跳到正文
11月3日週二
  1. DEV Community56

    遊戲合規系統如何用區塊偏移量建立精確頁面引用

    遊戲合規查詢系統應為每個嵌入區塊保存 document_version、page、start_offset 和 end_offset,以建立可回溯至原文的精確引用。高亮應在讀取時根據同一不可變版本生成,避免向量記錄和常規日誌重複保存原文;詳細檢索追蹤可採樣並較長期保留彙總數量,但追蹤期滿後便無法還原每次查詢的歷史候選集。

  2. DEV Community47

    RAG 管線安全評估:檢索並非安全邊界,測試中毒語料與無法回答的問題

    一個混合檢索 RAG 管線在三種檢索後端接受中毒語料及無法回答問題測試,植入主張在 80.6% 的攻擊測試中進入答案,無法回答的問題則有 83.3% 被編造答案。良性測試的完成率為 90%,沒有錯誤拒答;SQuAD 格式測試中,20 題有 19–20 題包含標準答案片段,平均 token F1 為 0.20–0.21。

  3. DEV Community59

    RAG 答案即使正確,仍可能洩漏資料

    RAG 助手即使提供正確答案和引用,若未先按用戶權限限制可檢索內容,仍可能讓未獲授權的資料進入模型並造成外洩。文章建議由可信的身份驗證系統取得用戶權限,在建立生成上下文前完成授權檢查,並將權限套用於關鍵字搜尋、向量搜尋及後備查詢。還需處理權限更新、快取答案和缺失或過時的權限資訊,並測試跨用戶或租戶存取、權限撤銷等拒絕情境;檢查範圍應包括檢索內容及引用,而不只是最終回答。

  4. 阿里雲開發者社區 AI42

    企業 GEO 工程化落地:品牌知識資產五階段閉環建設方案

    企業 GEO 工程化方案以品牌知識資產為核心,提出盤點、建庫、內容優化、全域對齊及數據迭代五階段閉環。方案涵蓋知識圖譜、適配 RAG 的結構化內容、跨渠道資訊一致性治理及效果監測。監測提及率、引用率、首推率及信源來源,並跟蹤豆包、DeepSeek、元寶等 AI 搜尋的品牌表現。

  5. 阿里雲開發者社區 AI61

    用 Java 接入大模型(十三):文本切分策略

    「用 Java 接入大模型」系列第十三篇講解 RAG 離線鏈路的文本切分,並比較固定長度、按結構和按語義三種策略的取捨。文章建議優先按文件結構切分,以長度切分兜底,只有處理無結構長篇時才考慮語義切分;區塊大小可從 300~500 token 起步,再用約 20 個真實問題檢查召回效果。中文資料還需處理全角標點、編號標題、表格和程式碼,並為每個區塊保存來源、時間、標題路徑及權限標籤。

  6. 阿里雲開發者社區 AI33

    Luck-Report AI 智能報表助手 + RAG 知識庫 + 報表引擎 V2.0.9 更新

    Luck-Report 由 2.0.8 升級至 2.0.9,更新涵蓋 AI 智能報表助手、RAG 知識庫及報表引擎。新版本加入查詢表單數字最小值和最大值校驗、管理頁狀態篩選,並修復 Excel 匯出、SSE 取消上游 LLM 請求及 PostgreSQL 布爾值映射等問題。更新程式碼後重新編譯部署即可,無需額外 SQL 升級腳本;專案以 Apache-2.0 開源,可免費商用。

  7. DEV Community49

    醫療預約助手的四種設限語義檢索路徑

    醫療預約助手的語義檢索應分階段進行,為查詢設定時限,並確保每項結果都能追溯至來源,避免索引逾時時把預約答案變成猜測。流程先按專科、地點和日期範圍篩選,再查詢當前排程;若沒有可追溯結果,便搜尋較廣泛的政策及 FAQ,最後在證據不足或互相矛盾時要求澄清或轉交職員。

  8. DEV Community61

    AI 應用應選哪種數據架構?數據倉庫、data lake 與 lakehouse 的適用場景

    AI 應用沒有通用的最佳數據架構,數據倉庫、data lake 與 lakehouse 分別適合不同數據類型、使用者和工作負載。監督式機器學習與 BI 常以數據倉庫為起點,深度學習所需的圖像、音訊等非結構化數據通常存於 data lake;lakehouse 則可在 lake 的儲存層上加入 ACID、schema evolution 和 time travel。

  9. DEV Community53

    向量搜尋的限制:媒體清單查詢的 3 個 RAG 訊號

    文章指出,向量搜尋只會找出與查詢相近的段落,不能單獨判定答案正確;RAG 應分開觀察檢索、生成和引用三個訊號。文中提供 TypeScript 程式碼,檢查引用的來源 ID 是否來自已檢索資料;這項檢查不代表引用內容支持答案,也不驗證來源是否最新。文章建議以固定問題集及相同延遲目標,分別評估候選召回、答案支持度、引用有效性和各步延遲。

  10. DEV Community58

    RAGProbe 評測顯示 gpt-oss 20B 的分層防禦令檢索文件攻擊由 7 次降至 0 次,聊天攻擊由 38 次降至 29 次

    作者修正 RAGProbe 評分器後重跑測試,發現 gpt-oss 20B 的分層防禦將成功的檢索文件攻擊由 7 次降至 0 次,聊天攻擊則由 38 次降至 29 次。不過,防禦效果未能在 56 個真正新攻擊上重現,成功攻擊數僅由 15 降至 13(p = 0.77);文件攻擊結果只基於 11 次攻擊。

  11. DEV Community50

    CTO 評估 AI 功能正式上線前的檢查清單

    CTO 在部署 AI 功能前,應評估輸出質素、資料檢索、安全執行、效能、營運成本及故障復原能力,確認系統能在實際業務環境中安全、穩定和有效率地運作。評估流程應涵蓋明確的功能範圍和可量度的驗收準則,並以具代表性的測試數據集檢查回應質素、可靠性及失效情境。

11月2日週一
  1. DEV Community68

    如何在 ASP.NET Core 使用 Ollama、C# 和 .NET 執行本地大語言模型

    指南示範如何在 ASP.NET Core 以 C# 和 .NET 透過 Ollama 執行本地大語言模型,並比較 HttpClient 與 OllamaSharp 的接入方式。內容涵蓋串流、JSON 結構化輸出、embeddings 和 RAG。作者指出,須留意上下文窗口可能截斷提示詞、首次載入模型導致逾時,以及 7B 模型的工具調用未必可靠。

  2. DEV Community61

    公司手冊 RAG:如何更新政策而毋須微調

    公司手冊的可變政策可透過 RAG 更新,毋須每次修改後重新微調模型。建議做法包括使用穩定區塊、版本中繼資料和冪等寫入,並核對索引是否完整接收更新,讓答案可指出所依據的修訂版本。微調適合用於穩定語氣或輸出格式;RAG 仍可能檢索錯誤或過時內容,因此要分開評估檢索,並在段落進入答案上下文前套用存取控制。

  3. DEV Community51

    Pathway 的 Serviette 如何建立生產環境 RAG 伺服器:即時同步,避免重建開銷

    Pathway 的 Serviette 可建立即時增量同步的 RAG 伺服器,文件變更時只重新嵌入受影響的文本區塊,無需重啟整條流程。以 500 次查詢測試穩定的 10 份文件語料,提示詞快取把輸入成本由 $3.20 降至 $0.48,減幅 85%。文章亦指出,跨文件依賴可能令未變更文件保留過時上下文,建議以增量更新配合定期全量重新索引作正確性校驗。

  4. DEV Community61

    如何為 RAG 語料去重而不遺失引用來源

    vexaloom-labs 示範一套 RAG 語料去重設計,將供嵌入的文本與來源觀察分開識別,以免重複內容覆寫引用關係。示例以 Markdown 的 UTF-8 原始字節計算內容鍵,並把每次來源觀察保留在獨立紀錄中。檢索後,引用地址依序優先採用 loadedUrl、redirectedUrl、url,並限制為核准主機上的 HTTPS 地址。

  5. DEV Community54

    ChatGPT 為何會編造內容,以及如何用 RAG 降低錯誤

    ChatGPT 會在缺乏可查核資料時,按最可能的後續文字生成答案;文章説明可先用 RAG 檢索相關來源,再要求模型根據來源作答。Mata v. Avianca 案中,兩名律師及其律師事務所因提交六宗虛構判例,被處以 $5,000 罰款。文章示範上載文件、要求只按文件回答並核對引文和頁碼,也指出 RAG 仍可能檢索錯誤內容,或讓模型混入外部推測。

  6. DEV Community41

    Databricks Certified Generative AI Engineer Associate 考試最難的 10 道題

    這組題目列出 Databricks Certified Generative AI Engineer Associate 考試中 10 道具挑戰性的情境題,涵蓋 RAG 應用、MLflow 模型管理、Vector Search 部署及 Unity Catalog 治理。題目附有解題邏輯、架構選擇分析和常見考試陷阱,涉及分塊與檢索、索引同步、微調與 RAG 的選擇,以及模型評估和監控。

  7. 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。

  8. 阿里雲開發者社區 AI44

    LikeShop 多商戶標準版智能商品分類與標籤自動打標:大模型結合向量檢索的二次開發實踐

    LikeShop 多商戶標準版以「向量召回+大模型精判」建立兩階段商品分類與自動打標方案,先召回 Top 8 候選類目,再由大模型輸出分類結果、置信度及標籤。方案實測分類準確率達 92%、人工審核率為 28%,標籤數提升 224%。自動生效、商家確認及人工審核按置信度分級處理。

  9. 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」。

  10. 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。

  11. DEV Community50

    AI red teaming 是甚麼?面向安全團隊的實用指南

    這篇實用指南説明 AI red teaming 如何從攻擊者角度測試 AI 系統,找出可能在現實中被利用的安全弱點。測試範圍包括提示詞注入、RAG 資料曝露、Agent 工具權限、身份授權、記憶及多 Agent 攻擊,也涵蓋傳統滲透測試以外的 AI 行為與工作流程風險。實務流程包括界定系統邊界、梳理濫用路徑、在獲批環境安全測試、記錄影響,並驗證緩解措施後重測。

  12. 阿里雲開發者社區 AI27

    電商小店主如何用瓴羊 Quick Service 挽回流失訂單

    瓴羊 Quick Service 以 AI Agent 連接訂單和物流系統,讓電商客服不只回答問題,還能辦理查件、改址、退款等流程,協助小店主挽回流失訂單。平台支援全渠道接入、RAG 知識庫和人機協同,AI 問答準確率可達 93%,80% 以上常見問題可自動處理。SaaS 版約 1 天即可上線。

  13. DEV Community53

    AI 搜尋答案如何生成,以及為何有時會捏造事實

    AI 搜尋會先檢索網頁,再由大語言模型根據取得的段落生成答案;這種方式稱為檢索增強生成(RAG),若資料不足、互相矛盾或缺少關鍵事實,模型便可能生成貌似可信的錯誤內容。日期、數字、名稱和引文較容易出錯,因為這些資訊缺乏冗餘,模型猜錯後難以從上下文推回正確答案,而流暢或自信的語氣並不代表準確。文章建議改善檢索、以來源支持主張並作核查;用戶尤其應查核數字,以及日期、法律、醫療和財務等需要精確的資訊。

  14. 阿里雲開發者社區 AI28

    門店以外的增長場景:零售企業把客服打造成會員資產

    阿里雲旗下瓴羊Quick Service以AI Agent串接零售客服與訂單、物流等後端系統,讓查物流、改地址及退款等服務由回答走向閉環辦理。系統支援全渠道接入及知識庫動態更新,AI問答準確率可達93%,80%以上常見問題可自動處理。某頭部美妝零售品牌在「雙11」期間,人工介入率由35%降至8%,平均回應時間由47秒縮至3秒。

  15. 阿里雲開發者社區 AI45

    先診斷後選型:企業智能客服落地的五步決策框架

    企業智能客服選型應先診斷服務模式,再按任務完成率、知識庫、人機協作及系統整合等維度評估,並分階段落地。文章以瓴羊Quick Service為例,説明其支援 SaaS、私有化及混合雲部署,並提出以真實場景驗證業務閉環能力。知識庫建設約佔項目工作量的60%至70%,AI客服平均回本週期約6個月。

  16. 阿里雲開發者社區 AI25

    功能對照手冊:中小企挑選智能客服應留意哪些項目

    瓴羊 Quick Service 以大模型與 AI Agent 為核心,提供智能客服功能,協助中小企由回答問題轉向閉環辦理業務。平台支援全渠道接入、RAG 知識庫及訂單、物流等後端系統操作,AI 問答準確率可達93%,複雜業務處理時長可縮短60%。企業可按規模及數據合規要求選擇 SaaS、混合雲或私有化部署。

  17. 阿里雲開發者社區 AI37

    別被功能清單帶偏:選擇 AI 客服前先做五項自我檢查

    企業選擇 AI 客服不應只看功能清單或規模,還要先評估業務複雜度、服務模式、諮詢標準化程度及 AI 的定位。阿里雲旗下瓴羊推出的 Quick Service 採用多模型架構,並以 AI Agent 串接後端系統,完成查物流、改地址及退款等流程。平台支援 SaaS、混合雲及私有化部署,供不同規模及合規需求的企業選用。

  18. 阿里雲開發者社區 AI38

    阿里雲 2026 年雙十一活動:六大板塊一站配齊,雲伺服器 38 元起、免費領 1728 元補貼

    阿里雲推出 2026 年雙十一普惠上雲活動,涵蓋六大板塊,雲伺服器首單 38 元起,並提供最高 1728 元補貼。活動包括長效普惠雲伺服器、「99 計劃」及多種雲產品組合,亦涵蓋 Token Plan、AI Agent 組合和千問系列應用。所有價格以活動頁公示為準。