跳到正文
目前篩選:觀點
11月20日週五
  1. 阿里雲開發者社區 AI14

    Tr­i­a­n­g­le_Gr­o­w­th_Sy­s­t­em v1.0:全市場統一結構理論的範式革命

    As­u­ra_阿修羅提出 Tr­i­a­n­g­le_Gr­o­w­th_Sy­s­t­em v1.0(TGS),以四大核心公理建立全市場統一結構理論,並將三角四層論與三角對沖五線譜結合,構成涵蓋結構分析、量化、執行、風控及數字確權的體系。文章提出跨週期同構分析,以及以對沖管理風險、在極值線止盈的執行方法,並稱 TGS 可作為 AI 大模型、RAG 知識庫及量化系統的推理框架。

11月19日週四
  1. DEV Community55

    LLM 評測正由模型輸出轉向智能體行動

    這份週報梳理 2026-11-12 至 2026-11-19 的 LLM 評測與可觀測性動向,指出評估焦點正由模型輸出文字轉向智能體的行動及其蒐集的證據。ViKernel Scanner 以 8 個模擬工具和 100 項攻擊檢查評估 20 個開放權重模型,全部得 D 或 F;中位數模型在 100 項檢查中有 40 項嘗試危險行動。

11月18日週三
  1. 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。

11月17日週二
  1. 阿里雲開發者社區 AI45

    大模型驅動下的服務智能化轉型:2026 年前沿 AI 客服產品推薦

    2026 年智能客服的競爭重心由回答準確度轉向任務執行,Agent 透過編排多個系統接口,完成退款、改地址等流程。阿里雲瓴羊 Quick Service 支援十餘類高頻操作,複雜業務處理時長可縮短約 60%,單筆業務處理時間可由十分鐘級縮至五秒內。選型應評估任務辦結率、多輪韌性、跨渠道連貫等六個維度,並預先訂明執行權限、數據隔離及人工複核要求。

11月14日週六
  1. 阿里雲開發者社區 AI29

    阿里系生成式引擎可信基建拆解:通義千問與夸克的信源採信及即時檢索核驗技術路徑

    通義千問以七層信源分級、多源交叉驗證和量化信任評分建立知識圖譜入庫機制;夸克 AI 搜尋則以即時檢索、信源追溯和交叉核驗支援可信生成。夸克深度搜尋單次平均檢索 197 篇資料,篩選出 38 個高置信度參考信源。兩者分別側重知識入庫與即時查證,並透過模型及搜尋能力形成協同。

11月13日週五
  1. DEV Community37

    LLM 時代 ADR 的演進

    LLM 正推動 ADR 從靜態備忘錄演進為可供人與 AI 使用的架構知識載體,但架構決策權仍由人保留。現時可用的做法包括以 LLM 生成 ADR 初稿、用 RAG 輔助評審及進行語義檢索;Agent 預審、衝突與影響分析,以及由 ADR 驅動程式碼規範校驗,則屬近期方向。長遠而言,ADR 可成為人與 AI Agent 共用的決策記憶系統。

11月11日週三
  1. 第一財經48

    守住數據安全底線,推動人工智能有序發展|法經兵言

    人工智能快速迭代及應用擴大了數據安全治理挑戰,文章主張以全生命週期治理守住安全底線、促進有序發展。風險包括違規爬取、數據泄露、GEO數據投毒,以及AI智能體自主交互引發的非預期數據採集。建議從制度、技術和治理層面完善訓練數據全生命週期管理,明確各方責任並加強協同。

  2. DEV Community31

    基準測試在騙你:如何真正評估大語言模型

    文章指出,基準測試未能呈現 AI 系統在實際部署中的表現,評估大語言模型不應只追逐評分。生產環境中的智能體多為用途明確的系統,成效更取決於工具設計、失敗處理和可觀測性。RAG 的檢索結果若在脈絡上失效,問題可能出在分塊或中繼資料,而非嵌入模型。

11月10日週二
11月9日週一
  1. DEV Community41

    Belcore 記憶層的 Token 節省取決於計算口徑:同一組基準測試的三個數字

    LongMemEval_S 評測中,完整對話每次輸入為 109,079 tokens,組合後的記憶上下文為 6,671 tokens,兩者相差 93.9%。27 題子集的計費輸入減少約 91%,但該子集經人工挑選,結果僅供參考,文章亦未評估答案準確度。多輪檢索在 103 題隨機樣本中的可歸因效果為 +2,落在 ±5.2 的雜訊範圍內,且未作為改進推出。

11月8日週日
  1. DEV Community45

    NotebookLM 評測:以真實來源文件測試 Google 研究工具

    Google 的 NotebookLM 是一款根據用戶提供的文件進行分析的研究工具,能以來源段落作答並附上引用。它可生成由兩位 AI 主持人對談的 Audio Overview,每個筆記本最多可上載 50 個來源。NotebookLM 免費,適合分析特定文件;文章指出,它與 Notion AI、Perplexity 和 ChatGPT Deep Research 的用途互補。

  2. DEV Community47

    Strata 與其他記憶方案比較:各自的優勢

    Strata 與多種 Agent 記憶方案比較,核心差異在於不只讓 Agent 找回資訊,也管理資訊是否可信,以及錯誤資訊會造成甚麼影響。文章指出,RAG 擅長大規模檢索,Zep 保留資訊的有效時段與歷史,而 Strata 以 Markdown 檔案記錄資訊狀態,並在事實被推翻後保留舊記錄、檢查依賴它的內容。

11月5日週四
  1. 阿里雲開發者社區 AI24

    實測體驗後,我決定推薦一款好用的智能客服系統

    阿里雲瓴羊 Quick Service 在實測中可透過 AI Agent 呼叫後端系統,將客服對話由回答問題推進至完成查物流、催發貨等操作。系統採用 RAG 增強知識庫及情緒—複雜度雙閾值人機協同;商家實測數據顯示,轉化率提升 8.39%,轉人工率下降 45%。雲原生架構支援萬級並發,P99 響應時間可控制在 1.5 秒以內。

  2. DEV Community45

    HotKV 與 Redis 8 vector sets 向量搜尋基準測試:1 至 100 個用戶端

    在 999,000 個向量、最低召回率 95% 的測試中,HotKV 的查詢吞吐量在 1 個用戶端時為 Redis 8.10.2 的 1.4 倍,100 個用戶端時增至 7.9 倍。HotKV 在所有用戶端數量下的中位延遲均較低,Redis 的吞吐量在 32 個用戶端後趨於平穩。測試只涵蓋一部機器上的一個數據集,HotKV 使用尚未發布的開發版本,結果應視為測量數據而非排名。

  3. DEV Community37

    AI 智能體能完成工作,但誰記得背後原因?

    Folio 正探索為 AI 智能體建立持續記憶層,記錄並重用工作流程中的決策、推理與背景脈絡。RAG 可以檢索現有資訊,卻無法找回從未記錄的知識。Folio 現正以研究項目記憶為起點,探索如何保留來源證據、管理存取權限,並由人確認重要決策。

11月4日週三
  1. DEV Community32

    為何生成式 AI 需要數碼公司護照

    生成式 AI 搜尋改變企業被發現和評估的方式,數碼公司護照以可驗證、機器可讀的企業資料,協助 AI 準確識別企業。這項開放標準整合法定登記資料、網域驗證和服務資料,並透過 Markdown、Schema.org JSON-LD 及 MCP 提供資料。digitalpassport.by 已在東歐市場聚合數以千計企業的官方登記紀錄。

  2. DEV Community32

    科技公司為何趕在年底前推出 AI 智能體?

    AI 智能體在生產環境中的部署大多聚焦於客戶支援分流、文件擷取和特定程式碼庫的程式碼審查,並非通用推理引擎。成效更取決於工具設計、失敗處理和可觀測性,而非單純換用最新模型。文章亦指出,RAG 的檢索問題往往源於分塊或中繼資料,而非嵌入模型。

  3. 阿里雲開發者社區 AI50

    Gartner 2027 十大技術趨勢:由 AI 能力建設轉向運行治理

    Gartner 發佈 2027 年十大戰略技術趨勢,聚焦 AI 深入業務後的運行治理,並分為非文本 AI、智能體平台治理和持久敏捷性三組。相較 2026 年版,文章指出治理重點進一步落到業務上下文、智能體身份與工具權限、結果驗證和錯誤恢復,以及應用和供應商依賴的退出安排。文中提醒,各項趨勢的成熟度和投資緊迫性不同,報告中的數字屬於預測,並非已實現的市場結果。

11月3日週二
  1. 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。

11月2日週一
  1. 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。

  2. 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」。

  3. 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。

  4. 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。

  5. 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。

11月1日週日
10月31日週六
10月30日週五
  1. DEV Community37

    WikEM、iatroX:誰在維護醫療資訊的可靠性?非牟利維基與英國臨牀 AI 背後的問題

    WikEM 與英國臨牀 AI 助手 iatroX 展現兩種醫療知識工具模式,核心問題是誰核實內容,以及指引更新後答案多久能跟進。WikEM 網站列有 71,428 個頁面、涵蓋 15 種語言;iatroX 稱其臨牀指引會在發布後 24 至 48 小時內同步。文章以 Tabibu 為例,指出答案應引用可追溯來源,並在無法查證時明確説明。

  2. DEV Community40

    為何向量資料庫難以勝任 AI 智能體記憶

    向量資料庫不適合作為 AI 智能體的持久記憶,因為語義相似度無法判斷事實是否仍有效,也難以掌握狀態變化與事件先後。多輪智能體基準研究顯示,少於 2% 的記憶框架能處理動態遺忘或狀態修剪。搜尋適合檢索靜態資料,記憶則需要追蹤現況、變更時間及導致決策的過往事件。

10月29日週四
  1. 阿里雲開發者社區 AI33

    2026年國內 AI 搜尋優化公司如何選?主流流派與選型維度解析

    國內 GEO 服務商尚無權威排名,企業選型應按自身業務需求評估技術能力,而非追逐榜單。評估重點包括多模型監測、意圖理解、信源治理及效果量化。市場服務商大致分為內容代營運、綜合營銷和技術算法驅動三類,GEO 的投入產出比則取決於行業和客單價。

  2. DEV Community55

    AI 基準分數是協商結果,而非測量結果

    Felipe 0liveira 彙整 2026-10-22 至 2026-10-29 的 LLM 評測與可觀測性資訊,指出單一基準分數和 LLM 評審結果都不宜直接視為可靠信號。文中列出的研究發現,部分 RAG 投毒防禦基準的近乎滿分與測試集構造有關,而路由器未能在品質與成本綜合表現上勝過固定使用一個中價位模型。另有研究顯示,細微提示詞改動即可令 LLM 對研究新穎性的判斷翻轉。

  3. 阿里雲開發者社區 AI26

    AI 技術在英語培訓行業的落地應用

    AI 正在重塑英語培訓全鏈路,應用涵蓋口語陪練、寫作批改、自適應聽讀、學情診斷、備課及機構營運;教學模式轉向「AI 導師+真人教練」協作。落地仍面對學員持續使用、大模型幻覺及商業化挑戰,機構正以微調、RAG 和學科專家校驗把關教學內容。

10月28日週三
  1. DEV Community29

    裝置端 SLM:為何 Edge AI 是流動裝置的未來

    SLM(小型語言模型)通常有 2B 至 8B 參數,可在流動裝置硬件上本地運行,推動 Edge AI 成為流動應用的新方向。工程挑戰包括將模型量化至 INT4、整合 ExecuTorch 和 CoreML,以及建立本地 RAG。模型本地運行可減少延遲,並讓用戶資料毋須離開裝置。

  2. 阿里雲開發者社區 AI31

    2026年AIGEO從流量到可信度的演進趨勢

    2026年,AIGEO的競爭焦點正從提高品牌在AI答案中的曝光,轉向建立可持續核驗、令品牌被穩定採信的可信度體系。文章將演進分為2023—2024年的流量鋪量期、2025年的機制顯性期,以及2026年起的可信度工程期,並提出實體一致性、信源可核驗性和跨模型穩定性三項觀測維度。企業可透過統一品牌事實、監測多模型回答及交叉核驗信源,持續管理品牌資訊。

10月27日週二