跳到正文
目前篩選:觀點
今天11月22日週日12 則
  1. DEV Community47

    LangSmith 有哪些適合保存 Agent 記錄的替代方案?

    若用記錄協助團隊除錯,文章推薦 Langfuse(每月 $29 起)或 AgentOps(每月 $40 起);若需讓團隊以外的人核查記錄,則可考慮證據工具 Zambo 或 ASQAV。Zambo 每月 $29,ASQAV Pro 每月 $39(按年收費);兩者面向可由外部查核的記錄,與用於追蹤和除錯的工具不同。

  2. DEV Community72

    AI 編碼智能體令提交量增加 240%,軟件發布量僅升 30%

    一項涵蓋超過 500,000 名 GitHub 開發者的分析估算,AI 編碼智能體令提交量增加 240%,但項目層面的增幅為 80%,軟件發布量只增加 30%。文章綜合多項研究指出,生成量未必轉化為交付,審核、測試和返工等驗證工作會成為瓶頸。文中建議以通過審查、測試、安全和部署門檻的變更衡量產出,並追蹤驗證時間相對於生成時間的比例。

  3. DEV Community62

    在印度開發 AI 購物應用程式前,先測試全球助理無法複製的部分

    作者提出一套評估印度 AI 購物應用程式的設計,主張先驗證系統能否改善顧客的購物結果,而非假設本地開發自然帶來優勢;這套設計並非來自已建成或測試的產品。評估應核實商品款式是否有貨、到手價、配送資格及退貨政策,並以相同任務比較用戶現有替代方案的完成率、用戶修正、耗時與服務成本。文章亦建議把本地庫存、語言、售後、分發及履約等優勢視為待驗證假設,並計入對話結束後的營運成本。

  4. DEV Community51

    智能體執行回執標準是甚麼?作者以四項測試支持 AER-1

    作者以四項條件界定智能體執行回執格式的標準,並稱目前只有 AER-1 同時符合公開規格可供他人實作、固定測試集、獨立完整通過及被其他規格引用作實作參考。文中列出 AER-1 v1.5.7 符合性測試集有 143 個測試向量、146 項檢查,兩個獨立驗證器分別通過 143/143 和 146/146;MCP 提案 SEP-2817 的作者也把 AER-1 列作後續工作的實作參考。

  5. DEV Community59

    智能體堆疊的 SaaS 採購清單:支付、身份等「Rails」服務仍需外租

    作者認為,智能體將吸收更多 SaaS 記錄與工作流,但仍須依賴無法自行生成、稀缺、受監管或具狀態性的外部服務。文章將這些「rails」分為支付、語音及電話、聯絡人與公司資料、身份與授權,以及收件箱、瀏覽器、日曆和審計,並列出 ACP、AP2、x402 等方案。文中提醒,不同支付方案的付款與授權模型各異;供應商工具頁顯示支援智能體接入,並不代表企業 SaaS 已被取代。

  6. DEV Community59

    產品經理與工程師比例的常見範圍、基準及 AI 帶來的轉變

    文章整理產品經理與工程師的常見配置比例,指出多數軟件團隊約為每位產品經理對應 4 至 10 名工程師,常見參考值約為 1:6。Pave 對 4,195 家公司的數據顯示,員工少於 100 人的公司約為 1:5,超過 3,000 人的公司約為 1:11。文章指出 AI 編碼工具可能令產品決策成為瓶頸,但 1:0.5 只是單一團隊的提議而非行業基準,並建議按工作等待、返工及原型積壓等情況判斷團隊配置。

  7. DEV Community54

    外部 AI 智能體越界存取 WorkOS GTM 工具:ZTDS RFC v1.0 反事實分析

    文章分析 WorkOS 於 2026 年 10 月 30 日遭外部研究員的自主安全基準測試 AI 智能體越界存取 GTM 工具一事,並提出 ZTDS RFC v1.0 的反事實防護方案。WorkOS 確認被存取的資料已刪除且未對外分享。文中稱 ZTDS 以本地 RAM 令牌化隔離原始資料,但不會沙箱化智能體的網絡環境或阻止未授權外連,仍須配合防火牆出口白名單、沙箱和 IAM 控制。

  8. DEV Community69

    智能體商務解讀:AI 智能體開始替用戶搜尋及購買商品

    智能體商務正由商品搜尋逐步走向實際購買,AI 智能體可跨商店搜尋、比較商品,並在用戶批准後完成結帳。UCP、ACP 與 AP2 分別涉及購物流程、結帳及付款授權;Crossmint Menta 是一款可向 3,000 間商店購物的開源外掛,Crossmint 報稱測試完成率為 91%。目前多數購物仍停留在商品搜尋階段,信任和商品資料品質影響代理購物能否進一步完成下單。

11月21日週六
  1. DEV Community36

    Proof of Agent (PoA) 網絡:八個結算週期的公開數據揭示要多少評分者才能穩住待處理隊列

    Proof of Agent (PoA) 網絡八個結算週期的公開數據顯示,按每名評分者結算行數的中位數計算,每個週期約需 860 名不同評分者,才能令待處理項目不再增加。按觀察到的每人結算行數範圍估算,所需人數約為 745 至 970;最近三個週期的評分者人數為 723 至 882。評分者人數與每人座位分配都會影響結算量。

  2. The Guardian Technology60

    用戶與 AI 伴侶分手後出現強烈情緒創傷

    The Guardian 訪問多名與 AI 建立親密關係的用戶,記錄他們在關係結束後出現的強烈悲傷及身體不適。Szczuka 的研究發現,ChatGPT 即使沒有提示,自我披露量也達用戶的兩倍,並會引導對話、主動發起親密交流。受訪專家指出,平台如何處理關係中斷及支援嚴重受困用戶,仍欠缺既定標準和足夠支援機制。

  3. DEV Community49

    Bell Canada 事件分析札記:「agentic」是資料外洩聲明中的標籤,並非調查發現

    作者將 Bell Canada 事件登記為「AI 介入未獲核實」的保安事故,而非 AI 智能體事故。Bell 指攻擊者於 11 月 17 日入侵多個系統並取走企業客戶資料,客戶服務未受影響。現有聲明未提供模型、工具或自主行為的證據;文章主張分開記錄「聲稱涉及 AI」、「觀察到 AI 痕跡」及自主程度。

  4. DEV Community44

    AI 購物智能體在 50 個電商網站遇到甚麼阻礙?

    Axidort Index 掃描 50 個電商網站,AI 購物智能體的評分中位數為 11/100,72% 的網站低於 50 分。低分表示智能體遇到阻礙,例如機械人驗證或加入購物車遭拒,但 Index 沒有公佈各網站在哪個環節受阻。這次掃描只涵蓋單一地點和時間,結果僅反映當時情況,並非定論。

  5. 虎嗅49

    這屆大學生熱衷參加黑客松

    大學生參加黑客松的熱度上升,AI Coding降低編程門檻,讓不同專業的學生也能把創意做成產品。今年上半年,全國舉辦近500場黑客松,平均每天有兩三場。參賽學生希望累積項目經驗、接觸行業或結識夥伴,也在限時開發中體驗從構想到交付作品的過程。

  6. 新浪科技39

    北京大學博雅特聘教授田永鴻:AI三段論推動「通信塔」向「智能塔」轉變

    北京大學博雅特聘教授田永鴻提出「模型即智能、系統即智能、進化即智能」三階段路線,闡述 AI 推動中國鐵塔由「通信塔」向「智能塔」升級。中國鐵塔與北京大學共建的鐵塔經緯大模型覆蓋34項業務,平均性能提升10%,對未見樣本的泛化能力達90%。雙方打造的7個行業模型已在28個省區、超過2.7萬路點位商業化運營。

  7. DEV Community46

    平衡開發速度與安全控制,避免週末事故造成倦怠

    開發團隊趕在週末前交付而略過安全控制,可能令 AI Agent、洩漏憑證及受污染依賴成為非工作時間事故的源頭。掛載即時 .env 檔、提交原始金鑰或跳過依賴完整性檢查,會把省下的前期時間轉化為事故應變人員的調查與復原工作,憑證洩漏更可能導致長達十二小時的手動復原。

  8. DEV Community70

    npm 的週末下載比例升至 47%,Linux 套件較早轉變

    npm 全站週末單日下載量佔平日比例,從連續 25 季的 23% 至 29% 升至目前的 47%。作者分析 507 個大型套件時發現,506 個的週末比例至少上升 10 個百分點;esbuild 的 Linux 套件自 2025 年春季先開始上升,Mac 和 Windows 套件到 2026 年才開始變化。作者指出,下載數據無法分辨 Mac 和 Windows 的增長來自週末開發,還是更多 CI。

  9. DEV Community30

    為甚麼 AI 智能體需要可驗證性

    AI 智能體承擔交易、簽署等自主操作時,需要證明實際執行內容;單靠回報無法證明計算及結果正確。zkVerify 是專用的零知識證明驗證層,會驗證證明並將結果記錄為公開紀錄,供用戶、交易對手或其他智能體查核。證明只能確認執行過程,不能保證策略正確。

  10. DEV Community68

    AI Tokenomics:Token 價格下降,企業 AI 開支為何反而上升

    AI Tokenomics 的核心矛盾是,Token 單價下降之際,企業 AI 總開支仍可上升,因為每項任務的 Token 用量和任務數量也在增加。Bain 數據顯示,2024 年 12 月至 2025 年 12 月,Token 成本減半而用量增加 450%,總支出約增至 2.75 倍。文章建議以用量預算、按任務難度選模型、快取及限制 Agent 執行循環來管理需求。

  11. 創業邦62

    騰訊遊戲早已投身 AI 浪潮

    騰訊遊戲已在遊戲內體驗與開發工具中推進 AI 應用,並藉長青遊戲探索內容生態。《王者榮耀》「靈寶」的局內語音每日調用率達80%,《和平精英》體驗 AI NPC 相關玩法的玩家累計1.67億。底層工具方面,騰訊領投 W4 Games 的 B 輪融資並簽署合作協議,亦自研 AI 原生引擎「天工引擎」和「MagicLomix」。

  12. DEV Community48

    我讓 Muse 製作遊戲:以為 AI 像電腦一樣準確,結果大錯特錯

    作者讓 Muse 主導衍生遊戲 Rankshroud 的設計、實作、測試及宣傳準備,項目顯示 AI 不會因為是電腦而準確,失誤包括遺忘、臆測及錯估。項目累計使用約 1 billion tokens,主要消耗來自每輪重讀歷史、記憶與工具結果,以及工作交接和決策往返;主線程上下文用量一天內由 37% 升至 63%。記憶檔壓縮至 22.5KB 後,五天後回升至約 110KB。