跳到正文
11月19日週四
  1. DEV Community67

    RAG 存取控制:防止文件權限外洩

    Veduis 提出企業 RAG 文件存取控制做法,要求根據已驗證工作階段在伺服器端設定授權篩選,不讓模型提供或查看篩選條件。文章建議把來源 ACL 以羣組 ID 寫入每個 chunk,並按租戶、主體羣組集合雜湊及 ACL 版本設定快取;文件權限變更則透過 webhook 更新。作者列出五項安全測試,涵蓋未授權查詢、權限撤銷、提示詞注入、跨用戶快取重播及間接提問。

  2. DEV Community50

    BookmarkForge:本地優先、加密並支援離線 AI 的書籤管理工具

    BookmarkForge 是一款完全在用戶裝置上運行的本地優先加密書籤管理工具,無需帳戶或雲端伺服器,並支援離線全文搜尋、閲讀及整理。它透過本地模型提供語意搜尋和 RAG 對話,也可使用用戶自行提供的 API key 連接 OpenAI、Claude 或 Gemini。免費版提供 500 個書籤及永久語意搜尋,並支援匯入及匯出多種格式。

  3. DEV Community50

    電商搜尋的 5 種爬取邊界選擇:兼顧新鮮度、控制與引用

    文章提出電商搜尋的 5 項檢索邊界選擇,建議按資料新鮮度、控制及引用要求配置持久索引與即時查詢。穩定的商品描述、屬性和政策文字可建立索引,庫存及配送估算等易變欄位則即時查詢;租戶與 ACL、區域、保留和刪除狀態,以及來源引用都應納入檢索契約。文中比較 Elasticsearch/OpenSearch、Pinecone、Weaviate 和 Infrai,並提醒統一 API 不等於資料所在地保證。

  4. AWS Machine Learning Blog51

    如何為 Amazon Aurora PostgreSQL 設計負責任 AI 控制措施

    AWS 文章示範如何在 Amazon Aurora PostgreSQL 上設計負責任 AI 控制措施,並以 RAG 客戶支援聊天機械人深入實作可解釋性。文章將 AWS Responsible AI 八個維度對應至資料庫及相關 AWS 服務,並把檢索區塊 ID、相似度分數、實際引用來源和 Guardrails 追蹤記錄至資料庫,建立可查詢的審計軌跡。

  5. DEV Community56

    如何選擇 AWS 儲存服務,不必讀遍所有文件

    Athena Wemmert 以五個問題整理 AWS 儲存服務的選擇方式,從應用程式如何存取資料、資料形態及現有系統,延伸至共享存取與 AI/Agent 工作流。文中按訓練資料、RAG、Agent 記憶及檔案系統需求,列出 S3、S3 Vectors、S3 Metadata、EFS 和 S3 Files 等選項,並建議縮窄至一兩項後比較價格。

  6. DEV Community62

    六步測試:SharePoint AI 助手會否引用草稿或舊版本?

    文章提出一套六步測試,檢查 SharePoint AI 助手回答程序問題時會否引用未發布草稿或舊版本。測試把程序依次發布為 1.0(每 24 個月)和 2.0(每 12 個月),再保存每 6 個月一次的未發布 2.1 草稿,並以只有讀取權限的帳戶提問。若答案是 6 個月或 24 個月,分別可能表示助手讀取草稿或未標示的歷史版本;理想答案是列明文件及版本的 12 個月。

  7. DEV Community60

    金融研究儀錶板檢索管線的 OpenTelemetry 可觀測性模式

    文章建議金融研究儀錶板採用具成本核算與追蹤能力的檢索管線,監測索引新鮮度、證據品質和延遲。文中附有 OpenTelemetry API 的 TypeScript 範例,記錄候選數、新鮮結果數和耗時,並建議追蹤索引工作中的文件、分塊、嵌入請求及索引大小。同時提醒避免把文件內容及帳戶識別碼寫入追蹤屬性,並在遙測資料離開程序前遮蓋查詢內容。

  8. DEV Community24

    保險業的 AI guardrail

    保險業的 guardrail 可在 AI 系統執行前、中、後施加技術限制,協助處理承保、理賠和客戶服務中的風險。文章指出,Circular SUSEP nº 695/2024 未明文要求使用 guardrail,但要求保險公司識別、評估和減低 AI 風險;guardrail 是配合相關治理要求的做法。文中亦提到,2023 年有 72% 的巴西數碼保險公司表示已開始實施 AI 技術控制。

11月18日週三
  1. 阿里雲開發者社區 AI51

    DeepSeek Harness 10 款插件實測清單與新手設定建議

    指南逐一實測並整理 10 款 DeepSeek Harness 插件,涵蓋插件市場、OCR、文件引用、搜尋、長期記憶、費用監控及介面擴展。指南建議新手先安裝 dshmarket 和 modlens,再按偏好選擇全功能控制台或代碼側欄插件,並按使用場景補充其他工具;一次安裝過多插件可能引起依賴衝突並拖慢運行。

  2. 阿里雲開發者社區 AI44

    2026 年阿里雲雙 11 百煉平台選型指南:六大模組、模型組合與價格參考

    阿里雲百煉大模型服務平台涵蓋模型推理、應用開發、知識庫 RAG、Agent、模型微調及專屬部署六大模組,並提供選型與計費方案。雙 11 期間,全模型低至 4.5 折,新用戶可獲超過 7000 萬免費 Token,有效期 90 天。建議先用免費額度驗證功能,再按調用量和使用場景選擇 Token Plan、節省計劃或專屬部署。

  3. 阿里雲開發者社區 AI42

    什麼是 GEO?透徹理解生成式引擎優化:定義、原理、方法與趨勢

    GEO(生成式引擎優化)透過結構化內容、權威信源、知識治理與持續監測,提升品牌資訊在生成式 AI 答案中被準確提及和推薦的機會。文章拆解 GEO 的資訊採信原理、五個核心工作模組及成效評估方式,並説明 GEO 與 SEO 互相配合而非取代。企業應以持續迭代建立可信資訊,而非只追求提及率或讓 AI 誇讚品牌。

  4. 阿里雲開發者社區 AI47

    團隊用 ContextDB 花 7 天打造越用越懂團隊的數碼員工小T

    團隊用 7 天業餘時間,以 ContextDB 作知識與記憶底座,搭建數碼員工小T初版,並沿用 Codex 的 Agent 執行循環,採用 DeepSeek V4.1 Flash。小T可在羣組提供圖文答疑、分析客戶進展及整理產品反饋,並透過羣記憶、每日後台學習和 Skill 沉澱,持續更新知識與做事方法。客戶羣與產研羣按不同職責配置權限和工作方式。

  5. DEV Community24

    構建 AI 驅動軟件:選擇 AI 整合公司的考量因素

    選擇 AI 整合公司時,企業應評估其處理現有軟件架構、模型選擇、數據工程、系統整合、安全及持續監察的能力。實際部署還須考慮推理延遲、成本、數據存取權限、提示詞注入防護,以及模型輸出的測試和監控。成功整合 AI 不只是連接模型 API,亦需要兼顧數據、架構與生產環境維護。

  6. 阿里雲開發者社區 AI33

    部署本地私有 AI 企業助手:架構設計、資料安全與高效落地實踐

    本地私有 AI 企業助手採用端側推理、本地向量庫與輕量級網關架構,透過開源大語言模型和檢索增強生成,支援企業知識檢索,並兼顧資料隔離、低延遲與業務定製。方案涵蓋 FastAPI 服務封裝、權限校驗及審計日誌,並提醒部署時留意硬件資源、知識更新和安全管控。

  7. 阿里雲開發者社區 AI29

    構建 AI 驅動科研管理系統:融合 RAG 與智能體的自動化工作流程實踐

    方案以「雲原生底座+AI 智能中樞」構建科研管理系統,融合 RAG 與智能體工作流程,支援立項審查、經費核對及進度預警等自動化任務。系統透過文檔解析、語義向量化和混合檢索生成結構化輸出,並可按科研資料安全要求配置私有化部署、權限控制及人工複核。

  8. DEV Community63

    兩項可在付費使用評審模型前執行的 LLM 幻覺測試

    這篇教學提出兩項毋須 API key 或評審模型的幻覺初步檢查,分別核對答案中的數字是否出現在上下文,以及多次回答抽取出的事實是否一致。作者以 Python 和 pytest 執行測試,在 Python 3.13、pytest 9.2.0 下 4 項通過;一致性測試示例以 80% 為門檻。這些檢查不能理解語義,失敗只表示應交由人工或評審模型檢視。

  9. 阿里雲開發者社區 AI44

    企業如何從部署到營運智能客服系統並提升解決率?

    企業要提升智能客服解決率,應從高頻場景起步,持續優化知識與執行流程,並建立人機協同和數據回饋機制。穩定期可把獨立解決率由約50%提升至70%以上,並將轉人工率維持在30%以下。瓴羊 Quick Service 在部分場景披露的 AI 自主解決率超過80%,複雜多輪業務辦理成功率可達87%。

  10. DEV Community63

    金融科技產品內容的語義搜尋架構:以證據日誌追溯答案引用

    金融科技產品的生成式搜尋答案應附帶可重現的檢索憑證,連結內容版本、政策篩選、檢索候選項與實際引用,方便日後追查答案依據。文章以 TypeScript 範例展示只追加式憑證紀錄,並建議分開評估候選檢索和最終引用,以不可變版本記錄索引、政策及嵌入設定。這套做法適用於會生成金融產品相關答案並向客戶展示引用的情境;只提供連結的低風險網站導覽,作者認為一般查詢分析和存取記錄已足夠。

  11. 阿里雲開發者社區 AI56

    程序員魚皮分享 AI 大模型應用開發學習路線,涵蓋 RAG、Agent 與求職準備

    程序員魚皮整理了一份 AI 大模型應用開發學習路線,涵蓋編程基礎、API、提示詞與上下文工程、RAG、Agent、工程化及項目實戰。路線以 AI 應用與 Agent 開發為主線,模型部署和微調列為選學;有編程基礎者每天投入 3 到 4 個小時,約 2 到 4 個月可完成主線並做出 2 到 3 個項目(僅供參考)。

  12. DEV Community35

    AI 生產環境清單:沒有人公開談論的實況

    AI 智能體在生產環境中的部署大多範圍狹窄,專注做好客服分流、文件抽取或特定程式碼庫的程式碼審查,而非通用推理。可靠的系統設計重點在工具介面、失敗處理及可觀測性,架構模式也比框架選擇更重要。RAG 的檢索問題往往源於分塊或中繼資料,而非嵌入模型。

  13. 阿里雲開發者社區 AI29

    OpenTrek AI 知識庫以低算力解析企業文件,讓知識可溯源並持續演進

    OpenTrek AI 知識庫將企業文件及音視頻等多源數據整理為可供大模型調用的知識資產,並支援精準檢索與逐條引證。其內置模型 OP-OCR-0.8B 參數規模不足10億,在 OmniDocBench 排名前五,並可用單張 GPU 部署。Knowledge Wave 引擎原生支援30多種格式,能定期自檢冗餘與衝突並自動重構知識庫。

  14. 阿里雲開發者社區 AI27

    高並發智能 AI 模擬法庭系統:多模態互動與即時裁判推理引擎架構設計

    該項目構建面向高並發場景的智能 AI 模擬法庭系統,結合多模態互動與即時裁判引擎,支援角色扮演、證據鏈校驗及自動評分。系統採用微服務及事件驅動架構,整合法律知識圖譜、RAG 檢索增強推理與狀態機管理,並以規則引擎和 LLM 多維評分器進行裁判評估。方案支援千人級線上法學實訓。

  15. 阿里雲開發者社區 AI56

    手把手教你:相似度全是 0.9?向量未歸一化的量綱災難|AI 工程師踩坑實錄第 10 篇

    文章以 bge-small-zh-v1.5 的原始 CLS 向量實測,指出未歸一化會令點積混入向量範數,令閾值設定和跨查詢分數比較失去可靠性。六段文件的未歸一化點積為 11.7–36.2,歸一化餘弦為 0.232–0.734;這次實驗的排序沒有翻轉。文章建議入庫和查詢兩側都先歸一化,之後點積等同餘弦,並可配合 faiss 的 IP 索引進行檢索。