跳到正文

#RAG

RSS
今日 0 則
11月21日週六
  1. Dev.to Top Tech42

    RAG 的下一步:讓企業 AI 助理整理和運用知識

    企業把檔案切成一小段一小段,再讓 AI 助理搜尋,常常找得到相關文字,卻不一定能回答需要多種資料的問題。文章認為,問題在於文字片段不等於知識;像「ABC Pro 何時上市、售價多少、何時新增 RAW 影片功能」,其實是幾種彼此相關的資訊。 作者以 LLMWiki 為例,提出先把資料整理成能互相連結、持續更新的知識頁面,讓 AI 助理依問題查產品、政策、訂單狀態和資料來源。穩定的企業知識可讓模型學習,會變動的價格、政策和即時狀態則交給 Wiki、資料庫或 API;RAG 仍可用來找原始檔案作為證據。這樣一來,企業 AI 助理就不只是在檔案裡找相似句子,也能根據整理好的知識回答問題。

11月18日週三
  1. Dev.to Top Tech55

    nothink:新創公司不必急著加上 AI 功能

    新創產品常被客戶、投資人和競爭對手推著加入 AI,但模型不一定能解決產品最先該處理的問題。nothink 建議先確認這項工作是否常做、答案差一點是否仍有幫助、所需資料是否齊全,以及出錯時能不能讓人檢查;也要想想搜尋、範本或簡單規則是否就夠用。若要加入 AI,可以先做根據檔案回答的常見問題工具,附上資料來源,找不到答案時就直接說明,避免憑空編出內容。

  2. Dev.to Top Tech36

    個人知識庫的知識圖譜值得開啟嗎?1,719 次比較仍只有 31 次人工判斷

    把筆記全部連成一張大網,看起來很方便,但每篇筆記都互相連結,可能讓搜尋更耗資源,也不容易隨新資料更新。作者的個人知識庫改用分層做法:大量原始資料放進資料庫,整理過的重點筆記才拿來搜尋和建立連結;知識圖譜則只負責少量人物、概念等關係。 掃描發現,零連結筆記很多,但大多是收件匣、對話紀錄或原始資料,本來就不要求全部互相連結;真正需要整理的問題只出現在任務日誌和兩個專案資料夾。雖然系統跑過 1,719 次比較,人工判斷仍停在 31 次,因此目前沒有足夠新證據證明知識圖譜比原本的搜尋方式好,作者便讓它繼續維持關閉。

11月16日週一
  1. Dev.to Top Tech48

    RAG 的引用、記憶和評測,為什麼不一定可靠?

    使用 RAG 的 AI 助理會先找資料再回答,但找到資料、附上引用,不代表答案真的有用到那些資料;研究發現,有些引用其實來自模型原本記得的內容。評測記憶也有類似問題:答對了可能只是猜中,不一定代表助理真的記得或用對資料。這週整理的研究還指出,記憶常卡在寫入時沒處理好矛盾,檔案解析出錯也會拖累後續搜尋。這些例子提醒我們,不能只看答案對不對或引用長什麼樣,還要確認助理是否真的根據可靠資料作答。

11月14日週六
  1. Dev.to Top Tech37

    為什麼 AI 程式助理在大型企業程式碼專案裡常常出錯?

    AI 程式助理寫全新的小程式時看起來很聰明,碰上用了多年的大型專案,卻常會漏掉藏在程式裡的依賴和舊規則。光是一次塞進更多程式碼也不夠,因為許多重要線索其實留在工作紀錄、聊天訊息和工程師的記憶裡。作者認為,系統應先分析程式怎麼執行、資料怎麼流動,以及各部分彼此依賴的關係,再讓 AI 助理根據這些整理好的資訊推理。否則,它可能寫出看似整齊的小功能,卻害深層的資料庫更新出錯。

11月12日週四
11月11日週三
  1. Dev.to Top Tech43

    LLM 評測為何失真?如何真正評估 LLM

    文章指出,LLM 基準測試未必能反映 AI 系統在實際部署中的表現,並主張評估時應重視系統設計與可靠性,而非只追逐基準分數。 - AI 助理的判準:AI 助理應能依目標決定下一步、處理失敗並判斷何時完成;若只能按指示執行每個步驟,就只是聊天介面。

11月10日週二
11月9日週一
11月7日週六
11月2日週一
10月15日週四
  1. Hacker News (official RSS)47

    今天找工作的成本

    summary_zh: 作為一家初創公司的工程部門主管,作者指出使用大型語言模型(LLM)在面試挑戰中造成候選人高昂成本,並提出改進措施以降低其負擔。 - 成本問題:候選人需支付 AI 工具訂閱或 API 費用,導致面試成本高。

10月7日週三
9月18日週五
7月7日週日
8月16日週三