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。
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。
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。
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。
Tencent 的 WeKnora 將分散文件整合成可查詢的知識系統,提供附引用的 RAG 答案、多步智能體及連結式 Wiki 三種查詢方式。新增文件會併入現有頁面;刪除文件時,引用該文件的頁面會被改寫或移除。
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。
知識圖譜以實體、屬性及關係組織資訊,將分散資料連結成可供搜尋、探索與推理的知識網絡。內容涵蓋 RDF 與屬性圖等資料模型、圖譜建構及品質管理,並説明知識圖譜如何配合 LLM 和 RAG 提供結構化脈絡。
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。
SteadyScrape 示範以其託管 Actor「YouTube Transcript API: Captions with Timestamps」批量取得公開 YouTube 影片現有字幕及時間戳,再用 Python 搜尋短語並產生跳轉連結。
SteadyScrape 作者示範如何批量提取 PDF 文字及 Markdown,供搜尋或 RAG 索引使用,並以其自建的 Apify Actor 展示實際輸出。
Go 可作為 AI 生產基礎設施的骨幹,負責服務編排、LLM 串流整合及分散式處理,支援可靠而可擴展的 AI 系統。建議配合 PostgreSQL 和 pgvector 建立 RAG 流程,並以 Kafka 或 NATS、Redis、OpenTelemetry、Prometheus 和 Grafana 處理分散式工作及監察系統。
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。
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。
DocLab 以 Amazon S3、Amazon SQS 和 Claim-Check 模式,將文件上載與解析解耦,API 在 50 毫秒內以 HTTP 202 ACCEPTED 回應,並把解析工作交由背景工作者處理。
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。
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。
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。
FlakeTrail 將 Hindsight 設於 CI 失敗與建議層之間,先檢索相似調查紀錄,再保存開發者提交的處理結果,讓後續調查可參考過往經驗。系統以 proposed、failed、passed_unmerged、verified 區分調查結果,並由後端驗證只有 CI 通過且已合併的變更可標記為 verified。
DealMind 使用 Vectorize Hindsight 建立銷售流程智能體,讓它在企業交易歷程中保留記憶。系統分開處理快速推理與長期記憶,並透過資料匯入、混合檢索及跨交易反思三個循環運作。
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。
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%。
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。
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。
RecallOps 以 PostgreSQL 保存運維資料,並透過 Hindsight 建立長期情節記憶,讓 AI 事故應對系統能調用過往事故的原因及處置結果。
RecallOps 打造事故應變智能體,透過機構記憶記錄失敗處置,避免建議重複犯錯。以 40 宗歷史事故進行測試,Top-1 診斷準確率由 32.5% 升至 80.0%,平均形成假設時間由 45.0 分鐘降至 21.1 分鐘;已知失敗處置的重複建議則由 23 次降至 0 次。
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。
God's Eye 將競爭情報流程改為採用持續記憶的 Agent,並以 Vectorize Hindsight 追蹤事實、實體關係及時間變化。系統透過 retain、recall 和 reflect 儲存已核實資訊、檢索歷史觀察,並綜合跨時期市場動向。報告涵蓋競爭對手定價、7 日內已核實新聞及策略建議。
作者從試過的 20 多門 Udemy AI 與 LLM 課程中,整理出 2026/2027 年的 10 門推薦課程,涵蓋 AI 工程、RAG、微調及 AI 智能體。課程內容由基礎知識延伸至智能體架構、系統部署和實作項目,適合不同階段的工程師。
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。
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。
TraceMind 結合 Groq 與 Hindsight 的持久記憶,讓開發者在調查新事故時檢索過往已核實的事故證據。平台把 AI 診斷建議與開發者確認的根因和修復方案分開,只有經確認的解決方案才會儲存為日後調查可用的記錄。
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。
作者根據過去數月的使用經驗,整理 10 款瀏覽器智能體 API,涵蓋搜尋、網頁擷取、瀏覽器基建及自主網頁操作。文章比較各工具的功能、定價和適用情境,並指出選擇取決於智能體需要讀取網頁、操作網站,還是由開發者自行編寫瀏覽器邏輯。
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。
Andriy Kuzmenko 示範以 Apify 上的 Document to Markdown for AI,將烏克蘭語掃描 PDF 轉成保留西里爾字母、標題及表格的 Markdown,並可輸出附有相應標題的分塊供向量資料庫使用。
文章提出以 SQLite FTS5 結合 LibSQL 向量搜尋,把 AI 智能體的詞彙記憶、嵌入向量及交易狀態整合至本機資料庫,再非同步複製至雲端。文中稱,方案可把智能體執行延遲降低 80%,並指 FTS5 查詢交易狀態耗時少於 0.4ms。
osFoundry 透過 Memory、Knowledge Base 等功能保存用戶撰寫及 Agent 探索所得的內容,並按設定在後續執行中將相關內容作為上下文交回 AI。Memory 可保存記憶和 Lessons,Indexes 則可搜尋用戶選取的資料夾;用戶亦可管理內容是否供 AI 讀取。
這篇指南比較注重私隱的個人知識管理器之向量與混合檢索,並按資料特性、索引成本和相關性測試集説明選擇方法。記錄同時包含自然語句和精確識別碼時,適合採用混合檢索;資料量較小、穩定且以敍述為主時,可用純向量檢索。
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。
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。
Kohei Matsunobu 製作日文 PDF RAG 示範程式,讓用戶以日文提問並查看答案引用的檔名、頁碼和檢索片段;程式碼已公開於 https://github.com/koheip/rag-doc-qa。