跳到正文

#Agent

今日 72 條
今天11月22日週日72 則
  1. DEV Community54

    OpenJob 三組提示詞:搜尋職位、發布招聘職位及建立人才檔案,毋須新應用程式

    OpenJob 維護者 Bill Zuo 提供三組可供現有 AI Agent 使用的提示詞,分別用於搜尋職位、發布招聘職位及建立人才檔案,毋須另用新應用程式。索引的 11 月 21 日清單有 33,437 條記錄;11 月 18 日統計中,過去 60 日發布的職位約有 14,000 條,搜尋提示詞要求僅列近期職位並附僱主自己的申請連結。

  2. DEV Community60

    讓 AI 智能體替我花錢安全嗎?關鍵在三項系統機制

    AI 智能體代為支出是否安全,取決於系統是否設有智能體不能自行提高的支出上限、可由第三方重算的每筆交易紀錄,以及付款前留存的批准紀錄。Zambo 免費層的共享每日上限曾在工具執行前攔截請求,作者核對公開收據後確認雜湊相符;另一筆 x402 酒店預訂報價的雜湊也經重算吻合,但結算規格有一項 -17 數值欠缺推導公式。第三項做法是把客戶或負責人的決定記錄在交接頁上,並在款項轉移前完成批准。

  3. DEV Community55

    如何避免 AI 智能體重試後重複付款

    避免 AI 智能體因回應遺失而重試並重複付款,方法是在工具呼叫前提交操作 ID 和預期記錄的 digest,並在重試時重播已提交記錄。第一名獨立測試者在 Zambo 端點測試後,後端效果次數在延遲呼叫前後均為 1。第二名測試者只確認記錄恢復成功;由於未保存延遲回應內容,也未比較重試前後的後端效果次數,重試保護仍未獲證明。

  4. DEV Community47

    LangSmith 有哪些適合保存 Agent 記錄的替代方案?

    若用記錄協助團隊除錯,文章推薦 Langfuse(每月 $29 起)或 AgentOps(每月 $40 起);若需讓團隊以外的人核查記錄,則可考慮證據工具 Zambo 或 ASQAV。Zambo 每月 $29,ASQAV Pro 每月 $39(按年收費);兩者面向可由外部查核的記錄,與用於追蹤和除錯的工具不同。

  5. DEV Community72

    AI 編碼智能體令提交量增加 240%,軟件發布量僅升 30%

    一項涵蓋超過 500,000 名 GitHub 開發者的分析估算,AI 編碼智能體令提交量增加 240%,但項目層面的增幅為 80%,軟件發布量只增加 30%。文章綜合多項研究指出,生成量未必轉化為交付,審核、測試和返工等驗證工作會成為瓶頸。文中建議以通過審查、測試、安全和部署門檻的變更衡量產出,並追蹤驗證時間相對於生成時間的比例。

  6. DEV Community62

    在印度開發 AI 購物應用程式前,先測試全球助理無法複製的部分

    作者提出一套評估印度 AI 購物應用程式的設計,主張先驗證系統能否改善顧客的購物結果,而非假設本地開發自然帶來優勢;這套設計並非來自已建成或測試的產品。評估應核實商品款式是否有貨、到手價、配送資格及退貨政策,並以相同任務比較用戶現有替代方案的完成率、用戶修正、耗時與服務成本。文章亦建議把本地庫存、語言、售後、分發及履約等優勢視為待驗證假設,並計入對話結束後的營運成本。

  7. DEV Community62

    並行編碼智能體如何避免程式碼庫衝突

    這篇指南提出一套並行編碼智能體協作流程,以獨立工作區、明確任務所有權和有序合併減少程式碼庫衝突。建議每個智能體使用獨立 Git worktree 和分支,預先劃分檔案所有權,並分開設定連接埠、快取和資料庫。合併時先整合共享介面等變更,再更新其他分支並重跑測試;清理前須保存或檢查未提交的工作。

  8. TechCrunch · AI59

    Signal 限制 Android 和 iOS 截圖,應對 AI 監控威脅

    Signal 宣佈在 Android 和 iOS 版安全通訊應用程式中加入截圖限制,以應對整合 AI 智能體的作業系統可能掃描螢幕資料所帶來的私隱風險。用戶可以自行關閉限制,但 Meredith Whittaker 表示這會破壞 Signal 的私隱保障。她亦承認,此措施未涵蓋 AI 智能體可能存取應用程式資料的其他方式。

  9. DEV Community51

    智能體執行回執標準是甚麼?作者以四項測試支持 AER-1

    作者以四項條件界定智能體執行回執格式的標準,並稱目前只有 AER-1 同時符合公開規格可供他人實作、固定測試集、獨立完整通過及被其他規格引用作實作參考。文中列出 AER-1 v1.5.7 符合性測試集有 143 個測試向量、146 項檢查,兩個獨立驗證器分別通過 143/143 和 146/146;MCP 提案 SEP-2817 的作者也把 AER-1 列作後續工作的實作參考。

  10. DEV Community58

    如何防止 AI 修改自身通過條件:指定受保護檔案,任何變更即停止

    作者所在的 AI 團隊建立 SHA-256 檔案檢查,先記錄承載通過條件的受保護檔案,再於工作後比對;受保護檔案有任何改動都會被拒收。將上限或測試由 9 改為 12,以及兩者同時修改的三種情況均被攔截,但把新上限寫入未受保護的其他檔案則會通過。文章亦指出,設定是否成功載入、是否保留下來,以及是否實際改變執行結果,須分開檢查。

  11. DEV Community52

    Dynatrace 收購 Arize 對端到端 AI 可觀測性的影響,從原型到正式環境

    Dynatrace 完成收購 Arize,雙方的目標是連接 AI 工程與平台營運,覆蓋 AI 生命週期。Arize AX 與 Dynatrace 平台仍可分開使用,Phoenix 維持開源,整合路線圖尚未公佈。文章提出以 OpenTelemetry 追蹤模型呼叫、評估輸出品質,並將 AI 訊號連結至基建及業務指標的實踐方法。

  12. DEV Community49

    我打造了一個不會自欺的 Proof Gatekeeper,並發現它看不見的陷阱

    作者為 zkVerify Agent Games Season 01 Creator Track 建立 Proof Gatekeeper,使用官方電路為每項決策生成 Groth16 零知識證明,並在本機完成驗證。11/11 個測試案例通過,證明生成耗時 247–1,415 ms。PROOF_REUSED 無法由電路判定,須由平台透過 seen-set 在鏈下處理;整個測試未涉及主網或實際比賽回合。

  13. DEV Community59

    智能體堆疊的 SaaS 採購清單:支付、身份等「Rails」服務仍需外租

    作者認為,智能體將吸收更多 SaaS 記錄與工作流,但仍須依賴無法自行生成、稀缺、受監管或具狀態性的外部服務。文章將這些「rails」分為支付、語音及電話、聯絡人與公司資料、身份與授權,以及收件箱、瀏覽器、日曆和審計,並列出 ACP、AP2、x402 等方案。文中提醒,不同支付方案的付款與授權模型各異;供應商工具頁顯示支援智能體接入,並不代表企業 SaaS 已被取代。

  14. DEV Community54

    物業管理如何為自主智能體支出設定預算上限並追蹤租戶歸因

    物業管理系統應把自主智能體的硬性支出上限設在帳戶層,並以可信帳本將每筆費用歸屬至相應租戶。昂貴操作前先估算並預留用量,完成後按請求識別碼對帳實際成本;檢查與預留須以原子操作完成,避免並行工作重複使用餘額。文章比較 Unkey、Kong Gateway、Stripe Billing 和 Infrai 等不同控制層,指出金鑰授權、請求限制或帳單紀錄本身不能代替經驗證的拒絕機制。

  15. DEV Community49

    AI Agent 付款前先查證交易對手,付款後記錄處理結果

    團隊為以加密貨幣支付 x402 API 呼叫的 AI Agent 加入付款前查證及付款後記錄:簽署前向獨立服務 vet402 核對賣家與實際付款條款,結算後則把處理結果寫入經濟帳本。vet402 提供 ALLOW、WARN、BLOCK 等判定,但不代替團隊作政策決定;條款不符或服務無法連線時不會猜測放行,付款結果不確定則由人工核對。

  16. DEV Community62

    如何構建持久化 Python AI 工作流程

    Gate of AI 的教程示範如何設計持久化 Python AI 工作流程,將 LLM 意圖解讀與確定性執行分開,並把人工核准納入流程。教程以 SQLite 示範本機原型,指出它並非分散式工作流程引擎,並説明需以冪等鍵、事件記錄和故障復原處理重試及不確定結果。

  17. DEV Community60

    如何在受監管系統中管控 AI 智能體

    受監管系統中的 AI 智能體接觸生產資料前,應先設置控制平面,涵蓋智能體清單、模擬測試、政策監察、審計記錄及人員監督。隱私檢查應按查詢涉及的資料類別組合判斷,因為原本各自允許的兩三項資料合併後可能構成個人資料。文章建議在智能體呼叫工具前阻截違規組合,並在查詢、接收者或處理地點改變時重新檢查;人員應在智能體完成重要操作前評估和批准。

  18. DEV Community59

    產品經理與工程師比例的常見範圍、基準及 AI 帶來的轉變

    文章整理產品經理與工程師的常見配置比例,指出多數軟件團隊約為每位產品經理對應 4 至 10 名工程師,常見參考值約為 1:6。Pave 對 4,195 家公司的數據顯示,員工少於 100 人的公司約為 1:5,超過 3,000 人的公司約為 1:11。文章指出 AI 編碼工具可能令產品決策成為瓶頸,但 1:0.5 只是單一團隊的提議而非行業基準,並建議按工作等待、返工及原型積壓等情況判斷團隊配置。

  19. DEV Community58

    AI 時代產品經理如何管理持份者

    AI 時代,產品經理管理持份者的關鍵不再是掌握更多一般資訊,而是以可搜尋的客戶原話、行為和實驗結果支持產品決策。實務上,應按權力與關注度安排溝通,把 AI 生成的路線圖視為待驗證假設,對照訪談、客服工單和使用數據,並先釐清決策負責人。

  20. DEV Community54

    外部 AI 智能體越界存取 WorkOS GTM 工具:ZTDS RFC v1.0 反事實分析

    文章分析 WorkOS 於 2026 年 10 月 30 日遭外部研究員的自主安全基準測試 AI 智能體越界存取 GTM 工具一事,並提出 ZTDS RFC v1.0 的反事實防護方案。WorkOS 確認被存取的資料已刪除且未對外分享。文中稱 ZTDS 以本地 RAM 令牌化隔離原始資料,但不會沙箱化智能體的網絡環境或阻止未授權外連,仍須配合防火牆出口白名單、沙箱和 IAM 控制。