跳到正文
10月23日週五
  1. n8n Blog50

    n8n 指南介紹 AI 智能體工作流的幻覺檢測方法

    n8n 的指南介紹如何在 AI 智能體工作流中分層檢測模型幻覺,並根據檢查結果安排後續處理。方法包括核對回答是否受上下文支持、對照權威外部來源,以及利用自我一致性和語義熵識別需要進一步審查的輸出。n8n 工作流可將可疑結果送往額外驗證、重試、錯誤處理流程或人工審核,執行記錄則有助追查模型輸入、檢索內容和後續操作。

10月22日週四
  1. DEV Community55

    AI 安全訓練平台評估指南:先測評分器

    評估 AI 安全訓練平台時,應先測試挑戰評分器會否在未完成攻擊時仍給分,再確認 Medium 與 Hard 是否採用不同防禦,而非只加長系統提示詞。文章以 AI Training Dojo 為例,指每個挑戰均為每位用戶配置獨有 secret token,並建議檢查平台是否提供 RAG 和工具調用實驗室。可遷移的是技巧類型而非提示詞字串,作者建議在自家 staging endpoint 重複測試。

  2. DEV Community60

    Go 微服務如何在工具邊界清理 LLM 驅動的函式呼叫以防範提示詞注入

    文章説明 Go 微服務如何在 LLM 工具分派邊界防範間接提示詞注入,透過明確的工具白名單、參數約束和會話權限檢查控制函式執行。注入指令可能藏於 RAG 檢索片段、資料庫資料或工具回應;文章建議在內容加入模型上下文前先清理或加上分隔標記,並在每個工具邊界重新驗證參數。派送日誌應記錄參數雜湊而非原始值,並監察異常工具呼叫。

  3. HuggingFace Daily Papers(社區熱門論文)51

    LASAGNA 評估 RAG 組合效果,發現單項技術收益難以預測整體表現

    LASAGNA 研究以開源框架評估不同規模的 RAG 流程,發現單項技術的收益未必能預測組合後的檢索品質、答案忠實度或大語料表現。研究測試 8 個基準上的 450 種配置,涵蓋 5K 至 200K 份文件;三種檢索技術預計組合提升 +47%,實際合用僅提升 +17%。研究亦發現,提升檢索品質與答案忠實度可能需要不同組合,且最佳組合會隨語料規模改變。

  4. MIT Technology Review · AI39

    AI 推理隱藏的儲存成本:推理會留下甚麼

    AI 推理會持續留下後端數據,令儲存成本隨推理規模增加,卻常在基建規劃中被忽略。WD 的內部測量顯示,一段 8 秒、以 3.97MB 720p 檔案交付的影片,在後端留下逾 500MB 數據,是輸出檔案大小的 130 倍。企業需按 AI 數據生命週期規劃儲存,兼顧效能、容量及總持有成本。

  5. Dify Blog31

    文本嵌入向量:基本概念與實作原理

    Embedding 將文字語義轉成多維浮點向量,向量間距可反映語義相似度,並支援搜尋、推薦、分類及聚類。OpenAI 的 text-embedding-ada-002 輸出 1536 維向量;文章亦説明以 Embedding 建立本地知識問答系統的流程,包括準備資料、分塊、向量化及儲存。文中列出 GPT-3.5 的 token 上限為 4K,GPT-4 則為 32K。

  6. Dify Blog45

    Dify.AI 整合 Jina AI 的 Embedding 模型

    Dify.AI 將 Jina Embeddings 模型整合至 Dify 平台,讓用戶可在 RAG 應用中使用 jina-embeddings-v2。該模型支援 8,192 tokens 上下文,文章指出,多數開源模型只支援 512 tokens。Jina Embeddings 可在 Dify Cloud 和 Community Edition 使用。

  7. Dify Blog51

    Dify v0.6.11 整合 Firecrawl,將網站資料接入知識庫

    Dify 發佈 v0.6.11,整合 Firecrawl 作為知識庫的網頁資料來源,可擷取網站並將資料處理後嵌入向量資料庫,供 RAG 應用使用。用戶可設定子頁數量、爬取深度及路徑篩選;Firecrawl 雲端版提供 500 free credits(pages),亦有可自行部署並支援無限爬取及抓取的 OSS 版本。

  8. Dify Blog60

    Dify 推出 Plugins 測試版插件系統

    Dify 宣佈以 beta 形式推出 Plugins,讓用戶透過插件為 AI 應用接入模型、工具、Agent 策略及外部服務。插件由五類核心組件構成,採用可獨立開發、部署和維護的套件架構,並支援 Marketplace 分發及本地調試。beta 測試雲端環境不可用於正式環境,所有測試資料會在正式發布前重設。

  9. Dify Blog52

    Dify v1.1.0 推出以自訂中繼資料篩選知識檢索的功能

    Dify 發佈 v1.1.0,加入以自訂中繼資料篩選知識檢索的功能,讓用戶按文件屬性篩選知識庫內容。中繼資料支援字串、數值及時間三種類型,篩選條件可自動從用戶查詢生成,亦可手動設定並以 And 或 OR 組合。此功能可用於提高檢索相關性及管理資料存取權限。

  10. Dify Blog54

    Dify 聊天機械人整合 InfraNodus 的進階問答與創意生成指南

    Dify 教學示範如何把 InfraNodus 接入聊天機械人,從知識圖譜的結構缺口生成問題,並將問題納入問答工作流。問答可選用 InfraNodus GraphRAG,或由 InfraNodus 生成問題、再交由 Dify 原生 RAG 檢索內容並生成回答;文章説明圖譜整理、HTTP Request 節點和工作流測試部署。生成的問題亦可用作對話開場、內容探索或 AI Agent 腦力激盪提示。

  11. Dify Blog37

    Dify 2025 年夏季更新亮點

    Dify 在 v1.7–v1.8 推出夏季更新,加入工具 OAuth 授權、工作流程改進,以及 LLM 節點提示詞優化和 Code 節點自動修復。更新亦支援多組 API keys、工作流程輸入預設值及更準確的 token 用量統計,並提升執行速度與穩定性。Dify 計劃推出視覺化 RAG 數據處理流程,支援文字、圖片和表格等多模態資料。

  12. Dify Blog46

    Dify 整合 TiDB Vector,以分散式向量儲存強化知識流程

    Dify 的 Knowledge Pipeline 正式整合 TiDB Vector,讓處理後的知識可供下游 AI 應用重用,並以分散式向量儲存支援大規模檢索。TiDB Vector 支援 SQL 與向量混合搜尋,可先用 SQL 篩選結構化中繼資料,再進行語義檢索。開發者可透過 Knowledge Node 擷取知識庫內容,為 LLM 提供上下文。

  13. Dify Blog41

    Agentic RAG:以自主推理提升檢索能力

    Dify透過 Agent Node 工作流程實現 Agentic RAG,讓智能體分析用戶意圖、選擇工具和資料來源、改寫搜尋查詢,並評估檢索結果後重試或改用其他策略。這種迭代方式有助提升答案的依據和可靠性,但亦會增加延遲、成本和整體複雜度。

  14. Dify Blog61

    Dify 知識庫自 v1.11.0 起支援多模態檢索

    Dify 知識庫自 v1.11.0 起支援多模態檢索,可在 Workflow 應用中共同理解、檢索和使用文字與圖片。系統將圖片和文字放入統一語義空間,支援 Image-to-Text、Text-to-Image 和 Image-to-Image 檢索,並可從 Markdown 連結提取 JPG、PNG、GIF 圖片,大小上限為 2MB。