跳到正文
11月15日週日
  1. DEV Community35

    Graph Deep Learning 第 5 章:圖生成與推理

    Graph Deep Learning 第 5 章探討圖生成與推理,涵蓋生成、補全圖結構,以及利用圖中的關係進行推理。文中介紹 GraphVAE、生成對抗方法和圖擴散模型,並説明知識圖譜推理如何結合邏輯、路徑與神經方法。知識圖譜亦可透過實體和關係組織檢索證據,支援檢索增強生成。

  2. DEV Community50

    TrakCare 醫院聊天機械人刻意「作弊」整理培訓答案

    作者團隊為 TrakCare 培訓場景建立聊天機械人,整合考核答案與訓練影片,提供英語及阿拉伯語查詢。團隊從 36 份考核的 PDF 整理出 433 組已核實問答,並處理 43 段影片,製成 11 份主題資料。檢索採用 BM25,處理約 1,100 個文本區塊,並以阿拉伯文正規化及臨牀同義詞對照,讓用戶可用阿拉伯語提問、檢索英文內容,再以阿拉伯語回答。

  3. DEV Community52

    醫療預約助理的檢索架構與排序訊號解析

    文章主張醫療預約助理採用分階段檢索,把檢索架構視為安全邊界,並在答案旁保留來源 URL 或文件 ID。排序流程先按集合、租戶、文件狀態和時間限制候選,再進行詞彙或向量檢索,最後依專科與地點匹配、預約日期新鮮度、來源權威性及政策是否過時等訊號重排。

  4. DEV Community61

    1M token 上下文窗口已成新模型預設,還需要檢索嗎?

    作者指出,1M token 上下文窗口並未讓檢索失去必要性,應按資料規模、變動程度和使用情境選擇把資料放入提示詞或按需檢索。作者以約 20k tokens 的資料庫結構為例,發現把穩定結構放入快取前綴成本較低,也可避免檢索漏掉關聯資料表而令模型自行推斷 join。對大型、常變或按用戶區分的資料,檢索仍涉及成本、延遲、準確度和權限考量,作者建議用實際問題比較兩種方案。

  5. DEV Community58

    2026 文件檢索架構:設定新鮮度窗口,避免過時答案

    文件檢索架構應按文件類別設定新鮮度窗口,並分開觀察、分類、索引與提供檢索結果,以限制過時資料進入答案。比較方案時,使用相同頁面快照、標註查詢及索引預算,檢查過期或已刪除資料不會返回、來源可追溯且寫入量符合預算。文中附有 Go 程式碼,用 Infrai 的 discovery API 核對 `/v1/vector/query` 契約;相關整合主張並非基準測試結果。

  6. DEV Community51

    Marketplace 物件儲存的瀏覽器直傳與預簽署 URL 管治設計

    作者提出以留存台帳管治 marketplace SaaS 的瀏覽器直傳訓練素材,並以私有物件儲存、短效預簽署 URL 和完成驗證控制後續處理。上傳前由伺服器建立素材記錄並綁定操作 ID、租戶和政策,工作程序只處理完成驗證的記錄;冪等狀態轉換可避免重複處理。文章建議測試跨租戶請求、重複完成回呼、分段上傳中斷和刪除重試,並指出不得把預簽署 URL 寫入日誌。

  7. DEV Community51

    私隱優先個人知識管理器的快取檢索架構與恢復設計

    文章為私隱優先的個人知識管理器提出分階段檢索架構,以有界快取、明確集合、來源上下文及新鮮度規則管理檢索。建議快取標準化檢索結果而非生成答案,快取鍵納入查詢、集合、篩選條件、嵌入模型版本及新鮮度區間,並保存文件修訂編號和來源 URL。文章亦涵蓋快取失效、重試與故障測試,並比較 Qdrant、Weaviate、Pinecone 和 Infrai 在資料邊界及維運上的取捨。

  8. DEV Community51

    餐廳餐單助手的檢索架構:實現可追溯的刪除語義

    餐廳餐單助手可採用分階段檢索架構,按餐廳、餐單版本及政策文件分開集合,並在更新時從集合移除舊記錄,避免已刪項目仍被引用。文章以餐單項目刪除測試驗證舊 document_id 不再出現在檢索上下文,並建議檢查刪除後的陳舊記錄率、p95 檢索時間及答案包含可解析來源識別碼的比例。

  9. DEV Community47

    旅遊行程規劃器的語義檢索:資料新鮮度、延遲與刪除語義

    旅遊行程規劃器宜採用分階段檢索設計,以明確的集合、有限制的查詢和可追溯的來源脈絡,兼顧資料新鮮度、延遲與刪除語義。文章建議先用託管向量服務,並訂明集合識別、 metadata 篩選和來源引用等檢索規約。若需要嚴格刪除審核或精確控制 p99 延遲,自建索引或直接採用專門服務可能更合適。

  10. DEV Community60

    如何使用 Google ADK 建立企業政策 AI 智能體

    作者示範使用 Google ADK、Gemini、Google Drive 和 Streamlit,建立可回答企業政策文件問題的 AI 智能體。方案以記憶體內的詞彙搜尋式 RAG 檢索文件,毋須向量資料庫,並在回覆中提供原始文件參考;教程涵蓋本地環境設定、Google Drive 認證、文件索引及聊天介面。

  11. DEV Community50

    法律合約審閲的語義檢索:如何選擇可靠的分塊邊界

    文章提出法律合約審閲的語義檢索方案,建議按條款與義務劃分文本,並以分階段查詢保留租戶權限及來源脈絡。實作上,先選定集合,再以受限的 top-k 和元數據篩選查詢,並在模型讀取文本前附上來源識別碼及條款位置。文章亦介紹 Infrai 的 REST 查詢方式,並指出如需特定區域託管或刪除證明,應選擇能直接提供相關保障的專業服務。

  12. DEV Community60

    法律合約審閲工作區快取的 11 項檢索設計實踐

    文章提出法律合約審閲工作區的 11 項檢索快取設計實踐,建議使用包含語料快照、權限範圍、切分策略及檢索設定的版本化鍵,並按文件事件使快取失效,讓最終答案只短期保留。文中建議分開快取解析頁面、文本區塊、嵌入向量、檢索結果和生成答案,並在返回證據前重新驗證授權及引用。

  13. DEV Community66

    選擇生產模型前,如何自行進行對照測試

    文章建議在選擇生產模型前,先挑選輸出目標穩定的高頻單一步驟,對照測試前沿模型與一個小型語言模型候選者。標註集應納入真實生產失敗、邊界措辭和含糊輸入;以同等提示詞投入比較通過率、p50 和 p95 延遲,以及每項成功任務成本。只有候選模型達到前沿模型測得的通過率門檻後,才考慮微調或知識蒸餾,並安排生產測試。

  14. DEV Community42

    旅遊行程檢索如何結合文件版本管理:構建紀錄

    旅遊行程規劃器以版本化向量索引保存持久文件,另設即時檢索路徑處理變動資訊;需要歷史紀錄和最新引文時,便結合兩者。已發佈版本應採只新增、不覆寫的方式管理,並在引文中保留文件版本,避免回答引用過時資料。Infrai 的公開探索端點涵蓋 20 個模組、295 條路由,可用一個金鑰連接向量儲存及其他後端服務。

  15. DEV Community48

    以語義檢索和規範化來源記錄進行房地產物業搜尋

    房地產知識機械人應先以語義檢索擴大候選範圍,再按穩定的來源身份合併重複物業記錄,並套用資料新鮮度及業務篩選條件。來源身份應優先於內容相似度;保留每次觀測記錄,避免較舊資料因較晚抵達而覆蓋最新資訊。示例中的 14 天篩選窗口只是政策例子,應按物業出租週期設定,並監察被排除的記錄。

  16. DEV Community55

    Node.js 多租戶更新日誌檢索:向量導入與租戶隔離實作

    文章提出多租戶更新日誌檢索的隔離設計,主張在向量化前按租戶隔離資料,並在向量查詢中強制套用租戶篩選。範例以 Python 示範資料導入邊界,作者指出同一契約可由 Node.js worker 使用;建議以 350–600 個 tokens 作為初始分塊範圍,再按檢索質素與延遲實測調整。檢索時應從已驗證工作階段取得租戶身份,並測試跨租戶查詢在重新索引後仍不會返回其他租戶的資料。

  17. DEV Community59

    Postgres 檢索防護:如何控制金融研究儀錶板的查詢上限

    文章提出金融研究儀錶板的 Postgres 檢索限制設計,先在觸及索引前驗證查詢範圍,再分別設定候選項目與上下文預算,並回報拒絕或截斷狀態。TypeScript 範例以 422 回應超出範圍的請求,並在回應中提供候選項目、上下文用量及受限狀態;示例數值只是配置示例,並非通用建議。對需要完整覆蓋大型語料的研究,文章建議改用具備進度、分頁及持久化結果的非同步研究工作,並以證據覆蓋率評估限制是否合適。

  18. DEV Community56

    如何用 Truvec 基準測試及優化 RAG 檢索

    Abdesslem Amri 示範使用 Truvec 為 RAG 檢索建立固定問題集、比較模型及策略,並逐項優化設定。示例中兩款模型的 hit rate 同為 90%,MRR 分別為 0.900 和 0.850;較佳者每 1M tokens 收費 $0.020,另一款為 $0.100。優化時應每次只改一項,檢視相對基準修復或破壞的問題,並可在文件變更或切換模型前透過 API 執行測試。

  19. DEV Community49

    客戶支援搜尋的中繼資料篩選——一種經得起考驗的檢索架構

    客戶支援知識庫搜尋應先以租戶、產品範圍、文件可見性及語系等中繼資料落實存取邊界,再只對篩選後的小批候選結果重新排序。分開記錄資料匯入、查詢及答案引用各階段,有助追查內容未被索引、遭篩除或排序流失的原因。Infrai 以單一 REST API 提供集合建立、寫入及查詢,減少原型整合所需的 SDK 和憑證銜接。

11月14日週六
  1. DEV Community58

    餐廳菜單搜尋:以元資料篩選避免 RAG 回答越界

    作者提出,餐廳菜單 RAG 助手應把 metadata 篩選視為具型別的政策,在向量搜尋前套用硬性條件,並在生成前核實篩選後的證據。篩選欄位包括 venue_id、service_date、menu_version、dietary_tags、language 和 availability;檢索結果應附上菜單項目及來源等證據,證據空白或互相矛盾時則拒絕回答。

  2. DEV Community59

    PDF 轉文字流程為何會悄悄返回空白頁:如何識別掃描 PDF,以及何時值得使用 OCR

    PDF 轉文字時,可逐頁檢查提取文字,以識別掃描頁並判斷何時使用 OCR。程式把少於 20 個字符的頁面視為空白,空白頁達總頁數的 90% 時標記為疑似掃描文件;混合文件則只對空白頁執行 OCR。文中亦建議以 300 dpi 渲染、設定文件語言,並保留信心分數供低信心頁麪人工檢查。

  3. DEV Community58

    AI 工程師課程應包括甚麼:實用課程大綱與選課檢查清單

    實用的 AI 工程師課程應涵蓋從問題界定、數據與軟件基礎,到評估、部署、監控及作品集的完整交付流程,而非只教授模型或提示詞。課程深度應按目標職位區分為模型/ML 工程、AI 應用及智能體、業務自動化,並透過包含失敗案例的端到端項目檢驗實作能力。文章以 Barcelona Code School 的兩個訓練營為例,並建議比較課程的實作時數、評核、部署內容、導師支援及學費。

  4. DEV Community49

    醫療預約證據審查的受治理檢索架構

    醫療預約助理應採用分階段檢索,並以可追溯引用作為答案能否展示的門檻。近似重複資料須保留來源、記錄及版本識別碼,直至應用程式政策決定是否合併;查詢亦須設候選上限、期限及重試限制。Infrai 提供純 HTTP 介面,涵蓋 20 個模組的 295 條路由。

  5. DEV Community63

    AI 引文核查:可開啟的連結為何不能證明引文正確

    System Design Simple 指出,AI 引文核查應在來源快照中確認引文是否以連續、完整的 token 序列出現,不能只憑連結可開啟判定引文成立。其本地測試中,60/60 個引用連結都可開啟;相似度門檻設為 0.9 時,10 條改寫引文有 6 條通過,當中包括全部 3 條改動數字的引文。文章建議只用相似度搜尋並展示最接近的段落,以正規化後的精確比對核查引文。

  6. DEV Community63

    建立生產級 RAG Agent:從評估框架開始

    Yuvraj 示範如何為新西蘭税務研究 RAG Agent 建立評估框架,這是三部分系列的第一篇,聚焦評估流程。框架結合黃金數據集、確定性檢查和模型評審;18 條公開問題的 Claude Sonnet 5.5 三輪平均分別為 0.982、0.980、0.978,98% 的評分項目判定在各輪一致。

  7. 新浪科技45

    國內 GEO 服務商技術路線梳理:差異與落地選型參考

    國內五家 GEO 服務商分別採用平台型、AI 原生型、數據智能型、算法工程型及垂直信源型技術路線,在信源、內容結構、模型適配、內容生產和效果監測方面各有取捨。選型時可核驗信源是否可公開訪問、知識單元能否獨立引用,以及監測方法和考核指標。文章並按業務需求列出五家服務商的參考方向。

  8. 阿里雲開發者社區 AI35

    AI測試開發年薪35—45萬,傳統測試開發16—18萬:校招測試崗方向比努力更影響定價

    2026屆一線互聯網公司校招中,AI測試開發年薪為35—45萬,傳統測試開發為16—18萬,測試崗薪酬差異與方向選擇相關。能封裝 Skill、建立評測體系及為 Agent 設計分層兜底,是AI測試開發所需能力。求職者可按 JD 的 AI 要求判斷崗位方向,並準備能説明問題、處理方法和結果的 AI 項目。

  9. DEV Community48

    構建及評估 RAG 系統:以證據為先的實用指南

    指南説明如何構建及評估 RAG 系統,涵蓋資料攝取、分塊、索引、檢索、生成及引用的流程。建議先以 Recall@k、MRR 和 nDCG 評估檢索,再分開檢查答案正確性、證據支持度及引用是否可靠。配套的本地教學實例採用 TF-IDF 檢索,可選擇呼叫本地 Ollama 模型,但沒有身份驗證或存取控制。