Decodo 的 /map API 如何列出網站頁面
Decodo 的教學示範如何用 /map API 擷取網站 Sitemap 和頁面連結,再按路徑篩選納入 RAG 的頁面。在 modelcontextprotocol.io 的例子中,361 個 URL 經篩選後剩下 57 個,對應 2026-07-28 規格版本。教學亦示範定期重新執行 /map,比對已儲存清單以找出新增和移除的頁面。
Decodo 的教學示範如何用 /map API 擷取網站 Sitemap 和頁面連結,再按路徑篩選納入 RAG 的頁面。在 modelcontextprotocol.io 的例子中,361 個 URL 經篩選後剩下 57 個,對應 2026-07-28 規格版本。教學亦示範定期重新執行 /map,比對已儲存清單以找出新增和移除的頁面。
Elsevier 於 2026 年 11 月 16 日宣佈,ClinicalKey AI 現可在電子健康紀錄(EHR)工作流程中存取患者病歷,並以循證臨牀內容評估治療方案。回覆會同時附上病歷資料與臨牀證據引文;其循證內容涵蓋約 1,000 種期刊全文,患者情境功能目前僅在美國提供。臨牀醫師仍負責最終評估及治療計劃。
文章提出私有 SaaS 文件接收的路徑選擇原則:一般可在上載後驗證的文件使用瀏覽器向儲存空間作限權簽名寫入;若必須在儲存前檢查或轉換內容,則使用串流伺服器代理。
RAG 會在用戶提問時檢索相關資料片段,將它們連同問題放入提示詞,讓語言模型根據上下文生成答案。文章説明索引與查詢兩階段,涵蓋嵌入向量、分塊、向量搜尋,以及混合搜尋、重排和查詢改寫等改進方法。文中亦整理檢索失誤、過時資料與權限洩漏等風險,並建議分開評估檢索和答案質素,以小型測試集比較改動。
Rajni Walia 的文章整理 5 類一般 API 監控難以捕捉的 AI 智能體失效,指出 200 OK 不代表決策正確或任務已完成。文章建議在應用程式層驗證業務規則、資料時效、授權和交易狀態,並為不確定或例外情況設置人工升級。文章亦提出追蹤任務完成及經核實的問題解決率等結果指標,並測試逾時、資料衝突與重試等情境。
作者團隊檢視 AI 寫作助手的 LLM API 開支,六週內將月費由 $9,580 降至 $1,700,減幅 82%,且沒有更改提示詞或用戶體驗。七項問題包括所有請求均使用 GPT-4、429 錯誤重試過多、上下文過長、串流未取消、重複查詢未快取、缺乏監測,以及綁定單一供應商。修正後,平均回應時間由 2.8s 降至 1.9s,錯誤率由 7.2% 降至 0.8%,用戶滿意度沒有可測量的變化。
WeekendAiProjects 測試 Hearth 家用助理,發現 FFmpeg 解析音訊時可能開啟網絡連線,而 Python 網絡記錄看不到這些編譯程式碼發出的連線。他們改為按 MIME 類型或副檔名指定音訊格式,並以應用程式記錄、作業系統連線檢查及拔除網絡等方式交叉驗證本機運行。文章亦指出,提示詞措辭無法可靠阻止文件中的植入指令,小模型環境下應在程式碼層過濾相關句子。
文章提供一套客服聊天機械人的 30 題回歸測試方案,配有 YAML 測試案例及約 60 行 Python 執行器,可逐題檢查答案。測試涵蓋常見支援意圖、必須準確的事實、拒答或轉交、範圍外問題,以及近期更新的內容;檢查包括必須包含及不得包含的字串。文章建議在提示詞、知識庫或模型變更時及每晚執行,並每週抽查對話,把錯誤答案加入測試。
作者提出一套 Python 方法,檢查 RAG Agent 的引文是否出現在指定來源中,並先做精確比對,再以 RapidFuzz 模糊比對。方法會正規化文本、拒絕過短引文或未知來源,並要求引文與匹配文本中的數字一致;驗證失敗時可重試一次,仍失敗則交由人工審核。這項檢查只能確認引文存在,不能證明主張由引文支持。
文章説明如何整理軟件設計文件,讓 Coding Agent 理解項目架構、遵循技術約束,並維持文件與程式碼一致。做法涵蓋模組設計、API 契約、數據模型和 ADR,並以 AGENTS.md、版本管理及程式碼 Review 串連需求、設計、程式碼和測試;BaseMetas 雲文檔的離職成員文件交接僅為示例,不代表產品現有的實際程式碼或文件目錄。
react-native-ultrastore 推出 v3.1.0,以 MMKV v4 和 Nitro Modules 建構零依賴、同步的 JSI runtime,整合儲存、響應式狀態、裝置端向量搜尋及 LLM 串流快取。套件大小為 36.1 kB,支援約 50k 個向量的本機搜尋,並包括 42 項生命週期測試。
藍凌 aiKM 透過知識治理和多場景應用,將企業靜態文檔庫轉為可供大模型和智能體調用的知識資產。平台以 SIGTT 方法治理多源知識,並提供智能搜索、問答及知識庫聯動智能體等能力。招商局集團以平台管理 250萬+篇語料及 31萬+條問答對。
阿里雲瓴羊 Quick Service 以「模型—平台—應用」三層架構配合「感知—理解—決策—執行」四層閉環,涵蓋多模型調度、RAG、AI Agent、人機協同及智能質檢。系統可透過 API 連接訂單、物流等後端系統,在對話中完成業務操作;AI 問答準確率可達 93%,複雜業務處理時長可縮短約 60%。文章亦列出高並發、安全合規及多種部署模式等企業級建設要求。
文章指出,團隊將 LLM Wiki 用於共享資料時,知識編譯可能抹平不同來源的權限差異,令受限資訊出現在更廣泛可讀的頁面。作者建議每頁的可讀範圍不得廣於來源權限的交集,並記錄來源及 ACL,方便在來源權限變更後重編譯或隔離相關頁面。高敏感或無法按受眾拆分的內容應採用按用戶權限篩選的即時檢索,並以低權限帳戶測試答案、摘要、引用及儲存輸出是否洩漏。
Node.js 個人知識管理系統應以私有向量索引保存長期筆記,只在明確要求最新資訊時加入即時網頁檢索,並把存取規則與引用納入檢索契約。Infrai 的平台提供 20 個模組、295 條路由,可作為混合式架構中的整合選項。向量資料庫只能排列候選結果,服務仍須在生成答案前執行存取判斷;引用失效時應拒絕輸出。
餐廳菜單檢索應採用分階段流程:先搜尋新鮮來源,再查詢有界集合,最後只對少量候選結果重排序。新鮮度政策要能重新索引已更改的菜單內容、移除已刪除的記錄,並在答案中保留來源脈絡;例如菜單頁面可視作在 15 分鐘內維持最新。Infrai 以單一 REST API 提供網頁搜尋和向量操作;若需要深度調校排名或全代管搜尋控制平面,專門服務會是較佳選擇。
秋招補錄期間,求職者應避開已招滿或招聘資訊可疑的測試崗,優先留意年底新增編制、業務線獨立補錄及仍有招聘名額的 AI 測試/測開團隊。AI 測試職位可能以「算法評測」或「質量效能」等名稱招聘,搜尋時應拓展關鍵詞並核實 HC 來源、招聘渠道和麪試流程。簡歷應突出實際處理問題的經驗,並準備可説明的 AI 測試項目。
阿里雲瓴羊 Quick Service 面向客服場景,讓業務人員無需編寫程式碼或依賴技術團隊,便可配置流程、接入渠道及更新知識庫。SaaS 版最快 1 天可上線,知識庫更新生效延遲小於 5 分鐘;AI 問答準確率達 93%,可自動處理 80% 以上常見問題。
企業選擇智能客服系統,評估重點正由答得準轉向能否透過 AI Agent 調用後端系統,在對話內完成業務操作。阿里雲瓴羊 Quick Service 問答準確率達93%,可處理查物流、改地址及申請退款等流程,複雜業務處理時長可縮短60%。企業應按自身客服諮詢結構,評估業務執行、多輪對話、知識供給、全渠道一致性及人機交接。
金融研究儀錶板的檢索架構應設定明確的資料集合、查詢範圍及可追溯的來源脈絡,並分別記錄載入、檢索和引用資訊。遇到 HTTP 429 時,重試應保留相同集合、篩選條件、查詢內容及關聯識別資料,不應擴大搜尋範圍或移除篩選條件。Infrai 在一個金鑰下提供 295 條路由、涵蓋 20 個模組,可用於向量查詢階段,但不會替團隊決定分塊大小、新鮮度政策或評估資料。
作者以 TypeScript 和 Vercel AI SDK 構建一個回答新西蘭税務問題的 RAG 智能體,配備一個模型、三個法例資料庫工具及循環式工具調用。在 54 個答案的測試中,智能體得分由 0.582 升至 0.729,自信但錯誤的回答由 5 次降至 0 次。作者建議每次只改動一項設定並重複評測,以分辨改進與分數波動,亦為每個答案設定輪數、時間和費用上限。
作者以本機 CPU 搭建 RAG 實驗,展示檢索未命中時模型會從不相關上下文拼湊看似合理的答案,並以檢索閾值和拒答提示詞設置兩道防線。實驗使用 bge-small-zh-v1.5 檢索及 Qwen2.5-0.5B-Instruct 本地推理,庫外問題最高相似度為 0.519,設定 0.55 閾值後被攔截;庫內問題得分 0.877,正常作答不受影響。
文章提供排查 Node.js 部署後向量集合「找不到」錯誤的方法,將問題視為集合識別不一致,而非檢索品質問題。做法是以同一純函數解析環境專屬集合名稱,在啟動時確認集合存在,並於檢查失敗時阻止服務就緒及批次匯入。文章亦建議在匯入及搜尋事件記錄相同的集合與 release 資訊,並在發布前核對匯入數量、抽樣讀取及引用資料。
Alejandro Robledo 發佈了 Apify 工具 Substack Scraper - Markdown Posts, Search & Comments,可透過 Substack 公開 JSON API 將文章匯出為供 RAG 使用的 Markdown,無需無頭瀏覽器。
開發者更新日誌追蹤器應以租戶範圍的向量索引檢索產品更新日誌,只在明確需要即時資訊時加入網頁搜尋,並以同一檢索合約區分兩條路徑。查詢須在排序前帶上租戶範圍,網頁結果則標示為即時內容並附上連結及檢索時間。文章亦比較多種向量檢索方案,並建議透過評估集、內容雜湊及可安全重試的索引流程控制品質與成本。
物流報告應按檔案大小選用預簽名 PUT 或預簽名 multipart 上傳,需要表單政策時則採用 POST,並以應用程式記錄管理留存。流程需先驗證客戶並建立包含留存期限及狀態的報告記錄,確認物件有效後才交由 RAG 流程處理;清理工作程序則按規則刪除未完成、遭拒或到期的物件。
文章示範以夜間 Cron 同步已更改的 PDF,先刪除舊向量再寫入替代區塊,並在整批成功後才更新持久化的上次成功時間。若寫入失敗,流程保留原有時間標記,讓下次執行再次處理該文件;穩定來源 ID 則用來關聯同一 PDF 的所有區塊。Go 範例會記錄選取文件數(包括 0),並透過 Infrai 的 discovery endpoint 核對所需向量路徑,但不臆測刪除與 upsert 的請求欄位。
Ocean Coldiron 分享一套在 RAG 系統接觸醫療資料前的評估方法,主張不能以回答流暢作為系統可用的證據。方法包括建立涵蓋應答、拒答及引用要求的版本化問題集,分開評估檢索結果與答案忠實度,並在提示詞、模型等變更後重跑回歸測試。他亦建議記錄檢索內容與工具調用軌跡而不保存敏感資料,並對可能影響現實行動的答案保留人工審核。
旅遊行程規劃器可採用分階段檢索設計,快取正規化檢索輸入及來源文件,而非最終行程,並讓查詢與重排序階段可替換。快取鍵應由標準化查詢、篩選條件、檢索單位版本及新鮮度政策組成,並可按來源 ID 和 collection 版本處理失效。作者把 Infrai 列為需要統一 REST API 及相鄰後端能力時的選項,並指出重視向量專用控制、混合查詢或深度索引調校時,專門服務可能更合適。
五個 Apify Actor 以 7 個烏克蘭語檔案進行測試,只有 ai_admin/document-to-markdown 全部處理正確。它在兩張無表格線的發票掃描件中,均準確還原 30 個儲存格;七個檔案的測試費用為 $0.019,耗時 11 秒。
AI-Primed 分析逾 370,000 個網域,指出網站常因前端 JavaScript 未渲染、WAF 錯誤封鎖 AI 爬蟲,以及缺少 llms.txt 等機器可讀端點,無法供 AI 智能體讀取。文章建議提供伺服器渲染或靜態 HTML、檢查防火牆規則並允許指定機器人,亦可用 AI-Primed 檢查網站並生成 llms.txt。
作者測試其多智能體接案助手 GigBid,發現需求拆解未改善檢索排序;加入最低收費門檻後,投標判斷 F1 由 0.89 升至 0.98。檢索測試中,hybrid BM25 加 cross-encoder rerank 的 MRR 為 0.92,需求拆解按 chunk 或 project 合併則為 0.42 和 0.45。
Miktam Bible 的 AI 查經助手在手機上運行 SmolLM2,並以離線資料庫檢索到的經文作為回答依據。模型以 4-bit 量化並採用 GGUF 格式;每次提問會先搜尋聖經,再取 10 節最相關經文生成回答。助手不使用 API 或伺服器,手機切換至飛行模式後仍可使用;Miktam Bible 正在 Google Play 封閉測試。
文章建議大多數 RAG pipeline 選用 Brave Search API:在 2,182 道問題的單次搜尋基準中,它答對更多多跳題、搜尋較快,且搜尋成本相同或較低。
裝置端 AI 可在沒有網絡時回答,因為模型檔案載入本機後,llama.cpp 等 runtime 會在本機 CPU 或 GPU 執行推理,無須連接遠端伺服器。文章估算小型模型與 8B 模型的權重分別約 0.91 GB、4.85 GB,解碼速度約 86、16 tokens/s;速度數字是假設估算,尚未用真實模型測量。
阿里雲百煉大模型服務平台涵蓋模型推理、應用開發、知識庫 RAG、Agent、模型微調及專屬部署六大模組,並提供多種計費方案。雙 11 優惠包括 150 多款模型低至 4.5 折、新用戶超 7000 萬免費 Token,以及 Wan3.0-Video 限時 7 折。平台另有 Token Plan、節省計劃和專屬部署等方案,供不同用量及團隊規模選擇。
作者整理了九個公開項目,涵蓋 RAG、LangGraph 智能體、LLM 微調及分散式推理,並提供原始碼、實作示例和技術文件。項目涉及 FastAPI、Qdrant、LoRA、DPO、ORPO 和 PyTorch DDP,並探討檢索品質、模型評估及 GPU 效能等工程議題。作品集亦區分分散式訓練與多工作程序推理,提醒實作示例不等同已驗證效能。
文章比較 RAG 與微調在 AI 應用中的作用:RAG 用於在提問時檢索外部證據,微調則透過額外訓練適配任務行為,兩者也可配合使用。文章以虛構的退款政策案例説明,資訊缺失時可先測試檢索,格式等行為問題則先嘗試清晰指示和結構化輸出控制;若仍有可衡量的落差,再以未見過的請求評估微調效果。
作者實測並整理 DeepSeek Harness 的 10 款熱門插件,涵蓋插件市場、視覺增強、本地檔案引用、搜尋、長期記憶、費用監控、知識管理及介面等用途。教程介紹各款插件的功能和適用場景,並建議先安裝 dshmarket 和 modlens,再按需要加入介面及場景插件。文中提醒,一次安裝全部 10 款插件可能引發依賴衝突,亦會拖慢整體運行速度。
文章整理 Agentic 搜尋的五種主要架構模式,指出具型別工具、上下文隔離、硬性預算及可觸發重新規劃的評估器,是控制生產環境風險的關鍵。同一 embedding model 下,Agentic retrieval 的 nDCG at 10 高 8.7 點,但每次查詢耗時 107.4 秒、輸入 764.1K tokens;標準單次檢索則需 0.67 秒。