跳到正文
10月17日週六
  1. DEV Community45

    ScopeLock: open-weight AI that turns freelance scope creep into paid change orders

    ScopeLock 為自由工作者及小型代理商分析客戶要求是否超出工作範圍,引用工作説明書(SOW)條款並草擬回覆和變更單。示範測試以 TabPFN 估算出 15.3h,並按每小時 $125 計算約 $1,913 的變更單金額。推理核心採用開放權重 Gemma 3,可透過 OpenRouter 使用,亦可在本機改用 Ollama。

  2. DEV Community35

    AWS Context: How Knowledge Graphs Give AI Agents Governed Enterprise Context

    AWS Context 是 AWS 宣佈的服務,旨在將企業資料、業務概念和組織知識連結成知識圖譜,讓 AI 智能體在執行時檢索受治理的情境資訊。它涵蓋關係發現、經審核的業務知識及遵守存取權限的檢索,並描述以 Apache Iceberg 格式在 Amazon S3 Tables 發佈關鍵情境中繼資料。文中的客戶支援流程是示範性設計,並非已部署的服務設定或已執行的整合測試。

  3. DEV Community48

    大規模索引下私隱導向知識檢索的相關性調校

    私隱導向的知識檢索應採用分階段設計,透過明確集合、受限查詢及可追溯來源,提升近似重複辨識的可解釋性並控制索引成本。兩階段查詢先套用租戶、擁有人及文件類型篩選,再評分候選項並保留來源識別碼供引用。每次調校後以代表性文件和失敗案例評估召回率、精確率,並檢查跨擁有人誤配風險。

  4. DEV Community50

    以 Node.js 和 Postgres 實現具可追溯上下文的開發者變更日誌檢索

    開發者變更日誌追蹤器應採用分階段檢索,以分開的集合、有限查詢及可追溯的來源脈絡,取代每次部署重嵌入所有頁面和單次大型查詢。系統按內容雜湊值判斷變更,只將更新片段寫入向量集合,並在 Postgres 保存來源資料及刪除狀態。抓取、重試和向量搜尋均設上限,答案則保留來源資訊。

  5. DEV Community62

    PDF 轉純文字或 Markdown:3 個免費指令實測及其限制

    作者實測 pdftotext、pymupdf4llm 和 ocrmypdf,整理 PDF 轉純文字或 Markdown 的適用情況與限制。測試檔中,pdftotext -layout 保留表格行列;pymupdf4llm 輸出帶標題的 Markdown,但表格被壓成一行,結果會因 PDF 表格繪製方式而異。掃描 PDF 須先用 ocrmypdf 加入文字層,再抽取文字。

  6. DEV Community68

    為何我的貸款審核智能體無法批准高風險貸款,無論模型多有信心

    作者以小型企業貸款審核智能體示範,如何在模型決策之外以程式碼設定風險上限,讓達高風險門檻的申請必須轉交人工審核。風險分數根據貸款額與年收入比例、信用分數及 DSCR 計算,預設上限為 0.75;測試亦顯示,即使申請文字含提示詞注入內容,仍會觸發升級處理。作者指出,上限只檢查輸入數值,實際審核仍須以可信來源驗證資料。

  7. HuggingFace Daily Papers(社區熱門論文)32

    CoRE 如何協同學習規則路由與約束式結構化知識檢索

    CoRE 提出一種無需預設查詢與規則配對監督的結構化知識檢索方法,協同學習為查詢選擇推理規則,以及依規則約束檢索證據。它交替使用強化學習訓練路由策略,並以對比學習訓練檢索器。在 STaRK-QA 的科學發現、生物醫學推理和電子商務知識管理數據集上,實驗顯示 CoRE 有效;分析亦顯示規則使用情況可用於自動改進和發現規則。

  8. DEV Community57

    法律合約審閲檢索解析:2026 年 3 道 Python 引用核驗關卡

    文章以 Python 示範法律合約審閲檢索的三道引用關卡,分別檢查存取權限、來源身份和答案覆蓋。範例在建立模型上下文前,排除租戶或案件權限不符、缺少文件 ID 或來源 URL 的結果,並指出相似度較高不能凌駕授權檢查。文中建議以保留版本資料的持久索引處理需要重複核對的證據,只在新鮮度影響判斷時加入即時檢索,並以召回率、精確率、引用覆蓋率及未授權結果數檢查檢索品質。

  9. DEV Community48

    60 多款今日即可使用的免費及開源 AI 工具

    這份清單整理了 60 多款今日即可使用的免費及開源 AI 工具,涵蓋 10 個類別,並為每項提供連結、約略星數和簡介。工具可在本機執行、自行託管,或透過免費方案使用,類別包括聊天、編碼助理、本機推理、影像、影片、音訊、RAG、向量資料庫及 API。完整清單收錄於 GitHub,並歡迎社羣提交補充。

  10. DEV Community53

    客戶支援檢索架構:知識庫分頁的 4 項規則

    文章提出客戶支援知識庫檢索的分頁設計原則,建議以固定快照配合遊標,並按資料時效和引文要求選用向量搜尋、網頁搜尋或兩者結合。若服務商無法保證快照,回答期間應保存已返回的識別碼;向量檢索則須在資料及查詢階段保留租戶與 ACL 限制。來源不一致時應附上兩邊引文並轉交審核,並按分頁邊界、遊標及引文覆蓋率測試檢索流程。

  11. DEV Community60

    RAG 分塊:5 種策略及可執行 Python 範例

    這篇教程介紹 RAG 的 5 種分塊策略,並為每種策略提供可執行的 Python 範例。策略包括固定大小、遞迴、句子邊界、文件結構及語義分塊,適用於不同類型的文件。文章建議先以留出評估集比較兩三種方案,並稱帶 Markdown 分隔符的遞迴分塊可作為 2026 年約 70% 生產語料的預設方案。

  12. DEV Community32

    AgriBridge:以開源 AI 連接農業與智能

    AgriBridge 是面向印度農民的開源 AI 農業智能平台,結合影像分析、多語言語音識別、RAG 和環境數據提供情境化農業支援。平台支援英語、印地語和孟加拉語,斷網時可將作物掃描排隊儲存在本機,但 AI 分析仍須連接後端。其 DINOv2 分類管線有 387 個輸出類別,準確度仍需進一步實地驗證。

10月16日週五
  1. DEV Community49

    I built an open-source RAG engine with org-level access control, because I couldn't find one

    Production RAG 是一款採用 Apache 2.0 授權、內置組織層級存取控制的開源 RAG 引擎。它在 SQL WHERE 子句中按組織、部門、團隊和用戶範圍限制查詢,並在 Postgres 內結合語義搜尋與全文搜尋。引擎支援透過 Ollama 和本地 ONNX 嵌入向量離線運行,也可接入 OpenAI、Claude 或 Gemini。

  2. DEV Community46

    The Stale Vector Trap: Why Unstructured Data Lineage is Breaking Enterprise RAG

    非結構化數據缺乏沿襲同步,會令企業 RAG 檢索到已過期或已刪除的向量,生成過時政策答案。擁有 4,000 萬個向量、涵蓋 15 個企業數據儲存庫的組織,全面重新嵌入需耗費數萬美元並令流程停機 36 小時。文章建議以雙時態元數據、CDC 加密墓碑標記及查詢時時間篩選,管理文件生命週期並排除過期內容。

  3. DEV Community43

    OpenViking 自我演化上下文資料庫:Agent 記憶、RAG 與技能如何整合於同一儲存層

    OpenViking 將 Agent 記憶、知識 RAG 和技能整合為可按查詢模式演化結構的上下文資料庫,並以同一儲存層管理三類上下文。其 DSH-plugin 架構分為資料、Schema 和 Handler 三層,按查詢延遲、檢索準確度、Agent 反饋及結構變化調整索引;演化決策以版本化遷移記錄,並支援回滾。

  4. DEV Community62

    Brand Context 如何把品牌上下文整理成 Schema,減少 LLM 編造資訊

    Onic Ai 介紹以 Brand Context 將品牌資訊整理成具版本管理的結構化資料,供 LLM 生成內容時參照,以減少虛構功能或使用過期政策等錯誤。文章建議按更新頻率分開資料、明列不可作出的聲稱,並以事實表提供產品資訊。文中亦建議用 4 至 5 項固定任務作回歸測試,並由人員在發布前核對價格、政策及重要聲稱;Brand Context 只能減少偏差,不能完全消除。

  5. DEV Community39

    Testing Python-to-Java Parity in a Graph Retrieval Library

    RagLeap Graph Java v0.2.0 透過行為一致性測試,對照 Python 版 ragleap-graph v0.9.0。測試涵蓋 422 組字串相似度配對、25 項抽取設定案例,並以 27 項刻意注入的錯誤檢驗測試效力;本地測試共 129 項,全部通過。LLM 抽取尚未以真實模型供應商驗證,其他 Neo4j 部署及向量搜尋適配器亦仍需測試。

  6. DEV Community41

    How I Built a 768-Dimensional Vector Search Engine with Node.js, TypeScript, and Supabase

    作者以 Node.js、TypeScript 和 Supabase 建構向量搜尋引擎,透過段落感知分塊、768 維嵌入向量和 PostgreSQL pgvector,擷取與用戶查詢相關的文件段落。系統以 cosine similarity 排序結果,作者設定的語義搜尋效能目標是低於 200ms。文章指出,分塊方式、資料集大小、索引設定及硬件等因素都會影響搜尋品質和延遲。

  7. DEV Community44

    AI 智能體工程:熟悉的混亂,如今還會回話

    作者修讀 AI 工程課程後發現,智能體編排沒有消除熟悉的軟件工程混亂,只是模型如今也會回話。指定模型觸及每日 50 次請求上限後,改用其他模型可能令工具選擇和答案不同。RAG 練習的 11 項檢查中有 8 項通過,評估器本身沒有錯誤;作者指出,相關性不等於權限、資訊是否最新或內容真確。

  8. DEV Community38

    What Senior AI Engineers Actually Think About the Agent Hype (It's Complicated)

    資深 AI 工程師指出,現時不少被稱為智能體的系統只是工具呼叫或聊天介面;真正的智能體應能自主決定下一步、處理失敗並判斷何時完成。實際部署多集中於客服分流、文件擷取和程式碼審查等狹窄任務,成效更取決於工具設計、失敗處理和可觀測性。可靠的 AI 系統設計,比追逐模型更新或框架更重要。

  9. DEV Community36

    成功 AI 產品中反覆出現的 3 種智能體模式

    成功的 AI 產品反覆採用三種智能體模式:先規劃再執行、把檢索與推理分開,以及明確記錄智能體之間的交接。實際部署多聚焦於狹窄任務,成效取決於工具設計、失敗處理和可觀測性,而非單純更換最新模型。若 RAG 結果正確但缺乏語境用途,問題更可能在切分或中繼資料,而非嵌入模型。

  10. DEV Community53

    GraphRAG 與 Agentic RAG:如何選擇合適的檢索架構

    文章建議按系統瓶頸選擇 RAG 架構,先從基本 RAG 起步,再按檢索質素、關係推理或跨系統多步執行的需要升級。GraphRAG 適合依賴實體關係和多跳知識的查詢,Agentic RAG 則適合需要規劃、工具調用及反覆執行的任務。選型可追蹤 recall@k、precision@k、groundedness、任務成功率、p95 延遲及每次查詢成本,以衡量額外索引或編排複雜度是否合理。

  11. DEV Community47

    旅遊行程規劃器的檢索設計:限制存取範圍並附上來源引用

    旅遊行程規劃器應採用分階段檢索架構,為每項答案附上來源脈絡並限制資料存取範圍。檢索契約須設定行程、地區、語言、有效時間及存取範圍等條件,查詢套用強制篩選與候選數上限,缺少範圍時應拒絕搜尋。網頁搜尋用於最新外部資訊,向量查詢用於策劃語料;答案只引用通過網址、來源修訂版本及範圍驗證的結果。

  12. DEV Community57

    Java 搭配 pgvector 實作 AI 語義搜尋與 RAG,無需另設向量資料庫

    文章説明如何用 PostgreSQL 的 pgvector 擴展,配合 Java 和 Spring Boot 建立語義搜尋及 RAG 流程,毋須另設向量資料庫。示例以 JDBC 和 JdbcTemplate 儲存及檢索嵌入向量,並使用 HNSW 索引及查詢中的 tenant_id 篩選。文中亦介紹模型更換時的重新嵌入、召回率評估,以及將檢索內容視為資料而非指令的安全做法。

  13. DEV Community35

    What Is Repository Intelligence? How AI Coding Agents Understand Your Codebase

    Repository Intelligence 結合向量嵌入、AST 解析和知識圖譜,讓 AI 編碼智能體掌握整個程式碼庫的結構、依賴關係及關聯,而不只理解目前開啟的檔案。研究顯示,圖譜索引的 token 用量比逐個檔案探索約少 10 倍;一個研究系統以約三分鐘為 Linux kernel 建立包含約 2.1 million 個節點的圖譜。

  14. Hugging Face Blog60

    Granite Switch 4.1 推出 8B、30B 版本,單一端點整合對話、決策與語音轉文字

    Granite Switch 4.1 發佈 8B 和 30B 模型,讓對話、通用及專項決策與語音轉文字可透過同一個託管端點處理。兩款模型整合 Decision aLoRA、Guardian aLoRA 和 Granite-Speech-5.0-Turbo-CTC,合併後佔用的 GPU VRAM 約與基礎模型單獨運行相若,且可重用基礎模型生成的 KV cache。

    推薦理由:文章呈現以 aLoRA 組合通用及專項決策與語音辨識的方法,並交代共用 KV cache 如何使多項能力維持接近基礎模型的 GPU VRAM 佔用。