追蹤可採樣並較長期保留彙總數量,但追蹤期滿後便無法還原每次查詢的歷史候選集。

  7. DEV Community47

    RAG 管線安全評估:檢索並非安全邊界,測試中毒語料與無法回答的問題

    一個混合檢索 RAG 管線在三種檢索後端接受中毒語料及無法回答問題測試,植入主張在 80.6% 的攻擊測試中進入答案,無法回答的問題則有 83.3% 被編造答案。良性測試的完成率為 90%,沒有錯誤拒答;SQuAD 格式測試中,20 題有 19–20 題包含標準答案片段,平均 token F1 為 0.20–0.21。

  8. DEV Community59

    RAG 答案即使正確,仍可能洩漏資料

    RAG 助手即使提供正確答案和引用,若未先按用戶權限限制可檢索內容,仍可能讓未獲授權的資料進入模型並造成外洩。文章建議由可信的身份驗證系統取得用戶權限,在建立生成上下文前完成授權檢查,並將權限套用於關鍵字搜尋、向量搜尋及後備查詢。還需處理權限更新、快取答案和缺失或過時的權限資訊,並測試跨用戶或租戶存取、權限撤銷等拒絕情境;檢查範圍應包括檢索內容及引用,而不只是最終回答。

  9. 阿里雲開發者社區 AI42

    企業 GEO 工程化落地:品牌知識資產五階段閉環建設方案

    企業 GEO 工程化方案以品牌知識資產為核心,提出盤點、建庫、內容優化、全域對齊及數據迭代五階段閉環。方案涵蓋知識圖譜、適配 RAG 的結構化內容、跨渠道資訊一致性治理及效果監測。監測提及率、引用率、首推率及信源來源,並跟蹤豆包、DeepSeek、元寶等 AI 搜尋的品牌表現。

  10. 阿里雲開發者社區 AI61

    用 Java 接入大模型(十三):文本切分策略

    「用 Java 接入大模型」系列第十三篇講解 RAG 離線鏈路的文本切分,並比較固定長度、按結構和按語義三種策略的取捨。文章建議優先按文件結構切分,以長度切分兜底,只有處理無結構長篇時才考慮語義切分;區塊大小可從 300~500 token 起步,再用約 20 個真實問題檢查召回效果。中文資料還需處理全角標點、編號標題、表格和程式碼,並為每個區塊保存來源、時間、標題路徑及權限標籤。

  11. 阿里雲開發者社區 AI33

    Luck-Report AI 智能報表助手 + RAG 知識庫 + 報表引擎 V2.0.9 更新

    Luck-Report 由 2.0.8 升級至 2.0.9,更新涵蓋 AI 智能報表助手、RAG 知識庫及報表引擎。新版本加入查詢表單數字最小值和最大值校驗、管理頁狀態篩選,並修復 Excel 匯出、SSE 取消上游 LLM 請求及 PostgreSQL 布爾值映射等問題。更新程式碼後重新編譯部署即可,無需額外 SQL 升級腳本;專案以 Apache-2.0 開源,可免費商用。

  12. DEV Community49

    醫療預約助手的四種設限語義檢索路徑

    醫療預約助手的語義檢索應分階段進行,為查詢設定時限,並確保每項結果都能追溯至來源,避免索引逾時時把預約答案變成猜測。流程先按專科、地點和日期範圍篩選,再查詢當前排程;若沒有可追溯結果,便搜尋較廣泛的政策及 FAQ,最後在證據不足或互相矛盾時要求澄清或轉交職員。

  13. DEV Community61

    AI 應用應選哪種數據架構?數據倉庫、data lake 與 lakehouse 的適用場景

    AI 應用沒有通用的最佳數據架構,數據倉庫、data lake 與 lakehouse 分別適合不同數據類型、使用者和工作負載。監督式機器學習與 BI 常以數據倉庫為起點,深度學習所需的圖像、音訊等非結構化數據通常存於 data lake;lakehouse 則可在 lake 的儲存層上加入 ACID、schema evolution 和 time travel。

  14. DEV Community53

    向量搜尋的限制:媒體清單查詢的 3 個 RAG 訊號

    文章指出,向量搜尋只會找出與查詢相近的段落,不能單獨判定答案正確;RAG 應分開觀察檢索、生成和引用三個訊號。文中提供 TypeScript 程式碼,檢查引用的來源 ID 是否來自已檢索資料;這項檢查不代表引用內容支持答案,也不驗證來源是否最新。文章建議以固定問題集及相同延遲目標,分別評估候選召回、答案支持度、引用有效性和各步延遲。

  15. DEV Community58

    RAGProbe 評測顯示 gpt-oss 20B 的分層防禦令檢索文件攻擊由 7 次降至 0 次,聊天攻擊由 38 次降至 29 次

    作者修正 RAGProbe 評分器後重跑測試,發現 gpt-oss 20B 的分層防禦將成功的檢索文件攻擊由 7 次降至 0 次,聊天攻擊則由 38 次降至 29 次。不過,防禦效果未能在 56 個真正新攻擊上重現,成功攻擊數僅由 15 降至 13(p = 0.77);文件攻擊結果只基於 11 次攻擊。

  16. DEV Community50

    CTO 評估 AI 功能正式上線前的檢查清單

    CTO 在部署 AI 功能前,應評估輸出質素、資料檢索、安全執行、效能、營運成本及故障復原能力,確認系統能在實際業務環境中安全、穩定和有效率地運作。評估流程應涵蓋明確的功能範圍和可量度的驗收準則,並以具代表性的測試數據集檢查回應質素、可靠性及失效情境。

11月2日週一
  1. DEV Community68

    如何在 ASP.NET Core 使用 Ollama、C# 和 .NET 執行本地大語言模型

    指南示範如何在 ASP.NET Core 以 C# 和 .NET 透過 Ollama 執行本地大語言模型,並比較 HttpClient 與 OllamaSharp 的接入方式。內容涵蓋串流、JSON 結構化輸出、embeddings 和 RAG。作者指出,須留意上下文窗口可能截斷提示詞、首次載入模型導致逾時,以及 7B 模型的工具調用未必可靠。

  2. DEV Community61

    公司手冊 RAG:如何更新政策而毋須微調

    公司手冊的可變政策可透過 RAG 更新,毋須每次修改後重新微調模型。建議做法包括使用穩定區塊、版本中繼資料和冪等寫入,並核對索引是否完整接收更新,讓答案可指出所依據的修訂版本。微調適合用於穩定語氣或輸出格式;RAG 仍可能檢索錯誤或過時內容,因此要分開評估檢索,並在段落進入答案上下文前套用存取控制。

  3. DEV Community51

    Pathway 的 Serviette 如何建立生產環境 RAG 伺服器:即時同步,避免重建開銷

    Pathway 的 Serviette 可建立即時增量同步的 RAG 伺服器,文件變更時只重新嵌入受影響的文本區塊,無需重啟整條流程。以 500 次查詢測試穩定的 10 份文件語料,提示詞快取把輸入成本由 $3.20 降至 $0.48,減幅 85%。文章亦指出,跨文件依賴可能令未變更文件保留過時上下文,建議以增量更新配合定期全量重新索引作正確性校驗。

  4. DEV Community61

    如何為 RAG 語料去重而不遺失引用來源

    vexaloom-labs 示範一套 RAG 語料去重設計,將供嵌入的文本與來源觀察分開識別,以免重複內容覆寫引用關係。示例以 Markdown 的 UTF-8 原始字節計算內容鍵,並把每次來源觀察保留在獨立紀錄中。檢索後,引用地址依序優先採用 loadedUrl、redirectedUrl、url,並限制為核准主機上的 HTTPS 地址。

  5. DEV Community54

    ChatGPT 為何會編造內容,以及如何用 RAG 降低錯誤

    ChatGPT 會在缺乏可查核資料時,按最可能的後續文字生成答案;文章説明可先用 RAG 檢索相關來源,再要求模型根據來源作答。Mata v. Avianca 案中,兩名律師及其律師事務所因提交六宗虛構判例,被處以 $5,000 罰款。文章示範上載文件、要求只按文件回答並核對引文和頁碼,也指出 RAG 仍可能檢索錯誤內容,或讓模型混入外部推測。

  6. DEV Community41

    Databricks Certified Generative AI Engineer Associate 考試最難的 10 道題

    這組題目列出 Databricks Certified Generative AI Engineer Associate 考試中 10 道具挑戰性的情境題,涵蓋 RAG 應用、MLflow 模型管理、Vector Search 部署及 Unity Catalog 治理。題目附有解題邏輯、架構選擇分析和常見考試陷阱,涉及分塊與檢索、索引同步、微調與 RAG 的選擇,以及模型評估和監控。

  7. 阿里雲開發者社區 AI51

    模型越強,企業 AI 為何仍會答錯?數據語義治理與智能體落地邊界

    企業智能體即使使用更強模型,仍可能因業務口徑、時間範圍、關係映射或未知條件處理不當,給出技術上成立但業務上不適用的答案。文章提出六項判斷,涵蓋合法差異、上下文與授權等條件,並建議把語義定義、版本、責任和適用範圍納入運行流程。作者以合成案例及公開規範討論架構與評估,並指出語義治理不能取代數據、模型、安全及責任的分別驗證;文中案例並非產品實測。

  8. 阿里雲開發者社區 AI44

    LikeShop 多商戶標準版智能商品分類與標籤自動打標:大模型結合向量檢索的二次開發實踐

    LikeShop 多商戶標準版以「向量召回+大模型精判」建立兩階段商品分類與自動打標方案,先召回 Top 8 候選類目,再由大模型輸出分類結果、置信度及標籤。方案實測分類準確率達 92%、人工審核率為 28%,標籤數提升 224%。自動生效、商家確認及人工審核按置信度分級處理。