跳到正文
10月26日週一
  1. DEV Community54

    提示詞注入如何攻擊 AI 應用程式?

    提示詞注入可透過直接輸入,或文件、網頁、電郵等外部內容影響 LLM,可能令 AI 應用偏離原定任務或嘗試未經授權的操作。文章指出,提示詞標記和過濾並非可靠的安全邊界;應由應用程式執行權限控制、採用最小權限、驗證工具參數,並要求用戶確認敏感操作。開發者亦應以對抗性及正常輸入建立測試,並在更改提示詞、模型、檢索流程或工具後重跑測試。

  2. DEV Community41

    AI 的「金魚記憶」與本機修復方案

    大語言模型的上下文窗口即使擴展至數百萬個 token,實際工作記憶仍會受限;「Lost in the Middle」現象令模型較難提取位於上下文中段的資訊。文章分析注意力位置偏差及參數記憶、工作記憶的差異,並提出以 Python、SQLite(FTS5 + sqlite-vec)、RRF 和提示詞結構設計建立離線優先架構,讓模型具備持續、私密的長期記憶。

  3. 阿里雲開發者社區 AI31

    2026年大型企業客服機械人如何選?阿里雲瓴羊 Quick Service 分析

    阿里雲瓴羊 Quick Service 以大模型及 AI Agent 支援大型企業客服,讓系統由回答問題延伸至調用後端系統執行任務。平台採用「模型—平台—應用」三層架構,支援十餘款大模型及 15 類高頻業務操作自動執行。它已服務超過 5 萬家企業,提供 SaaS、私有化及混合雲部署。

  4. 阿里雲開發者社區 AI41

    2026 年 AI 客服選型趨勢:以瓴羊 Quick Service 為例

    2026 年 AI 客服選型重心正由「能否回答」轉向「能否辦成」,瓴羊 Quick Service 展示了任務執行、人機協同與知識庫持續營運等能力。平台支援多款模型及多種部署模式,可處理 15 類高頻業務操作,複雜多輪業務辦理成功率達 87%。文章並提出以真實業務問題進行 PoC 驗證的選型方法。

  5. 阿里雲開發者社區 AI54

    生成式引擎優化 GEO 實踐:從爬蟲抓取到內容引用的三步方法

    GEO(生成式引擎優化)透過改善內容的技術可訪問性、結構和證據,增加內容被生成式引擎理解、信任及引用的可能性。文章將引擎處理內容概括為爬蟲可抓取、內容可解析、證據可信可引用三步,並建議提供明確結論、清晰標題、可核實資料及一致定義。文中亦指出,GEO 成效難以測量,引用結果會因提問方式及平台而異,不能保證被推薦。

  6. DEV Community59

    翻譯器把 Monday.com 誤當成星期一

    作者發現,網誌的瑞典文機器翻譯因缺少業務脈絡,把 Monday.com 譯成 Måndag.com,並改動了安裝指令。文章指出,詞彙表與風格指南、資料版本,以及辨認人工修正的機制,都會影響翻譯結果。作者改用即時英文頁面翻譯,保留程式碼、連結和產品名稱,並在頁面結構不符時拒絕寫入更新。

  7. DEV Community38

    為消除 API 整合中的 AI 幻覺:為 Cognee 建立 Hoppscotch 連接器

    Hoppscotch 的 Cognee 連接器可匯入 API 集合,將端點、標頭、參數及請求內容整理成可搜尋的知識圖譜與向量索引,讓 AI 編碼智能體按需檢索 API 規格,減少憑空生成錯誤整合程式碼。連接器支援穩定識別端點、同步刪除的端點,並避免將實際生產憑證和存取權杖上傳至記憶系統。

  8. 阿里雲開發者社區 AI34

    2026 年阿里雲雙十一大促:阿里雲百煉 AI 應用落地實戰指南——多模型接入、成本測算與 API 對接

    阿里雲百煉整合通義千問及第三方模型,提供統一 API、RAG 知識庫、智能體編排和模型微調能力,支援 OpenAI 兼容接口。平台設有按量付費、節省計劃、Token Plan 和 Coding Plan 等方案,分別適用於後端自動化業務、團隊交互式工具及個人 AI 編程。指南亦涵蓋計費規則、API 接入、安全管控與成本優化。

  9. DEV Community44

    杜拜房地產 AI 回答應使用哪個資料來源?

    杜拜房地產 AI 回答應按所支持的主張選用來源,銷售價格指數、租金基準和個別物業估值不能互相替代。Dubai Land Department 的 Residential Sales Price Index 涉及歷史參考期及商業用途限制;Smart Rental Index 不涵蓋 DIFC,也不能單獨確定個別物業的投資回報。

  10. DEV Community53

    GraphRAG 與 Vector RAG:企業決策框架

    文章指出,Vector RAG 擅長語義相似度搜尋和快速部署,GraphRAG 則適合計數、查找缺失資料、多跳問題、內容取代及權限安全檢索。兩者可以混用,常見做法是以向量搜尋找出入口,再由圖遍歷組裝交給模型的上下文;關鍵在於由哪一層負責組裝最終上下文。選型時可檢視最難的十個真實用戶問題,判斷答案是否大多能在單一文件中找到,再選擇向量搜尋、圖遍歷或混合方案。

  11. DEV Community42

    LoreDocs 如何讓 Agent 自動取得專案上下文

    LoreDocs 透過工作區自動知識庫和 vault prime,讓 Agent 在每次工作階段開始時取得專案上下文,毋須手動提供檔案或重複交代背景。vault_open_workspace 會按目錄重用或建立知識庫;內容儲存在本機 SQLite 檔案,並可透過 FTS5 搜尋相關文件。Pro 版另提供 LanceDB 語義搜尋、BGE-small 嵌入向量及自動發現文件關聯。

  12. DEV Community31

    2026 年 AI 客戶支援自動化

    AI 客戶支援自動化可處理常見查詢、分類及分流工單,並協助客服人員整理對話和查找資料。可靠的系統需要以 RAG 連接知識庫,並具備工作流程編排、監察、存取控制及錯誤處理。遇上複雜或敏感問題時,系統應連同對話摘要和相關紀錄轉交人工客服。

  13. DEV Community47

    RAG 重排序:提升生產系統中的精確率

    RAG 重排序在生產流程中位於快速初步檢索與生成之間,透過 cross-encoder 重排 top-k 候選,提升排名前列的精確率。它只能重排已檢索到的候選,無法補回漏掉的文件,並會增加延遲和推理成本。應比較 Precision@k、MRR、答案質素、延遲及成本,評估是否值得加入。

  14. DEV Community51

    重視私隱的個人知識管理工具:文件版本管理的 9 項檢索實踐(2026)

    文章提出,重視私隱的個人知識管理工具應以不可變文件修訂版作索引,預設只檢索最新且獲準顯示的版本,並保留舊向量供稽核及時間回溯查詢。它建議在候選查詢階段套用授權、可見性和刪除篩選,並以追加式修訂紀錄、冪等索引事件及墓碑記錄管理更新與刪除。文章亦比較自託管向量庫、託管向量服務及關聯式資料庫向量擴充,並建議分開監測新鮮度、正確性和檢索品質。

  15. 阿里雲開發者社區 AI40

    SmartCall v1.0.9 發佈:智能體知識庫上線,讓 AI 客服先查資料再回答

    SmartCall 發佈 v1.0.9,新增智能體知識庫,讓 AI 客服先檢索企業資料,再根據資料組織回答,以統一答覆口徑並降低模型幻覺帶來的業務風險。知識庫支援系統知識庫、MaxKB 和自訂 HTTP 接口三種來源,並可透過規則門控或模型自主決策觸發檢索。各知識庫可獨立設定向量、全文或混合檢索。

  16. DEV Community48

    LazyResearch OS:替用戶閲讀未讀資料的 AI

    LazyResearch OS 使用開放權重 Gemma 分析用戶儲存的資料,整理優先事項、附有引用的研究摘要及有來源依據的行動。系統以 qwen3-embedding、pgvector 和 PostgreSQL 搜尋資料,並驗證引用及披露資料覆蓋限制。公開示範環境沒有身份驗證,示範資料會持續儲存在 PostgreSQL,請勿上載個人或私隱資料。

  17. DEV Community53

    SlowPost 為激動訊息降温,並延至翌日 09:00 解鎖

    作者打造開源工具 SlowPost,將激動草稿改寫為冷靜版本並暫存至翌日 09:00 解鎖,讓用戶再決定是否發送。工具亦提供中立摘要及雙方需求分析,並從 17 張緩和衝突技巧卡中檢索適用內容,支援改寫。作者以 12 條中文草稿評估檢索,Recall@3 由 54.2% 升至 75.0%;DeepSeek-V3.2 在模型比較中延遲最低(12.9s),熱度下降指標為 83%。

  18. gihyo.jp55

    grasys 探索 Human-in-the-loop 做法,調整 AI 驅動開發流程以應對技術變化

    grasys 將 AI 納入開發流程,按任務複雜度選用不同 LLM,並把測試案例審批設為 AI 開始實作前的人為關卡。流程結合 GitHub Issue 和 TDD,由 AI 先生成測試案例,工程師確認後,AI 才按已確認的規格實作。公司亦以 IAM 管理資源存取權限,並透過專用儲存庫分享 AI 操作腳本與系統提示詞模板。

  19. 阿里雲開發者社區 AI61

    AI 到底引用誰的內容?內地大模型 GEO 選源受哪些因素制約

    內地大模型引用哪些內容,取決於頁面能否進入候選集、被系統採納,以及來源是否獲得標註,而非單看搜尋排名。文章分析渠道生態、抓取條件、切分與語義完整度、查詢扇出、證據密度、來源類型及實體一致性等八層因素。文中並提供六類常見失敗模式、基線測試腳本、自檢清單及四周落地節奏。

  20. DEV Community44

    用淺白英文解釋 RAG

    RAG(檢索增強生成)會在回答前從用戶自己的資料中搜尋相關文件,為模型提供上下文,而非只依賴訓練時記住的內容。它適合回答涉及私有或快速變動資料的問題,並可根據來源文本減少模型幻覺及支援引用來源;若任務不涉及私有資料,RAG 可能只會增加延遲和複雜度。

  21. DEV Community60

    我的 RAG 工具拒絕回答筆記中已有答案的問題

    作者自行搭建的 RAG 工具在筆記已有答案時仍拒答,排查發現切塊可能截斷句子或稀釋短段落,而固定相似度門檻也不能可靠判斷問題是否無答案。約 350 字元的切塊只適合作者這批短段落筆記;明確提示模型在檢索內容不含答案時拒答,則可避免它依無關內容猜答。程式碼及各項測量結果見 github.com/Iddrisusalima/ask-my-docs。

  22. DEV Community47

    對話管理與上下文窗口

    文章説明如何管理模型的上下文窗口,建議預先分配 token 預算,例如將 8_000 個 token 的窗口按系統、記憶、RAG 檢索內容、對話歷史及預留空間分配。達到預算時,先清除較舊的工具輸出,再裁剪對話歷史,最後以低成本 LLM 摘要舊對話,並將完整歷史存入長期記憶。

  23. DEV Community46

    Node.js 產品支援的語義搜尋:為混亂目錄維持穩定的聊天 API 契約

    Node.js 產品支援聊天機械人應先呼叫 embeddings 進行語義搜尋,再把租戶範圍內的匹配記錄交給 /v1/chat/completions 生成回答。租戶篩選、檢索儲存及用量記錄應由應用程式管理,模型不應決定用戶可查看哪些資料。Infrai 提供跨 20 個模組、295 個路由的單一金鑰及單一帳單方案。

  24. DEV Community55

    Node.js 廉價 LLM 文字分類 API 解説:租戶、文件、檢索與生成四個邊界

    文章指出,Node.js 廉價 LLM 文字分類 API 處理物流 CSV 時,成本應按可追蹤的檢索作業核算,並劃分租戶、文件、檢索及生成四個邊界。建議按階段記錄 token、位元組數及狀態,以冪等重試避免重複計費,並讓例行遙測不保留原始物流文字;抽樣追蹤不可取代作業帳本。

  25. DEV Community47

    臨牀智能體系統的 Evidence-Aware RAG 評估:為何標註覆蓋率決定檢索評分

    臨牀 AI 團隊指出,RAG 檢索評分不只反映檢索器質素,也受相關證據的標註覆蓋率影響,並提出區分標註覆蓋率與系統質素的評估方案。測試中,18 個查詢的證據跨度由 25 增至 37、chunk 目標由 36 增至 51,檢索結果不變,Recall@3 維持 0.94。團隊建議追蹤標註覆蓋率,並分辨檢索失敗、標註缺口與語料證據不足。

  26. DEV Community63

    上下文工程:提示詞工程演變出的工作範疇

    上下文工程是按每次請求控制模型可見資訊的工作,涵蓋指示、檢索知識、記憶、工具結果及對話狀態;提示詞工程則只處理指示措辭。文章建議為各資訊來源設定預算、先做權限過濾並記錄來源;智能體則應把任務狀態保存在模型以外,每一步重新組合上下文,避免工具結果不斷累積。

  27. DEV Community44

    以 Node.js 建構 8 個生產級網頁爬蟲及 Manifest V3 瀏覽器擴充功能

    作者以 Node.js 建成並發布 8 個雲端爬蟲,以及兩款跨瀏覽器 Manifest V3 擴充功能。爬蟲結合 Crawlee 的 CheerioCrawler、平台 JSON 端點及正則表達式 DOM 解析器,可將記憶體開銷和執行成本降低超過 85%。8 個爬蟲已上架 Apify Store,兩款擴充功能則已在 Mozilla Add-ons Store 發布。

  28. DEV Community43

    開發者應瞭解的 10 個實用 LLM 應用場景

    開發者正把 LLM 用於自動化重複工作、構建智能應用、分析非結構化資料,以及建立可與實際系統互動的 AI agents。10 個實用場景包括程式編寫助手、文件 RAG 搜尋、自動化代碼審查與測試、自然語言轉 SQL、文件資料抽取、客戶支援自動化、多步驟工作流程及多語言本地化。要在正式環境可靠運作,須按場景選擇模型,並配合驗證、權限管理、測試及人工審核。

10月25日週日
  1. 阿里雲開發者社區 AI51

    700 億個數字裏,沒有一個寫着「貓」:模型的知識究竟存在哪裏?

    文章指出,大模型的知識並非對應某一個參數,而是分散編碼於多個參數的協同作用中。權重的實際貢獻取決於輸入,權重大小不能直接代表重要性,而偏置會影響神經元的激活門檻。研究曾把部分知識定位至 Transformer 前饋層及稀疏神經元,但定位不等於可解釋或可控;文章建議穩定背景知識可編入權重,易變事實則使用 RAG。