跳到正文
10月28日週三
  1. DEV Community53

    低成本嵌入向量語義搜尋的工單分流:比較 3 種重排方案

    文章以同一組固定工單資料比較三種語義搜尋分流路徑:純嵌入向量檢索、所有工單均重排,以及按信心或分差選擇性重排。評估需分開衡量候選生成、重排與路由,並記錄召回率、排序品質、p50 和 p95 延遲、逾時、重試及人工修正。遙測應保留有助定位失誤的有限資料,避免把工單正文、客戶名稱或高基數欄位放進常規指標;比較則應依代表性標註資料與實際流量形態進行。

  2. DEV Community65

    RAG 快取可能令已刪除文件重新進入模型上下文

    Bobby Hall Jr 示範以 TypeScript 建立准入閘門,在把快取檢索結果加入模型上下文前,核對文件狀態、版本和用戶權限。快取只保存文件 ID 和 revision;閘門載入可信資料來源中的內容及存取狀態,排除已刪除、權限已撤銷或版本不符的文件,資料來源不可用時則令操作失敗。測試中,刪除前加入上下文的來源數為 1,刪除後為 0;使用舊快取重建後仍為 0,程式庫有 17 項通過測試。

  3. DEV Community55

    檢索結果需要加入允許用途欄位

    作者提出的操作型檢索藍圖,要求檢索結果附帶允許用途等元資料,界定內容能否用作內部參考或對客戶回覆。藍圖列出來源、領域、版本或更新日期、允許用途及審批要求,並區分對客戶使用的文字與內部脈絡。這份起步設計包含 schema、合成文件和評估問題,並非已部署的知識服務或成效驗證。

  4. DEV Community41

    Afterlight:幽靈是串連記憶的線索,而非冒充逝者

    Afterlight 是一款以本機優先設計的家庭記憶檔案工具,利用本機運行的開放權重模型串連回憶,但不模仿逝者或捏造對話。建議使用 Gemma 3 (1B),並透過 Ollama 在本機進行推理;下載模型後,檢索和回憶整理流程可在沒有網絡連線時運作。原始記錄會與 AI 生成的反思一併呈現,但原型的 SQLite 資料庫未有加密。

  5. DEV Community39

    SpecGuard:讓 AI 程式碼審查依循工程標準

    SpecGuard 是一個全端 MVP,結合 GitHub、Notion 與 Google Gemini,根據團隊工程標準分析 GitHub pull request。它檢索相關 Notion 文件,以 Zod 驗證模型回應,並按發現項目的嚴重程度計算分流評分。項目旨在為工程師提供具背景脈絡、可核查的審查起點,而非讓 AI 成為程式碼質素的最終裁決者。

  6. DEV Community50

    旅遊行程檢索架構:如何以存取規則限制結果並確保引用可追溯

    文章提出旅遊行程檢索架構,以明確存取契約、分階段檢索和可追溯來源引用,限制候選結果並保留稽核線索。流程要求先按集合、日期、庫存狀態、語言、政策標籤及時效性篩選,再排序;交給生成模型的內容須保留來源 ID 和檢索時間。文章建議以標註評測集衡量候選符合條件的精確率、引用覆蓋率、時效違規和空結果率,並透過影子流量、分階段上線及回滾驗證變更。

10月27日週二
  1. 阿里雲開發者社區 AI43

    醫藥健康 GEO 技術實踐:面向大模型的信源工程、知識工程與合規工程

    醫藥健康 GEO 需透過信源工程、知識工程與合規工程,讓大模型提供準確、可信、合規的健康資訊。實踐涵蓋以説明書為基準建立分層知識資產、按可信度佈局信源,以及把合規要求納入內容生產流程。監測方面以三通道採集回答,並固定時間、指標口徑及提示詞題庫,持續量度和迭代。

  2. DEV Community50

    RAG 中檢索內容如何變成指令:間接提示詞注入與防範

    作者説明 RAG 中的間接提示詞注入風險:模型可能服從檢索文件中的指令,而非把它視為資料,即使文件同時含有正確答案。文中建議將檢索內容視為不可信資料、限制應用程式可用的資料與工具,並在程式碼中驗證工具請求。作者提出以正常文件和加入注入指令的版本進行對照測試,檢查模型是否回答原問題、引用正確證據及服從注入指令。

  3. 阿里雲開發者社區 AI41

    企業級 RAG 如何落地信源分級:雲上自動化採信實踐

    企業級 RAG 信源分級實踐提出 S/A/B/C/D 五級體系,並以知識圖譜及語義檢索支援自動採信。方案以對象存儲託管分級配置、函數計算執行構建,按每個 host 6 條、每個平台 5 條採樣,並以 6 項一致性校驗把關。這套流程亦支援對接存量知識庫,供 RAG 檢索、重排及 AI 引用使用。

  4. 阿里雲開發者社區 AI37

    GEO優化與SEO的區別全解析|從優化對象、競爭形態到內容結構化,拆解八大差異與雙軌內容工程化落地及監測指標

    GEO與SEO分別以內容在生成式AI答案中的採用度及網頁搜尋排名為優化目標,前者爭取引用,後者爭取點擊。兩者在優化對象、競爭形態、內容要求及成效指標等八個維度各有不同,並非互相取代,而是互相補足。雙軌內容策略須兼顧人讀體驗與AI抽取需要,分別監測搜尋排名、流量及AI提及率、準確性。

  5. 阿里雲開發者社區 AI23

    DATA+AI 平台:企業如何選擇一體化數智底座

    企業選擇 DATA+AI 平台,應看數據治理、模型訓練與推理、算力調度及智能體編排能否形成一體化閉環。數新智能 CyberOS 由 CyberData、CyberAI、CyberEngine、CyberAgent 組成,支援 50+ 異構數據源及 20+ 計算引擎適配。平台亦支援多雲及多區域部署,文中案例包括跨地域傳輸效率提升 5–10 倍。

  6. 阿里雲開發者社區 AI43

    AI 搜尋推薦邏輯是甚麼?從 RAG 與內容評分機制拆解 GEO 優化原理

    AI 搜尋推薦主要透過 RAG 的召回與重排序選擇內容:召回看語義相似度,重排序則考慮信源權重、內容質素、資訊增益與時效性。文章提出 Token 計數、位置分數和資訊增益三項 GEO 評分維度,並指出三項優化策略合用可令內容在 AI 答案中的可見性提升超過 40%。另外,文章列出 GEO 優化的五步實踐方法。

  7. 阿里雲開發者社區 AI42

    智能客服系統如何選型:以阿里雲瓴羊 Quick Service 為參照

    企業選擇智能客服系統,應從問答準確率轉向評估 Agent 能否辦妥業務、知識能否及時更新,以及執行出錯時有沒有可靠兜底。文章以阿里雲瓴羊 Quick Service 為例,説明其模型、平台、應用三層架構,以及感知、理解、決策、執行四層閉環。POC 應核查工具清單、執行日誌、異常處理和知識更新鏈路。

  8. 阿里雲開發者社區 AI36

    智能客服新時代:如何選擇智能客服系統?瓴羊 Quick Service 助力企業提升客戶體驗

    瓴羊 Quick Service 以 AI Agent 調用後端系統處理查物流、改地址等操作,智能客服的選型重心亦由問答準確率轉向能否完成任務。平台支援多輪對話、多渠道接入及知識庫動態更新,AI 問答準確率達 93%,可自動處理 80% 以上常見問題。某電商商家實測轉化率提升 8.39%,轉人工率降低 45% 以上。

  9. DEV Community46

    商業聊天機械人應選 RAG 還是微調?

    商業聊天機械人應按需求選擇 RAG 或微調:需要根據會變動的公司資料回答問題時,RAG 可在回答時檢索相關文件;需要固定語氣、格式或行為時,則適合微調。大多數商業聊天機械人可先用 RAG,若行為仍需改善,再加入微調。

  10. DEV Community61

    Wayback Séance 讓已停運網站開口,並為回答附上存檔引用

    作者開發 Wayback Séance,讓用戶根據 Internet Archive 的網站快照,與已停運網站對話。工具以本機開源權重模型生成回答,為每項陳述附上日期和存檔引用;找不到依據時,則回覆不記得。項目透過 Ollama 執行 Gemma 4 E2B,並以 nomic-embed-text 檢索段落,再由程式檢查引用是否有效。

  11. 阿里雲開發者社區 AI42

    DS GEO優化落地:寵物用品電商如何用官網與知識庫內容爭取 AI 精讀位置

    寵物用品電商可把商品資料整理成官網知識頁與問答庫,讓 AI 更容易抽取及引用,爭取精讀位置。文中引述的報告稱,DeepSeek 每次答題約檢索 50 個網頁,最終精讀 3-4 個;T1 至 T5 信源權重最高相差 25-30 倍。建議以品牌自有知識頁為基礎,補充標準與檢測報告引用,並透過垂直社區及專業測評站增加覆蓋。

  12. 阿里雲開發者社區 AI39

    2026年阿里雲雙十一百煉大模型服務平台功能、選購及價格指南:六大模組與全模型矩陣解析

    阿里雲百煉大模型服務平台在2026年雙十一推出全模型低至4.5折等優惠,並涵蓋模型推理、應用開發、知識庫RAG、Agent、模型微調及專屬部署六大模組。優惠適用於150多款模型,新用戶實名認證後可獲超7000萬免費Token,有效期90天。Wan3.0-Video限時7折,支援生成長達30秒的影片。

  13. DEV Community36

    聊天機械人如何記憶?上下文與記憶背後的工程原理

    聊天機械人要延續對話,須由應用程式保存相關對話歷史,並在下一次請求中提供所需上下文;模型本身不一定會記住先前內容。應用程式亦可檢索已儲存的資料、摘要舊對話或挑選相關訊息,避免不必要地增加 token 用量、成本和延遲。為提升可靠性,應用程式還須妥善管理工具存取及模型回應,但檢索、驗證等方法不能保證答案完全正確。

  14. 阿里雲開發者社區 AI50

    2026 年測試工程師應掌握的五層 AI Skill

    文章將 2026 年測試工程師的 AI 能力歸納為五層:Agent 理解、Skill 封裝、MCP 工程、AI 系統驗證及 Test Harness 工程。文中介紹以語義斷言、LLM-as-Judge 和 RAG 分層評測驗證不確定輸出,並將 Skill 定位為可執行、可評測的能力單元。實踐順序建議先理解 Agent,再封裝一項高頻需求並加入回歸評測,接入 MCP 時採用最小權限。

  15. DEV Community70

    改善 RAG 檢索質素的分塊策略與評估方法

    作者比較五種 RAG 分塊策略,整理各自適用的情境與失效點,並提出以測試集驗證改動的方法。文章建議按文件結構選擇策略,採用 10 至 15% 句子邊界重疊及標題路徑前綴,再用真實問題測試集逐項驗證。一個 90 份文件的政策語料庫中,改用 recursive 400 並加入標題前綴後,top-5 recall 由 61% 升至 84%。

  16. 阿里雲開發者社區 AI23

    AI 英語培訓軟件的開發

    AI 英語培訓軟件的開發結合大語言模型、語音技術與二語習得理論,涵蓋口語對話、寫作批改、自適應閲讀及學習畫像四大模組。系統採用多智能體架構與 RAG 知識增強,並以語音評估、個人化內容生成及學習記錄支援教學。

  17. DEV Community63

    如何在 Amazon Bedrock 上建構生產級 RAG 聊天機械人

    作者以 NestJS、PostgreSQL、pgvector、混合搜尋(RRF)、提示詞快取及 Claude on Amazon Bedrock,示範建構生產級文件問答系統。系統以向量與全文搜尋並行檢索候選,再用 RRF 合併排名;文件按標題分塊,並將標題加入內容。固定系統提示詞與 few-shot 範例放入快取,檢索內容和問題則不快取;文章亦列出文件更新清理、測試及部署細節。

  18. Databricks:Blog47

    Lakeflow Connect 統一生產力工具與 AI 資料

    Lakeflow Connect 透過全託管原生連接器,把企業生產力工具中的資料匯入 Databricks,為下游 AI 智能體提供業務背景。連接器涵蓋協作工具、企業知識、電郵及 AI 服務,並將資料存入 Unity Catalog 的受管資料表。非結構化內容可經清理後切分及轉換為嵌入向量,文件原始位元組則可用 ai_parse_document 轉成文字。

  19. DEV Community44

    遊戲業發票的聊天機械人語義搜尋:可靠的結構化擷取

    遊戲業發票聊天機械人應先以語義搜尋找出相關發票段落,再由聊天模型按結構化格式擷取欄位,避免把看似合理的回答當成正確結果。建議透過 OpenAI-compatible `/v1/embeddings` 與 `/v1/chat/completions` 分工處理檢索和生成,保留來源識別碼、輸出 JSON 並驗證欄位。Infrai 可統一後端存取,但分塊、來源引用、結構驗證及檢索評估仍須由應用程式負責。

  20. DEV Community35

    EchoVault:我打造開源 AI,讓珍貴回憶得以保存

    EchoVault 是一個開源 AI 記憶檔案庫,讓用戶保存、整理及搜尋個人故事,並透過語音轉錄和摘要協助重温回憶。系統以本機運行的 OpenAI Whisper 轉錄支援的錄音,再由開放權重 Gemma 提取摘要及資料;本機架構可減少向外部 AI 服務傳送資料的需要,但不保證應用程式完全離線。