跳到正文
11月20日週五
  1. DEV Community49

    候選人搜尋數據邊界:Node.js 的 4 項檢索故障恢復檢查

    招聘候選人搜尋應以明確的租戶集合、受限查詢及可追溯來源,設計 Node.js 檢索故障恢復流程。流程包括搜尋核准的公開來源、限時抓取指定網址、將整理後的內容寫入租戶集合,以及查詢並只重排政策有效的記錄,同時回傳來源 ID。Infrai 可透過一個 REST API 支援網頁搜尋及向量檢索,但原始媒體的存放地區和合約刪除仍由專業系統負責。

  2. DEV Community47

    非洲 AI 系統的實用信任架構

    文章提出一套面向生產環境 AI 系統的實用信任架構,主張把信任視為整個系統的架構屬性,而非政策文件或安全功能的集合。架構涵蓋資料驗證、模型評估、信心門檻、人工監督、可觀測性、可審計性、安全及持續監控,並透過輸入驗證、輸出檢查和信心評估支援決策路由。

  3. DEV Community61

    pdftotext 沒有輸出,令我的 Agent 認定 PDF 是掃描檔;實際上它一直有文字層

    作者排查政府統計 PDF 時發現,pdftotext 雖然沒有輸出,文件仍有文字層,而 pypdf 成功提取整張表格。表內兩個看似衝突的數字分屬不同財政年度;文章建議用不同工具路徑核對結果,並記錄失敗的是哪個工具,無法處理時則交由具備其他工具的流程接手。

  4. AWS Machine Learning Blog62

    BMW Group 如何治理服務數千名開發者的數百個智能體

    BMW Group 分享如何治理服務數千名開發者的數百個智能體,並將治理要求納入建置、部署及運行流程。其研發團隊有逾 12,500 名開發者,治理規則以 IaC 編碼,並透過 CI/CD 執行安全、驗證及評估檢查。架構以 MCP 工具、技能和流程構成三層組合,中央登記庫負責資產發現、審批、安全檢查及重複能力識別。

    推薦理由:文章把治理落實到架構、CI/CD 與運行階段,具體展示如何透過分層組合及自動化檢查,兼顧團隊自主和企業管控。

  5. DEV Community29

    Physical AI 硬件與軟件協同設計——第 03 章:致動器與 AI 協同設計

    本章説明 Physical AI 的致動器與 AI 必須協同設計,因為致動器的動態特性、限制與不確定性,決定 AI 指令能否安全有效地轉化為實際動作。致動器規格、動作表示方式、控制頻率、機械順應性及能源需求,都會影響 AI 架構與可行動作範圍。分層架構可由高層 AI 規劃任務,再由中低層控制器將目標轉化為可執行的致動器指令。

  6. DEV Community32

    Physical AI 硬件與軟件協同設計——第 02 章:Physical AI 計算平台

    Physical AI 的計算平台需求須按任務、環境、感測配置、模型、延遲目標、功耗及安全要求整體規劃,不能只根據硬件規格選擇。感知、規劃與控制等工作負載各有不同特性,平台需兼顧端到端延遲、記憶體與數據傳輸,並由 CPU、GPU、NPU 及 MCU 分工處理。即時工作通常需要機載邊緣計算,訓練、模擬及大型運算則可按連線和營運要求交由本地或雲端基建處理。

  7. DEV Community29

    Physical AI 硬件與軟件協同設計——第 01 章:協同設計原則

    Physical AI 的硬件與軟件協同設計,須按任務、工作環境及機械形態規劃系統架構,而非把機械平台、軟件和 AI 模型視為互相獨立的部分。AI 模型與硬件應一併選擇,平衡計算能力、記憶體、功耗、延遲及系統要求。分配軟件與硬件功能時,須按時限和安全要求區分高層自主功能與即時控制。

  8. 新浪科技73

    Autane 如何讓港口巨型起重機實現釐米級精準作業?

    香港科技大學(廣州)楊俊團隊等研發的 Autane 港口輪胎式龍門起重機自主作業系統相關研究登上《科學-機器人》封面,系統已在多個港口實現全天候無人作業。目前超過60台RTG在港口運作,累計自主裝卸超過480萬個標準箱並保持零安全事故;6萬餘次作業的平均任務成功率為91.23%,平均效率為25.93箱次/小時。

  9. DEV Community46

    旅遊行程檢索架構:Node.js 文件版本管理

    旅遊行程規劃器應以文件版本管理和來源引用處理穩定資訊,查核即時旅遊資料的新鮮度,並按問題需要結合兩種檢索方式。文章示範以 Node.js 建立向量檢索測試,並建議評估版本正確性、新鮮度及引用是否齊全。Infrai 提供 REST API,並以一個 API key 覆蓋 20 個模組的 295 個路由。

  10. DEV Community63

    多智能體系統的故障往往出在智能體交接環節

    這篇多智能體監控指南指出,系統故障多出現在智能體交接,而非單一智能體內,並建議逐次記錄交接任務、傳遞的上下文與權限,以及接收方理解的任務。文中引用 UC Berkeley 對七個多智能體框架逾 1,600 條執行追蹤的標註研究,歸納出 14 種故障模式,分為三類,不少故障源於系統設計。

  11. DEV Community47

    如何建立穩定運作的 Raspberry Pi Icecast 伺服器

    Raspberry Pi 可用作 Icecast 伺服器;Pi 4 以 128 kbps 單一掛載點可服務數百名聽眾,但實際上限通常取決於家用上行頻寬。架設時應更改預設來源密碼,改用 USB SSD 或將記錄寫入 tmpfs,並設定 systemd 在斷電後重新啟動來源用戶端;超出單台 Pi 的負荷後,可遷移至 VPS。

  12. DEV Community64

    AI 智能體回傳 200 OK,結果仍然出錯:開發者追蹤智能體指南

    文章説明如何用 OpenTelemetry GenAI spans 追蹤 AI 智能體,定位 HTTP 200 OK 下被一般監控掩蓋的錯誤決策。指南建議在每個 span 記錄提示詞、檢索內容、工具參數、版本和決策,並在資料離開程序前遮蔽個人資料。多智能體系統則應跨代理及 MCP 伺服器傳遞同一 trace ID,並保留錯誤、升級及高風險操作的追蹤資料。

  13. DEV Community67

    識別 AI 智能體生產環境中的隱性故障:指標、漂移與幻覺行動

    文章提出一套識別 AI 智能體生產環境隱性故障的監測方法,涵蓋任務成效、品質、執行路徑、工具、檢索、成本及安全指標。它建議標記模型、提示詞及知識庫版本,比較改動前後的行為,並用固定回歸案例捕捉沒有程式碼變更的行為漂移。對幻覺行動,可把智能體聲稱完成的動作與追蹤中的成功工具呼叫比對;文章亦建議把可觀測性、評測和紅隊測試接成持續循環。

  14. SiliconANGLE38

    企業 AI 如何推動雲端基礎設施超越 GPU

    企業將 AI 應用和智能體投入生產,令基礎設施需求超越 GPU,轉向涵蓋運算、網絡、儲存、安全及應用管理的完整雲端平台。Vultr 表示,其平台支援 60 多個 Cloud Native Computing Foundation 項目;智能體執行程式碼、存取數據和使用企業應用,也令 CPU、數據管道及安全沙盒成為基礎設施考量。

  15. DEV Community20

    Physical AI 工程 — 第 13 章:Physical AI 的計算平台

    Physical AI Engineering 第 13 章闡述邊緣 AI 計算如何讓 Physical AI 系統在實體環境中直接感知、推理、學習和行動,並作為實現即時自主運作的主要計算基礎。邊緣運算透過本地處理感測器資料,減少通訊延遲和頻寬需求,並讓系統在網絡連線不穩或不可用時維持運作;能源效率亦是重要考量。

  16. DEV Community47

    單點故障:為何一台設備可令整個系統癱瘓,以及如何修復

    單點故障(SPOF)是任何單一元件失效便會令整個系統或關鍵功能不可用的環節;其他層加入冗餘,仍無法補救請求路徑中單一依賴造成的故障。串聯的負載平衡器、應用層及資料庫示例,可用率約為99.79%;兩個各有99.9%可用率且故障互相獨立的資料庫副本,則可令資料庫層可用率達99.9999%。DNS、設定、部署、區域、憑證、第三方 API 及人員知識也可能構成單點故障。

  17. DEV Community19

    Physical AI Engineering 第 09 章:工業 Physical AI

    Physical AI Engineering 第 09 章探討智能工廠如何結合智能機器、自主機械人、感測系統與人工智能,建立能感知、優化及自主決策的製造系統。內容説明 Physical AI 如何整合機械人、AI、Digital Twins、Industrial Internet of Things、邊緣運算及雲端智能,推動製造從傳統自動化轉向適應性實體智能。

  18. DEV Community61

    AI 智能體營運產品 28 天犯下的 5 個錯誤,以及修正問題的護欄

    一個負責小型產品日常工作的 AI 智能體回顧 28 天營運中的 5 個錯誤,並説明以護欄修正問題的做法。快取令健康檢查在資料庫故障期間仍回報正常 40 分鐘,其他問題包括請求改寫後未重新驗證、排程提示詞仍指定舊瀏覽器、佇列篩選錯配及部署競態。文中將有效修正概括為不依賴記憶的自動護欄;佇列數量不足的自動告警仍未建成。

  19. Databricks:Blog48

    受監管行業的四種 AI 架構模式

    Databricks 提出四種架構模式,協助企業在受監管系統中安排 AI 智能體的推理與行動,同時保留必要的控制和人類權限。文章詳述三種模式:確定性控制配合智能體推理、智能體執行配合確定性評判,以及智能體推理由人類掌握決策權。