跳到正文
11月2日週一
  1. 阿里雲開發者社區 AI40

    秋招正式批尾聲的測試職位:哪些仍在面試,哪些只剩補錄,一張表説清楚

    11月秋招測試職位分為三條線:AI測試/算法評測仍在面試並開放補錄,測試開發部分團隊仍在面試,傳統功能測試則基本只剩補錄。AI測試/算法評測的補錄期為11月中下旬至12月中旬,部分職位延續至1月;手工測試需求同比下降47%。投遞時應留意「算法評測」和「質量效能」等職位名稱,不要只搜尋「測試」。

  2. DEV Community50

    模型幻覺是設計問題,而非模型問題

    RWaltz Software 指出,模型幻覺的風險不能只靠更好的模型處理,還要透過系統設計控制錯誤如何被發現、核驗及傳遞。文章建議分開評估檢索與答案品質、展示實際取回的段落,並在找不到相關資料時讓系統選擇不作答;可查證的主張則應先以程式核驗。涉及資產、不可逆操作或合規責任的決策,應由確定性程式處理,而非由模型輸出直接觸發。

  3. DEV Community50

    AI red teaming 是甚麼?面向安全團隊的實用指南

    這篇實用指南説明 AI red teaming 如何從攻擊者角度測試 AI 系統,找出可能在現實中被利用的安全弱點。測試範圍包括提示詞注入、RAG 資料曝露、Agent 工具權限、身份授權、記憶及多 Agent 攻擊,也涵蓋傳統滲透測試以外的 AI 行為與工作流程風險。實務流程包括界定系統邊界、梳理濫用路徑、在獲批環境安全測試、記錄影響,並驗證緩解措施後重測。

  4. 阿里雲開發者社區 AI27

    電商小店主如何用瓴羊 Quick Service 挽回流失訂單

    瓴羊 Quick Service 以 AI Agent 連接訂單和物流系統,讓電商客服不只回答問題,還能辦理查件、改址、退款等流程,協助小店主挽回流失訂單。平台支援全渠道接入、RAG 知識庫和人機協同,AI 問答準確率可達 93%,80% 以上常見問題可自動處理。SaaS 版約 1 天即可上線。

  5. DEV Community53

    AI 搜尋答案如何生成,以及為何有時會捏造事實

    AI 搜尋會先檢索網頁,再由大語言模型根據取得的段落生成答案;這種方式稱為檢索增強生成(RAG),若資料不足、互相矛盾或缺少關鍵事實,模型便可能生成貌似可信的錯誤內容。日期、數字、名稱和引文較容易出錯,因為這些資訊缺乏冗餘,模型猜錯後難以從上下文推回正確答案,而流暢或自信的語氣並不代表準確。文章建議改善檢索、以來源支持主張並作核查;用戶尤其應查核數字,以及日期、法律、醫療和財務等需要精確的資訊。

  6. 阿里雲開發者社區 AI28

    門店以外的增長場景:零售企業把客服打造成會員資產

    阿里雲旗下瓴羊Quick Service以AI Agent串接零售客服與訂單、物流等後端系統,讓查物流、改地址及退款等服務由回答走向閉環辦理。系統支援全渠道接入及知識庫動態更新,AI問答準確率可達93%,80%以上常見問題可自動處理。某頭部美妝零售品牌在「雙11」期間,人工介入率由35%降至8%,平均回應時間由47秒縮至3秒。

  7. 阿里雲開發者社區 AI45

    先診斷後選型:企業智能客服落地的五步決策框架

    企業智能客服選型應先診斷服務模式,再按任務完成率、知識庫、人機協作及系統整合等維度評估,並分階段落地。文章以瓴羊Quick Service為例,説明其支援 SaaS、私有化及混合雲部署,並提出以真實場景驗證業務閉環能力。知識庫建設約佔項目工作量的60%至70%,AI客服平均回本週期約6個月。

  8. 阿里雲開發者社區 AI25

    功能對照手冊:中小企挑選智能客服應留意哪些項目

    瓴羊 Quick Service 以大模型與 AI Agent 為核心,提供智能客服功能,協助中小企由回答問題轉向閉環辦理業務。平台支援全渠道接入、RAG 知識庫及訂單、物流等後端系統操作,AI 問答準確率可達93%,複雜業務處理時長可縮短60%。企業可按規模及數據合規要求選擇 SaaS、混合雲或私有化部署。

  9. 阿里雲開發者社區 AI37

    別被功能清單帶偏:選擇 AI 客服前先做五項自我檢查

    企業選擇 AI 客服不應只看功能清單或規模,還要先評估業務複雜度、服務模式、諮詢標準化程度及 AI 的定位。阿里雲旗下瓴羊推出的 Quick Service 採用多模型架構,並以 AI Agent 串接後端系統,完成查物流、改地址及退款等流程。平台支援 SaaS、混合雲及私有化部署,供不同規模及合規需求的企業選用。

  10. 阿里雲開發者社區 AI38

    阿里雲 2026 年雙十一活動:六大板塊一站配齊,雲伺服器 38 元起、免費領 1728 元補貼

    阿里雲推出 2026 年雙十一普惠上雲活動,涵蓋六大板塊,雲伺服器首單 38 元起,並提供最高 1728 元補貼。活動包括長效普惠雲伺服器、「99 計劃」及多種雲產品組合,亦涵蓋 Token Plan、AI Agent 組合和千問系列應用。所有價格以活動頁公示為準。

  11. 阿里雲開發者社區 AI23

    AI 英語培訓智能體的開發

    AI 英語培訓智能體的開發、上線及營運迭代流程涵蓋 LLM 微調、RAG 知識庫、語音互動和提示詞工程。上線前須進行合規審查、多維測試及小範圍灰度發布;上線後則透過學習數據、用戶反饋和錯題資料改進留存設計及模型。

  12. 阿里雲開發者社區 AI43

    用 Phidata + Qdrant 構建旅行 AI Agent:從 RAG 到真實預訂

    文章以 Phidata 2.x 和 Qdrant 1.x 構建旅行 AI Agent,串連對話、知識檢索與交易鏈路,涵蓋從目的地問答到酒店及機票預訂。實作接入 RollingGo 的酒店及機票 MCP,提供搜索、比價、鎖房、預訂、支付和取消工具,並可在鎖價後、支付前加入人工確認。固定評估集測試顯示,工具調用準確率由 71% 提升至 94%。

  13. 阿里雲開發者社區 AI37

    MaxCompute 作為大語言模型訓練數據清洗與 AI 語料處理平台:功能機制與適用條件解析

    MaxCompute 透過存儲接入、計算推理及治理索引三層能力,支援 PB 級離線 AI 語料清洗、多模態解碼、批量向量化及可信樣本交付。使用前提包括符合離線批量處理節奏、依賴 MaxFrame 生態、啟用向量能力,以及具備 GPU 配額和鏡像管理。它定位為語料產線的編排與治理中樞,不替代實時引擎或專用模型服務。

  14. 阿里雲開發者社區 AI43

    GEO 工程化實踐解析:如何構建讓 AI 理解、信任與引用的內容體系

    GEO 透過調整內容的語義結構、資訊層級與權威性信號,提升內容被大語言模型抓取、理解和引用的機會。研究顯示,引用可信外部來源可令可見度提升最高約 115.1%,加入具體統計數據與數字則最高約 40%。GEO 與 SEO 相輔相成,落地需結合內容結構化、多源驗證及持續監測。

  15. DEV Community60

    Langfuse 實戰:如何診斷 AI 回應緩慢、成本偏高及出錯

    這篇教學示範如何以 Langfuse 追蹤 AI 工作流程,將錯誤回應、延遲及成本問題定位到單次任務的執行步驟。示例使用 Python SDK 4.17.0,以硬編碼資料模擬檢索和生成,沒有呼叫真實模型,也沒有虛構 token 或成本數據。文章亦説明提示詞版本管理、評估、資料遮罩和自架部署要點,並指出 Langfuse 不會驗證答案正確性或執行業務權限。

  16. 阿里雲開發者社區 AI22

    2026年 AI 文章批量生成產業研究報告

    報告分析面向企業的商業化 AI 文章批量生成服務,涵蓋產業現狀、四層技術架構、服務商梯隊、應用場景及選型評估。報告列出2025年市場規模為3862億元、同比增長60.0%,行業集中度CR5達61.3%。競爭重點正由單純提升效率,轉向內容質量、合規管控與知識融合。

  17. DEV Community37

    AI 智能體架構:太遲之前必須作出的關鍵決策

    AI 系統團隊應先判斷所建系統是否需要具備目標、決定下一步及處理失敗的智能體,而非把所有工具呼叫或帶記憶的聊天機械人都稱為智能體。文章指出,生產環境的智能體多為專用流程,成效更取決於工具設計、失敗處理和可觀測性,而非單純更換最新模型或框架。RAG 檢索結果不理想,問題亦往往在分塊或元數據,而非嵌入模型。

  18. DEV Community38

    建立 AI 專業能力的窗口正比任何人預期更快關閉

    作者指出,建立 AI 專業能力的窗口正比預期更快關閉,工程師應專注於打造可信賴、可維護的 AI 系統,而非追逐基準測試。現時多數生產環境中的 AI 智能體用途狹窄,成效取決於工具設計、失敗處理及可觀測性。文章亦指出,架構模式比框架更重要,而 RAG 的檢索問題往往出在分塊或中繼資料。

  19. DEV Community51

    2026 年餐廳菜單助手檢索建置指南:元資料篩選與運行手冊

    作者提出一套餐廳菜單助手的檢索設計,先為每種回答訂明檢索契約,再按資訊是否會變動,結合索引檢索與即時檢索。契約應涵蓋菜式文字、穩定文件識別碼、來源 URL(如有)、資料時效類別,以及適用分店或服務日期;精確元資料篩選用來縮小候選集,再由語義排序排列結果。

  20. 阿里雲開發者社區 AI40

    KES AI資料庫:1億條向量的峯值記憶體開銷降低95.4%,庫內AI與庫外拼裝有何不同

    電科金倉發布 KES AI資料庫,將語義構建、向量計算與推理、權限管控納入資料庫內核,讓數據留在庫內供 AI 應用使用。官方公佈的實測條件為1億條768維向量、98%召回率,峯值記憶體開銷較業界降低95.4%,查詢延遲降低80%;作者未在生產環境復測,建議企業上線前以自身數據和查詢場景測試。

  21. DEV Community64

    Context Rot:RAG 管線為何會在沒有部署變更時逐漸退化

    RAG 管線即使沒有模型或提示詞變更,準確度仍可能因索引與來源文件不同步而下降。文章建議為來源內容及嵌入模型版本留存雜湊與版本資料,定期檢查過期或孤立的文本區塊,並將檢索評估與生成評估分開。對低相關或沒有結果的檢索,文章建議記錄未命中情況,以監察語料未涵蓋的用戶需求。

  22. 阿里雲開發者社區 AI34

    基於公共專利數據的教練式輔助撰寫應用場景建設

    平台以公共專利數據和《專利審查指南》知識庫,建設教練式專利撰寫輔助場景,透過實時診斷、判例比對及條款溯源協助用戶撰寫。平台整合1985—2026年專利公開數據,並將指南切分為3000+個條款、編碼為768維向量。教練模式只作診斷和引導,不代筆,申請文件由用戶執筆定稿。

  23. DEV Community43

    AI 智能體的個人化架構:將 RAG 作為工具

    AI 智能體個人化架構以個人資料、事件記錄和處理程序三層記憶保存用戶資訊,並在每次呼叫時重建系統提示詞。LLM 從用戶明確提供的資料中提取事實,不作猜測。RAG 可設為智能體按問題決定是否呼叫的工具,避免不必要的延遲和成本。

  24. DEV Community36

    如何用 Milvus 和 Ollama 建構私隱醫療 RAG 系統

    這篇教學示範如何結合 Milvus、BGE-M3 和 Ollama,建構可在本機執行的私隱醫療 RAG 系統,從醫療 PDF 和 Markdown 健康筆記檢索資料並回答問題。系統以混合搜尋結合密集與稀疏向量,並透過重新排序整理結果,再由本機 LLM 生成回答。

  25. 阿里雲開發者社區 AI58

    Vue3 + Spring Boot + 百鍊:AI 客服對話系統全棧實戰

    作者以其負責的 SaaS 客服升級項目為例,示範用 Vue3、Spring Boot 和阿里雲百鍊搭建 AI 客服系統,並涵蓋知識庫、流式對接、上下文管理及人工轉接。文中稱系統上線後 AI 自主解決率達 70%,平均首次回應時間由 5 分鐘降至 2 秒,客戶滿意度由 72% 升至 93%。文章並提供 5 個生產環境問題處理示例、客服方案選型決策樹和上線檢查清單。

  26. DEV Community64

    如何讓大語言模型在不確定時回答不知道,而非猜測

    文章建議在事實問答中先檢索依據,檢索不足時讓大語言模型拒答,並核對答案是否受來源支持。示例以檢索分數低於 0.42 時拒答,並建議逐項引用來源、對高風險答案進行忠實度檢查,評估時分開統計回答、拒答及有無來源支持。文中亦指出,檢索或文件問題可能造成失誤,提供資料作依據不能保證答案正確。

  27. DEV Community43

    如何使用 Python 為企業建立 RAG 知識庫聊天機械人

    這篇教學説明如何使用 Python、LangChain 和 OpenAI 建立面向企業的 RAG 聊天機械人,讓模型根據企業文件回答問題,無須重新訓練模型。RAG 可在文件更新後重新索引,並提供答案來源引用;以 GPT-4o-mini 生成答案時,每次查詢成本約為 $0.001。文章亦介紹文件載入、嵌入向量生成、向量儲存和答案生成四個核心環節。

  28. DEV Community66

    Qdrant 1.20 在全文索引內以 BM25 排序關鍵詞匹配

    Qdrant 1.20 在全文索引內加入 BM25 關鍵詞排序,並自行計算包括平均文件長度在內的統計資料,讓評分隨文件變動保持準確。新的程式碼 tokenizer 令 getUserName、get_user_name 和 user name 可相互匹配;巢狀篩選的 per-element indexes 在 100,000 個點的測試中,比一般索引快 7 至 38 倍。

  29. HuggingFace Daily Papers(社區熱門論文)34

    TRIO:以個別化優化改進檢索增強生成

    TRIO 是一套多智能體 RAG 框架,協調 Query Agent、Judge Agent 和 Answer Agent,分別優化檢索、證據評估和答案推理。它在五個問答基準中取得最高平均 Exact Match,並在未見過的 PubMedQA 上達到 76.6% 準確率。使用 4B 和 8B 模型時亦表現出色。

  30. HuggingFace Daily Papers(社區熱門論文)19

    RAG 如何提升股市資訊檢索效果

    一個用於回答股市查詢的 RAG 系統,在 100 條股市相關查詢的數據集上測試,ROUGE-1、ROUGE-2 和 ROUGE-L 均取得高分。系統平均回應時間為 1.16 秒,研究以此評估回應速度。

  31. DEV Community30

    PHP AI 編排實用範例

    這個 PHP 範例以 AIOrchestrator 展示基本的 AI 編排流程,依次分類用戶查詢、擷取相關資訊、生成回覆並進行驗證。範例以規則判斷意圖、從靜態陣列擷取內容,再用範本組成回覆;實際應用可改由語言模型處理分類和生成。

11月1日週日
  1. DEV Community67

    如何在 Next.js 建構多租戶 RAG,避免客戶資料外洩

    文章示範如何在 Next.js 中以 PostgreSQL、pgvector、RLS 和整合測試,為多租戶 RAG 建立租戶隔離,避免未授權文件進入模型提示詞。租戶 ID 應由伺服器端驗證後取得,並在檢索查詢中套用篩選;RLS 可補足遺漏的篩選,但不能防範可執行任意 SQL 的攻擊者。共享近似最近鄰索引也可能影響召回率和效能,因此應按實際租戶資料分佈進行測量。

  2. DEV Community42

    Agentic AI 中 Token 成本才是真正瓶頸:智能體記憶策略的實證測試

    以 GPT-4o 執行 30 輪推理鏈測試,比較完整上下文、選擇性回憶及外部記憶,結果顯示記憶策略左右 Token 用量與成本。完整上下文準確率為 0.94,成本為 $0.1122;外部記憶準確率為 0.84,成本為 $0.0434。文章指出,外部記憶較適合長流程,完整上下文則會隨工作流程延長而推高成本。

  3. 阿里雲開發者社區 AI31

    10月末仍未獲 offer 的測試應屆生,未來60天應找更合適的職位,而非投更多公司

    文章建議10月末仍未獲 offer 的測試應屆生,未來60天應按能力和準備方向匹配職位,而非增加投遞公司數量。2026年的測試職位分為功能測試、測試開發、AI測試/質量效能三條路線,考察重點和薪酬各有不同。求職者應聚焦補錄或急招職位,對照職位要求調整履歷,並準備面試真題。