跳到正文
11月13日週五
  1. DEV Community41

    Kapso 的迭代學習循環:企業智能體無須重新訓練即可建立知識圖譜

    Kapso 透過迭代學習循環,讓企業智能體在企業數據上進行實驗,並逐步更新知識圖譜,毋須重新訓練或預先設計本體。循環分為調查、實驗和學習三個階段;成功的實驗會更新圖譜,失敗的實驗則記錄為負面例子。會話狀態與圖譜分開管理,避免未確認的更新污染共享知識庫。

  2. 阿里雲開發者社區 AI56

    小型 AI 公司的測試開發職位,正變成一人支撐整套評測體系

    中小型 AI 公司的測試開發職位人手有限,卻要涵蓋 Agent、RAG、多模態評測及質素保障等工作。文章以一間 50—100 人公司招聘 2 名測試開發工程師的職位描述為例,指出小團隊需要讓評測規模可管理、判定標準可複用。建議先建立 Bad Case 庫,再自動比較版本,之後定義幻覺率等指標,逐步擴展自動化及工具鏈。

  3. 阿里雲開發者社區 AI44

    阿里雲百煉知識庫(RAG)收費標準:標準版和旗艦版按量付費及預付資源包費用説明

    阿里雲百煉知識庫(RAG)的費用分為規格費和模型調用費,標準版優惠價為14元/月,另有旗艦版。按量付費價格為標準版0.03元/知識庫/小時、旗艦版0.2元/RCU/小時;所有用戶開通後可享一次性720小時標準版免費額度。模型調用費按實際輸入Token量計算,與規格費分開收取。

  4. 阿里雲開發者社區 AI42

    客服機器人選型深度解析:語義理解與多輪對話能力

    客服機器人選型應由靜態排名轉向評估語義理解深度與多輪對話工程能力。文章以阿里雲瓴羊Quick Service為觀察樣本,指出其AI問答準確率可達93%,可自動處理80%以上的常見問題。選型時可用POC檢驗口語理解、槽位繼承與話題切換、語義理解與執行鏈路,以及混合架構的分層路由。

  5. 阿里雲開發者社區 AI44

    深度解析客服機器人如何實現語義理解與多輪對話

    客服機器人的選型重點已從單輪匹配率轉向多輪語義理解與狀態管理;單靠接入大模型,並不足以確保多輪對話連貫。阿里雲瓴羊 Quick Service 採用槽位層、會話層和策略層三層狀態棧,結合 RAG;其 AI 問答準確率可達 93%,並可自動處理 80% 以上的常見問題。

  6. 阿里雲開發者社區 AI35

    家居建材品牌如何為 AI 客服預先整理產品知識

    家居建材品牌的 AI 客服若缺少企業專屬知識,容易答錯型號參數;結構化知識庫可在客戶諮詢前整理產品資料,讓 AI 按型號回答環保等級、地暖適配性等問題。知識庫須建立型號與參數的對應,並把客戶口語映射至技術指標、把賣點連結至可查證參數。

  7. 阿里雲開發者社區 AI37

    企業如何用好智能客服系統提升轉化率?

    企業要透過智能客服提升轉化率,關鍵在於聚焦高頻且可辦理的場景、建設貼合業務的知識庫,以及讓人機協同形成閉環。實測中,「AI+人」協同的轉化效果較純人工客服高逾10%,服飾商家平均詢單轉化率提升可達20%;瓴羊服務的某商家實測提升8.39%。

  8. 阿里雲開發者社區 AI49

    從需求匹配到落地實測:企業如何選擇合適的智能客服系統?

    企業選擇智能客服系統,應先確認執行、知識或可靠性哪類約束最關鍵,再以真實任務和工單驗證系統能否辦妥業務。超過60%的企業級智能客服項目在上線一年內未達預期,常見原因涉及分流目標、知識庫及系統接入。文章以阿里雲瓴羊Quick Service為例,説明如何實測執行閉環、知識覆蓋及轉人工時的上下文傳遞。

  9. 阿里雲開發者社區 AI33

    避開選型陷阱:企業如何選擇合適的智能客服系統

    企業選擇智能客服系統,應先診斷服務模式及問題標準化程度,再以真實業務驗證系統能否完成辦理,而非只看演示效果或回答能力。文章指出,超過60%的企業級項目上線一年內未達預期,常見原因包括分流目標失當(38%)、知識庫缺失或老化(29%)及系統接入摩擦(22%)。阿里雲瓴羊Quick Service可調用後端系統API,在對話內處理改地址、申請退款等操作,並支援SaaS、私有化和混合雲部署。

  10. 阿里雲開發者社區 AI33

    不想從零配置環境?雲上服務目錄的開源軟件分哪幾類

    雲上服務目錄按常見開發與上線場景整理開源軟件類型,涵蓋建站與內容、資料庫與快取、訊息與中間件、AI 應用與模型推理、DevOps 及遊戲伺服器等。選型前需確認資料由誰持有、日常運維由誰負責,以及雲資源和服務費用由誰承擔;部署前亦要核對系統、規格、依賴資源及是否會重置系統盤。

  11. DEV Community37

    LLM 時代 ADR 的演進

    LLM 正推動 ADR 從靜態備忘錄演進為可供人與 AI 使用的架構知識載體,但架構決策權仍由人保留。現時可用的做法包括以 LLM 生成 ADR 初稿、用 RAG 輔助評審及進行語義檢索;Agent 預審、衝突與影響分析,以及由 ADR 驅動程式碼規範校驗,則屬近期方向。長遠而言,ADR 可成為人與 AI Agent 共用的決策記憶系統。

  12. DEV Community53

    語義近重複檢索如何調校相關性,避免索引成本失控

    文章提出一套面向 B2B 網上課程導師的語義近重複檢索調校方法,以集合隔離或共用集合、受限候選查詢、租戶中繼資料及來源追蹤界定檢索契約。租戶隔離優先時可按租戶分集合;若多個租戶共用課程目錄、索引重複成本較高,則可共用集合,但每次查詢都要套用相同的租戶與存取規則。文中提供 TypeScript 範例,並建議以標註配對調校分數門檻,分別追蹤精確率和召回率。

  13. 阿里雲開發者社區 AI31

    GEO 合規結構化內容創作:GEO 優化標準化 SOP 系列教學(08)

    GEO 合規結構化內容創作採用「精準填資、關鍵詞策略、AI 模板創作、合規校驗與入庫」四步 SOP,並以事實獨立、結論前置,方便 AI 抽取資訊。文章指出,內容應以統一的品牌知識庫為依據,並按關鍵詞關聯度選擇一詞一文或多詞一文。麥豆 GEO 工具支援批量生成文章及權威媒體發稿。

  14. DEV Community62

    醫療預約 RAG 助手如何設計檢索架構以隔離租戶

    醫療預約 RAG 助手應在語義檢索前隔離租戶,將租戶範圍視為授權條件,並把跨租戶資料洩漏列為阻擋發佈的評測案例。共用索引成本較低但過濾失誤的影響面較廣;分區或獨立索引則增加維護及遷移負擔,應按隔離要求和評測結果選擇。評測應核對返回來源 ID 是否符合授權範圍,並追蹤允許來源召回率、返回來源精確率、p95 延遲及索引容量;缺少租戶範圍時應拒絕檢索。

  15. DEV Community60

    教育課程頁面夜間重新索引:嵌入成本為何暴增

    教育課程頁面的夜間重新索引可先比對正規化 chunk 文字的雜湊,只對新增或變更的 chunk 呼叫嵌入並 upsert 向量,避免重複處理未變內容。文章提供 Node.js 20 或更新版本的實作範例,並指出正規化、分塊或嵌入模型變更時,應更新 pipeline version 以觸發重建。建議每晚記錄 embeddings_per_run,並配合掃描數、跳過數及執行時間監察異常。

  16. DEV Community50

    健康科技旅程規劃器的檢索架構:Go 快取與索引成本控制

    面向匯集多個來源資料的健康科技旅程規劃器,建議以明確集合、受限查詢、可追溯來源脈絡及契約化快取構成檢索架構。Go 範例以版本化檢索契約生成快取鍵,納入索引世代、策略版本、篩選條件、結果上限及出發日期,並以世代指標切換新舊索引,支援驗證與回滾。文中建議以標註評測集比較檢索品質和總營運成本,並指出 Infrai 的優勢在於 REST 整合可發現性,而非檢索排名保證。

  17. DEV Community64

    你的 AI 功能會否在不知道答案時説「我不知道」?

    作者建議 AI 功能在證據不足時選擇拒答,並在建立評測集後把拒答與答對、答錯分開統計。在 SimpleQA 數據中,gpt-5-thinking-mini 的拒答率、正確率和錯誤率分別為 52%、22% 和 26%;OpenAI o4-mini 則為 1%、24% 和 75%。文章建議 RAG 或客服機械人分開計算這三類結果,並按產品情境衡量答錯與拒答的代價。

  18. DEV Community63

    AI 智能體知識庫更新後,如何驗證沒有造成回歸?

    RingBot AI 作者提出以固定問題集驗證 AI 智能體知識庫更新的方法,透過比較改動前後的答案找出既有問題是否答錯或變得含糊。建議從實際常見問題中選出 20 條,更新前記錄基線答案,更新後按相同次序重問,並把新問題永久加入測試集。此外,一次只改一項,政策更新時移除舊文件,並先確認回復能還原答案及智能體行為。

  19. DEV Community49

    如何用 Go 為工程文件構建版本化檢索架構

    版本化檢索架構以 Go 串接工程文件的索引與查詢,確保答案引用指定版本或明確選定的現行版本,並附上來源及修訂資料。索引新版本時,先完成寫入再更新目錄指標;查詢則限制候選數量、時限及傳給模型的上下文大小。此設計以 Infrai 作為候選後端,並讓檢索合約與後端分離,方便更換服務而毋須重寫應用程式。

  20. DEV Community62

    法律合約審閲工作區的檢索架構:租戶隔離解説

    法律合約審閲工作區的檢索架構應在生成候選結果前執行租戶授權,並將已授權範圍帶入每次索引查詢及快取鍵。文章比較共用、專用及混合式索引,建議按租戶規模分佈、索引開銷與重建成本選擇拓撲。部署前需測試跨租戶、工作區、案件、角色及政策版本的授權邊界,並核查快取隔離、審計記錄和遷移回滾。

  21. DEV Community54

    JARVIS OS Agent 曾準備向錯誤對象發送電郵,作者解釋為何仍繼續開發

    Kaif Ansari 稱 JARVIS OS Agent 曾準備把電郵寄給錯誤對象;經他修正指令後,系統中止原計劃、重新規劃並寄往正確地址。文章提供 Windows 安裝、API 金鑰設定及 MCP 伺服器配置步驟,並説明系統採用雲端 LLM 推理、本地 CPU 嵌入向量,以及外發訊息須經用戶同意的確認機制。

  22. DEV Community60

    Python 支援內容檢索管線:如何強制執行爬取邊界

    作者提出一套面向客戶支援知識庫的 Python 檢索管線設計,將爬取邊界視為資料契約和事故防線,而非單一允許清單。管線只納入獲準來源,並在建立索引前檢查主機、路徑、發布狀態、可見度及版本資訊;所有文件片段均保留引用資料。所有權或內容新鮮度不明的資料則先隔離,並記錄處理決定及原因。

  23. DEV Community51

    注重私隱的個人知識管理工具檢索架構:相關性與更新時效

    作者為注重私隱的個人知識管理工具提出分階段檢索架構,將資料匯入、查詢和答案引用分開處理,並先界定資料處理邊界及索引更新時效,再調校相關性。文章建議依次處理資料範圍、更新時效、分塊邊界和排序,並在模型讀取內容前檢查擁有者、版本及來源可見性。

  24. DEV Community55

    Python 金融科技客服知識庫檢索架構:中繼資料篩選與分塊

    文章提出面向金融科技客服知識庫的 Python 檢索架構:每個文本塊保存存取與生命週期中繼資料,先執行硬性篩選,再進行向量搜尋,並為模糊查詢保留小型詞彙檢索備援。分塊建議優先按標題及編號步驟切分,以 token 上限作後備,並將標題路徑存入中繼資料;必要欄位缺漏時應停止處理文件。文章亦建議分別量度各階段的 p50、p95 延遲、召回率及引文有效性,並以雜湊和版本清單減少未變文本的重複向量計算。

  25. DEV Community59

    課程導師 RAG 用 4 個時效訊號維持可靠分塊

    課程導師 RAG 應按教學單元切分內容,並以來源版本、內容雜湊、發布狀態和索引時間追蹤分塊的時效。文章建議以可獨立教學的最小單元作為分塊邊界,檢索前篩選已發布且處於啟用狀態的版本。更新時先寫入並驗證新索引,再切換啟用指標,讓查詢在切換前仍讀取完整的舊版本。

  26. OpenRouter:Announcements63

    RAG 如何用重排模型改善檢索結果

    OpenRouter 的指南示範在 RAG 向量搜尋後加入重排模型;在 274 題測試中,正確片段排首位的比例由 81% 升至 97%。建議先檢索約 30 個候選片段,重排後把前 3 個交給 LLM;測試使用小型合成數據集,實際成效取決於文件內容。

  27. DEV Community49

    多租戶 SaaS 幫助中心檢索架構:可承受重試的分頁設計

    多租戶 SaaS 幫助中心檢索應採用分階段設計,明確區分資料匯入、查詢、重排序及引文組裝,並以租戶隔離和穩定來源 ID 確保結果可追溯。分頁應使用綁定租戶及篩選條件的遊標,限制頁數與候選項目數;遊標失效時從第一頁重試,避免引文重複或遺漏。記錄各階段的追蹤資料,並分別評估候選召回率和重排序後的引文準確度。

  28. DEV Community47

    保險理賠檢索架構:可替換 RAG 的 Node.js 延遲預算

    保險理賠受理助理應把 RAG 檢索設計成有明確延遲上限、可觀測的分階段流程,並以檢索契約隔離向量供應商,避免更換供應商時重寫理賠邏輯。契約需界定檢索單位、必要 metadata、索引新鮮度、引用內容及逾時處理,並追蹤來源 ID、各階段耗時與結果。Infrai 的公開 discovery endpoint 提供能力資料、結構描述及可執行範例;其目錄列有 20 個模組、295 條路由。

  29. DEV Community52

    Python 如何在內部工程文件檢索中先檢查時效性,再套用權限規則

    文章提出一套用於內部工程文件的 Python 檢索方法,先按來源最新修訂版本篩除過期內容,再核實存取權限,才把文字加入模型上下文。作者建議為每個區塊保留穩定識別碼、修訂版本和存取規則,並在查詢時重新確認來源版本及權限。文中亦提出比較整頁夜間更新與按標題分塊、來源變更後更新的流程,量度提醒準確度、可用上下文延遲、過期引用率及權限拒絕比例。

  30. DEV Community60

    醫療預約檢索中的租戶隔離:5 種做法指南

    文章比較醫療預約助理檢索的五種租戶隔離模式,並示範一套以必需 tenantId、檢索篩選及失敗測試為核心的 TypeScript 實作。實作要求缺少租戶上下文時拒絕檢索,並在快取鍵中加入 tenantId。文章亦建議用兩間政策相衝突的虛構診所建立測試,檢查跨租戶結果、快取鍵及租戶篩選指標。

  31. AWS Machine Learning Blog63

    Natera 如何以 Amazon Bedrock AgentCore 設計實驗室運維智能體系統

    Natera 與 AWS 使用 Amazon Bedrock AgentCore 建置 SWARM,為實驗室運維支援工單自動生成診斷報告。在 90 天生產評估中,平均首次回應時間由 17.4 小時降至約 8 分鐘,約快 130 倍;96.2% 的工單在工程師查看前收到自動診斷報告。

    推薦理由:文章拆解 SWARM 的雙運行時、技能庫、資料管線與持續評估設計,並提供實驗室工單自動診斷的實測數據,呈現一套可參考的運維智能體建置路徑。

  32. DEV Community63

    醫療預約助理如何建立由查詢至回覆的可稽核檢索流程

    醫療預約助理應為每個答案保留由用戶問題、檢索來源版本和段落至逐句引用的可核查路徑,並在路徑不完整時拒答。文章建議分開記錄所有檢索候選與答案實際引用的段落,並以穩定來源 ID、不可變版本 ID 和 trace ID 支援稽核及重播,另引用原始 RAG 論文 https://arxiv.org/abs/2005.11401。