跳到正文
11月5日週四
  1. 阿里雲開發者社區 AI46

    RAG 檢索增強生成詳解:從原理、架構到企業知識庫落地全流程(2026 實戰)

    RAG 在大模型生成回答前,先從外部知識庫檢索相關資料並注入提示詞,讓模型依據證據作答,無需重新訓練即可更新知識。這項技術由 Meta AI 與斯坦福大學於 2020 年提出,公開研究顯示可抑制約 30%-50% 幻覺。文章拆解離線索引與線上問答流程,並比較 RAG、微調及提示詞工程,提供企業落地五步與常見問題排查方向。

  2. 阿里雲開發者社區 AI48

    Tavily 搜索引擎詳解:面向大語言模型的專用檢索工具、RAG 技術架構與使用場景

    Tavily 是面向大語言模型的 AI 原生搜索 API,會執行查詢改寫、網頁召回、正文抽取、內容壓縮及可信度評分,並返回可供模型使用的結構化結果。它提供基礎搜索和深度搜索,可接入 LangChain、LlamaIndex 及 Agent;服務以 SaaS 方式提供,不能私有化部署。中文檢索和正文抽取能力較弱,且按檢索次數收費。

  3. 阿里雲開發者社區 AI48

    Qwen3.8-Flash 雙十一優惠規則詳解:按量計費與 Token Plan

    Qwen3.8-Flash 推出雙十一分層優惠,涵蓋按量節省計劃、Token Plan 訂閲、夜間折扣、上下文快取折扣及新用戶免費額度。按量計費與 Token Plan 是互相獨立的通道:前者可享包季最低 4.5 折及快取折扣,後者新客首購 5 折,並於夜間指定時段享 4 折 Credits 抵扣。夜間折扣只適用於 Token Plan,優惠與額度不可跨通道互用。

  4. DEV Community53

    AI 棄購挽回:應自建智能體還是購買外掛?

    文章比較棄購挽回外掛與自建 AI 智能體,指出外掛適合因忘記而離開的顧客,自建智能體則適合因結帳疑問未獲解答而放棄購物車的情況。智能體會讀取購物車及顧客互動脈絡,根據商品、運送和政策資料回答問題,並在涉及金錢、投訴或知識庫以外內容時轉交真人。

  5. 阿里雲開發者社區 AI59

    RAG 知識庫分塊策略:由固定長度切分到結構感知

    企業 RAG 知識庫的分塊應按文件結構選擇策略;文中指出,結構感知切分配合父子塊,通常比單純調整塊大小更有效。文章區分條款、表格、層級和敍事型文件,介紹固定長度、按段落、按標題層級、語義及混合切分五種策略。作者建議以人工標註的五十至一百條真實問題建立固定評測集,分開檢查召回率和答案完整度。

  6. 阿里雲開發者社區 AI49

    AI數據庫「五筆錢」對比「三筆錢」:數據出庫與留庫方案的成本差異

    文章比較AI數據庫庫內計算推理與外掛向量庫的成本結構,指出出庫方案雖可節省算力,仍須計入同步鏈路、副本、權限、審批及雙套運維成本。選型要看數據能否出庫、權限複雜度、更新頻率及團隊能否維護兩套系統。金倉公佈的測試中,1億條768維向量在98%召回率下,峯值內存開銷較業界降低95.4%,查詢延遲降低80%。

  7. DEV Community51

    AI 安全在 2027 年是否值得作為職業方向?技能、機會與學習路徑

    Team Modern Security 的指南指出,具網絡安全、軟件開發或 AI 應用背景的人可考慮於 2027 年投身 AI 安全。英國核心網絡安全職位招聘中要求 AI 技能的比例,由 2024 年的 4% 升至 2025 年的 9%;ISC2 於 2026 年 9 月的研究則顯示,印度 52% 受訪網絡安全專業人士將 AI 列為其組織的首要技能需求之一。

  8. 阿里雲開發者社區 AI54

    阿里雲 OSS 如何成為 AI 數據底座:三種 Bucket 的技術分工

    阿里雲 OSS 以 Object、Table、Vector 三種 Bucket 管理非結構化、結構化及向量數據,三者共用 SDK、權限策略、日誌審計和生命週期管理。Vector Bucket 支援隨向量儲存標量元數據、按元數據篩選及匯出至表格儲存。Table Bucket 原生支援 Apache Iceberg,並由儲存端處理 Compaction、快照管理和孤兒文件清理。

  9. 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。

  10. 阿里雲開發者社區 AI26

    2026年最新數據治理工具推薦:企業數碼轉型選型指南

    阿里雲瓴羊 Dataphin 以「治理即研發」為核心,將標準、質量規則和安全策略嵌入數據研發流程,並以 AI 能力支援數據治理。V6.1 將文檔、音頻、圖片等非結構化數據納入統一治理,提供近50個開箱算子;V6.2 把知識圖譜延伸至查詢、消歧和 OpenAPI 服務。文章亦比較 Dataphin、Informatica、Collibra 和 Atlan 的設計重心,並提出數據治理工具的選型考量。

  11. 阿里雲開發者社區 AI56

    Octop 整合多智能體協作、團隊渠道與自託管知識庫

    Octop 提供開源自託管 AI 助手平台,讓多個專家智能體共用知識庫與記憶,並透過網頁控制台、命令列和 IM 渠道提供統一入口。它支援知識庫 RAG、定時任務及多種 IM 接入,會話、工作區和憑證均保存在自己的實例中。透過阿里雲計算巢部署約 1 分半可用,但不附模型額度,需自行提供模型 Key;Passkey 登入、語音輸入等功能不能在瀏覽器使用。

  12. DEV Community52

    如何以 Node.js 為 50,000 頁內部 Wiki 建立檢索系統並控制成本

    這份架構決策記錄建議以 Node.js 為客戶支援內部 Wiki 助理建立權限過濾的檢索流程,並將 50,000 篇文章規模下的索引成本列為主要設計約束。按每篇平均 12 個 chunks、保留 2 個修訂版本估算,索引約有 1.2 million 個向量記錄(未計副本);保留 5 個版本則為 3 million,文中説明這只是待實測替換的規劃示例。

  13. 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。

  14. 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。

  15. DEV Community65

    企業 AI 助手權限撤銷後的 16 項 RAG 測試

    作者提出一套包含 16 個合成案例的 RAG 測試,檢查企業 AI 助手在權限撤銷後如何處理已載入對話的資料、快取答案及共享回覆。文章建議在內容使用或披露前重新核對請求者與所有接收者的權限;若無法確認舊上下文仍獲授權,便應使其失效,並以目前獲授權的來源重新作答。這些測試未在任何商用助手上執行,亦不是安全基準或供應商評測。

  16. DEV Community24

    LangChain 框架及其核心組件介紹

    LangChain 是一個開源框架,透過連接 LLM、提示詞、資料、工具、API 與記憶,協助構建 AI 應用。框架涵蓋 Model I/O、資料連接、Chains 和 Memory 等組件,可用於構建聊天機械人、RAG 系統及 AI Agents。

  17. DEV Community46

    我厭倦作品集過時,於是做了 Forkfolio:一個會從 GitHub 自動重建的作品集

    Forkfolio 以用戶的 GitHub 帳戶作為資料來源,從公開儲存庫建立作品集,並透過每晚同步及 GitHub webhook 更新內容。平台提供 21 款設計(其中 3 款免費)及只根據公開項目回答訪客問題的 AI 助手;一次付費 $19(推出優惠價,原價 $29)可解鎖全部設計和自訂網域,毋須訂閲。

  18. DEV Community31

    為 AI Agent 實作向量記憶,突破無狀態限制

    文章提出為 AI Agent 設計持久記憶架構,讓系統在不同提示詞工作階段保留上下文,減少用戶重複交代基建限制。架構會先查找相關歷史設計選擇,再把資料加入提示詞,並將新的結構修改寫入持久記憶快取;擴展時可採用高吞吐量快取或本地嵌入式資料庫。

11月4日週三
  1. Lovable Blog60

    Lovable 的構建歷程,以及團隊為何持續重建它

    Lovable 共同創辦人回顧團隊如何多次重構 Lovable,透過收窄問題範圍、限制智能體自主度及加快編輯與修正循環,提升產品可靠性。團隊以 knowledge files 配合 RAG 為模型補充相關指引,並建構可保存運行環境狀態的沙盒;Lovable Stack Overflow 早期版本令用戶卡住的比率降低 5%。

  2. DEV Community19

    理解檢索增強生成在實際應用中的運作方式

    檢索增強生成(RAG)透過檢索知識庫或外部資料,再結合生成模型提供回應,提升大語言模型運用現有知識的能力。以問答系統為例,RAG 可檢索氣候資料並生成相關答案,但外部資料的品質與時效、檢索延遲,以及私隱和法律要求都是實際應用時須留意的問題。

  3. DEV Community35

    為甚麼不能直接用 ChatGPT 瞭解我的項目?RAG 入門

    RAG 將 LLM 連接至外部知識,讓它能根據項目文件等資訊回答問題,彌補通用 LLM 不會自動取得內部項目資料的限制。基本流程分為預先準備知識,以及檢索資訊並生成答案:文件經載入、切分和嵌入後存入向量資料庫,系統再按用戶問題檢索相關內容,連同問題提供給 LLM 作答。

  4. 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。

  5. DEV Community19

    檢索增強生成:提升答案質素的分塊策略

    檢索增強生成(RAG)可透過分塊策略提升生成答案的準確度與相關性。文章介紹文字分段、階層式、按時間及按內容分塊,並以新聞文章分類示範階層式分塊;亦提醒過度分塊、分塊不足及分塊方式不一致可能影響系統效能、答案準確度或查詢表現。

  6. 阿里雲開發者社區 AI28

    大模型加持:推薦瓴羊 Quick Service 智能客服系統,實現精準意圖識別

    瓴羊 Quick Service 透過多模型調度、語義推理及 AI Agent,將智能客服意圖識別由理解用戶需求延伸至執行任務。其單輪對話意圖識別準確率達 93.2%,複雜多輪業務辦理成功率為 87%。AI Agent 可調用訂單管理及物流追蹤等後端系統,複雜業務處理時長可縮短 60%。