跳到正文
11月8日週日
  1. DEV Community54

    每日按揭利率匯入可能把歷史觀測洩漏至評估

    作者以按揭利率歷史資料示範如何按觀測身份識別重複項、保留數值修訂,並避免相同觀測跨越訓練與測試分區。流程按系列、月份及 512 個 token 的預算建立檢索文件,並以 2026-10-01 為界,將較早觀測分入 train,其餘分入 test。文章指出,觀測日期切分無法還原來源何時發布修訂值,因此不能單獨確保前瞻性評估。

  2. DEV Community42

    我的坦白:一名 3 年經驗的開發者如何藉助 AI、好奇心與系統思維構建企業級 AWS RAG 平台(特別篇第 6 部分)

    一名具 3 年業界經驗的 IT 工程師分享如何與 AI 協作,構建企業級 AWS RAG 平台 DocLab。ChatGPT、Gemini 和 Claude 參與生成、修訂及除錯相當部分程式碼,但架構取捨由工程師以系統思維主導。平台開發期間,他亦排查了 PowerShell 密碼截斷、SageMaker UTF-8 解碼錯誤及 BM25 搜尋零匹配等問題。

  3. 阿里雲開發者社區 AI45

    阿里雲百煉雙十一活動解析:平台功能、定價與選購指南

    阿里雲百煉大模型服務平台在雙十一推出多項優惠,涵蓋150多款模型低至4.5折、AI用量達量返現,以及 Wan3.0-Video 限時7折。平台提供模型推理、應用開發、知識庫 RAG、Agent、模型微調及專屬部署,並設有按量付費、Token Plan 等方案。新用戶實名認證後可獲超7000萬免費 Token,有效期90天。

  4. DEV Community57

    RAG 教學:逐步診斷 AI 為何忽略來源中的品牌

    FunkyMEDIA 提出一套 RAG 診斷方法,逐步檢查品牌資訊是否在索引、搜尋、上下文建構或最終回答階段被遺漏。方法建議以同一試次 ID 記錄問題、資料版本、片段識別碼、實際上下文及回答。文中的示例為合成資料,品牌未出現在回答中也不一定代表錯誤,仍須按任務要求評估。

  5. DEV Community48

    AI 大腦:SageMaker BGE Cross-Encoder 重排序與低於 100ms 的 Bedrock ConverseStream SSE(第 4 部分)

    DocLab 採用 BAAI/bge-reranker-base 在 SageMaker 上重排序,將 100,000 多份文件篩至 15 個候選,再選出 3 個相關段落,總檢索時間低於 60ms。配置的 ml.m5.large 提供低於 50ms 的推理延遲;文章亦介紹透過 AWS Bedrock ConverseStream 傳送 SSE,首個 token 時間低於 400ms。

  6. DEV Community64

    RAG 向量索引的四層檢查方法與程式碼

    作者以 MCP 規格建立 RAG 向量索引,提出涵蓋文件與分塊、嵌入與索引、檢索及答案評審的四層檢查方法。在 50 道可回答問題中,正確頁面有 49 道進入前 5,但一題所需片段排第 6,模型因此回答「I don't know」。以 536 個向量比較 HNSW 與暴力搜尋時,recall@10 為 0.998;作者提醒,這個規模只展示檢查方法,不代表大型索引結果。

  7. DEV Community38

    企業 RAG 文件解析瓶頸:LlamaParse、多模態 AST 版面引擎與表格重建

    評估以 LlamaParse 為核心的多模態 AST 版面引擎,並探討文件結構失真如何導致企業 RAG 檢索失敗。測試涵蓋 10 個受規管企業領域的 1,500 頁文件,LlamaParse 的表格儲存格 IoU 為 0.964、標題樹 F1 為 0.942,較傳統 OCR 高 52.2 個百分點。另提供開源端到端連接器,將解析結果轉為文件節點並存入 PostgreSQL。

  8. 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。

  9. DEV Community57

    以文本區塊新鮮度契約實現金融研究儀錶板的檢索可觀測性

    文章建議金融研究儀錶板先訂明文本區塊與資料新鮮度契約,再選擇檢索引擎,並把新鮮度及引文沿革設為應用層不變條件。檢索需限定 collection、topK、asOf 時間及 metadata filters;資料匯入、查詢與引文組裝則分開記錄事件,追蹤來源識別碼、修訂版本、時間和排序。

  10. DEV Community62

    作者用 Hindsight 為 Foresight 值班智能體建立事故記憶,修正跨事故引用

    作者以 Hindsight 為 Foresight 值班智能體建立事故記憶,並透過來源分組及相關度門檻減少跨事故錯誤引用。系統把 11 份事後檢討和 3 項環境資料轉成 86 條關聯記憶,召回上限設為 8 條,相關度門檻設為 0.1;遇到 iOS 啟動崩潰等沒有匹配記錄的警報時,會明確回覆找不到匹配歷史。

11月7日週六
  1. DEV Community47

    我為何以 Hindsight 記憶庫取代全域 RAG

    作者為企業 API 支援系統設計並建置 API CaseTracker,以按客戶隔離的 Hindsight 記憶庫取代單一共享向量索引,避免檢索到其他客戶的錯誤解決方案。系統只從該客戶的記憶庫召回資訊,信心分數未達 0.70 時會拒絕推測並標記為需要調查;工程師核實根因和修復方案後,才將結果存回記憶庫。

  2. DEV Community46

    Hindsight 如何改變 SEO 優化工作流程

    SEO-MIND 團隊以 Hindsight 記憶架構改造 SEO 智能體,讓系統參照過往實驗結果,避免重複造成搜尋點擊率下跌的錯誤。一次標題修改後,14 天內自然搜尋點擊減少 12.0%,點擊率由 3.20% 降至 2.75%,相對跌幅為 14.0%。

  3. DEV Community36

    API CaseTracker:以客戶分區持久記憶避免 API 支援重複排查

    API CaseTracker 使用 Hindsight,為每名客戶建立獨立記憶庫,讓事故分析只搜尋該客戶的歷史記錄,避免跨客戶資料混用及重複排查。重複事故的平均解決時間由 4.2 小時降至 120 毫秒召回加 2 分鐘審核,時間減少 99.2%。記憶信心低於 0.70 時,系統會標記 needs_investigation: true,不猜測答案。

  4. DEV Community49

    MSME-360:打造能記住小型企業工作方式的 AI 助手

    MSME-360 為小型企業打造 AI 助手及儀錶板,結合文件檢索與 Hindsight 記憶,分別處理業務紀錄中的事實,以及店主的習慣、決策和指示。收據、帳單及發票會轉成文字和 384 維嵌入向量,存入 MongoDB Atlas,檢索時按 userId 篩選。系統使用 Groq 的 llama-3.3-70b 和 openai/gpt-oss-120b,並會在工具呼叫格式錯誤時捕捉問題並重試。

  5. DEV Community42

    如何在介面中展示 Hindsight 召回過往事故的原因

    OpsRecall 的前端以可核查的來源資訊呈現 Hindsight 召回過往事故的依據,讓工程師查看過往事故的已核實資料、原始事實,以及記憶如何影響分析。介面可並列比較使用與不使用記憶的分析,並清楚標示不相關或未經工程師核實的記憶。確認頁亦會説明哪些資料會被保留,並如實顯示記錄是否已存入 Hindsight。

  6. DEV Community23

    Corevia V4 路線圖:從可投入生產的框架邁向多執行環境應用平台

    Corevia 已完成可投入生產的 V3,正規劃 V4,目標是將框架擴展為支援多執行環境的應用平台。V4 路線圖涵蓋 19 個主要工作流,計劃納入 SaaS、AI 整合、背景作業、離線同步、部署彈性、安全及相容性等能力。V4 尚未推出,完整範圍將在實施和驗證後以一次重大公開版本發布。

  7. DEV Community59

    為何粗略文字抽取會破壞多欄 PDF 的 RAG,以及如何修正閲讀次序

    文章指出,多欄 PDF 的粗略文字抽取會打亂閲讀次序,令 RAG 在嵌入前便混合不同主題的文字。文中提出三種處理方式:以垂直分帶和全寬區塊劃分版面、使用版面感知視覺模型辨識閲讀次序,或在文件產生端輸出 Tagged PDF。文章亦建議先抽查欄間銜接、表格標題、公式完整性,以及座標排序與原始輸出的差異,再評估嵌入模型。

  8. Hacker News 熱門(buzzing.cc 中文翻譯)45

    Memorilla:面向大型語言模型(LLM)的潛在語義記憶

    Memorilla 是一套供凍結式 LLM 使用的記憶系統,將整個文件集中的資訊整理成固定數量、依查詢而定的記憶 token。使用 16 個記憶 token 時,它在八項基準測試中的五項勝過 Mem0 和 MemoRAG;在 FactKG 上準確率達 84.33%,高於完整上下文推理的 80.43%,而表示來源文件所需的 token 少 108 倍。

  9. 阿里雲開發者社區 AI38

    AI 智能體項目開發方法與路線

    AI 智能體項目開發涵蓋架構選型、RAG 知識庫與長期記憶、工具及 API 集成,以及人機協作。開發費用由低代碼方案的 0 元–2 萬元,到工業級私有化部署的 50 萬元–200 萬元以上不等,視項目複雜程度和部署方式而定。智能體使用的 Token 往往是普通對話機器人的 3 至 10 倍。

  10. DEV Community49

    保險索償受理檢索架構:延遲預算下的資料新鮮度合約

    這套保險索償受理檢索架構以明確的資料集、受限查詢和可追溯的來源脈絡,在各階段設定延遲上限,並把資料塊的新鮮度視為合約。檢索分為篩選、向量搜尋及重排或人工審核三個階段;若向量搜尋耗盡預算,介面會標示「needs review」。更新或刪除索償紀錄時,須同步更新或刪除向量索引,並量度來源事件至索引操作完成的時間。

  11. AWS Machine Learning Blog53

    Amazon 團隊介紹如何在 Amazon ECS Fargate 上構建無伺服器 MCP 伺服器,連接 AI 智能體與資料湖

    Amazon 團隊在 Amazon ECS Fargate 上構建無伺服器 MCP 伺服器,作為 AI 智能體連接企業資料湖的集中式閘道。新增資料集只需提供描述結構、業務背景及欄位語義的 JSON 元資料檔,索引後即可供已連接的智能體使用,伺服器則在 MCP 層集中執行存取控制。