跳到正文

#Agent

RSS
今日 36 則
11月17日週二
  1. Dev.to Top Tech62

    Furnish 如何用 Kane CLI 找出 AI 生成平面圖的問題

    AI 生成的房間配置看起來合理,門和傢俱卻可能擋住通道,房間也可能沒有出口。Furnish 是作者為 Kane CLI Hackathon 製作的居家設計工具,可以用文字描述需求,產生可編輯的 2D 平面圖,並切換到 3D 檢視;AI 助理也能透過工具修改設計,系統會檢查幾何條件。作者把需求交給 Kane CLI,讓它用瀏覽器檢查成品,第一次找出房間無法通行、傢俱擋住門等問題。修正設計產生方式後,他用相同測試再次檢查,並在 Furnish 的 Ledger 留下成功和失敗紀錄。作者提醒,這是早期設計工具,平面圖不能直接用於施工,也不代表符合當地建築規範。

  2. Hacker News (official RSS)47

    40 個網站調查:80% 的 Shopify 商店開放 UCP,卻沒有自訂的 /agents.md

    有些網站已能讓 AI 搜尋工具讀取資料,但缺少網站自己的價格、退貨和服務規則,AI 可能只能從其他地方猜答案。這項調查檢查了 40 個網站,發現 10 家 Shopify 商店中有 8 家開放 /api/ucp/mcp,卻沒有一家自訂 /agents.md;其中 6 家使用 Shopify 提供的範本,裡面沒有商店自己的免運門檻和退貨期限。調查也發現,40 個網站都沒有在 /robots.txt 禁止 GPTBot 或 PerplexityBot,但有 2 個網站仍在網路防護系統擋下這些爬蟲。這表示網站看起來允許 AI 讀取,不代表 AI 一定能順利取得資料;網站也需要清楚寫出自己的重要資訊。

  3. Silicon Republic54

    Pretxt 募得 500 萬美元種子資金,推出 AI 助理監督平臺

    AI 助理開始處理交易、客戶對話和工作流程後,可能跳過步驟、捏造例外情況,或做出未經授權的承諾。由安全領域人士共同創辦的 Pretxt 宣佈募得 500 萬美元種子資金,並推出早期體驗計畫。它的監督平臺會在 AI 助理工作時評估行為,發現偏離核准流程就加以引導,也會找出可加強監督的地方。Pretxt 表示,平臺的監督速度快 60 倍;這項說法來自公司,原文沒有提供比較方式。

  4. Dev.to Top Tech65

    作者用三個 AI 助理檢視 GitHub 上的熱門 AI 助理目錄,最後一個也沒安裝

    一份熱門 AI 助理目錄收錄了 273 份角色規則,但直接安裝後,這些助理並不瞭解公司的客戶和規定。作者讓三個 AI 助理分頭檢視 160 多份檔案,挑出適合自家 CRM 的方法,改寫成既有角色技能;排程下次執行時就會套用新規則,不必重新部署。實際採用的做法包括分階段催收款項、要求工作成果附上截圖或紀錄作證,以及先備好答案再請負責人核准。作者認為,AI 助理能幫忙整理選項和準備決策,但仍需要業主把關。

  5. Dev.to Top Tech71

    Codex 如何搭配 FMZ 開發與檢查量化交易策略

    用 AI 改量化交易策略時,程式碼、交易紀錄和圖表常分散在不同地方,改完也不容易確認新版本是否真的開始執行。這篇教學示範如何讓 Codex 在本機讀寫專案、修改程式並執行測試,再透過 FMZ 同步程式碼、讀取執行紀錄,讓策略繼續在 FMZ 上運作。作者用一個約 15 小時沒有交易的案例說明,對照紀錄與策略條件後,發現進場確認後剩下的獲利空間可能低於設定的成本門檻。這套做法能幫忙追查策略為何沒有下單,但測試結果本身不能證明策略能賺錢。

  6. Dev.to Top Tech62

    如何用 AI 助理透過 FMZ MCP 開發與驗證成交量突破策略

    一般 15 分鐘 K 棒不會反映這段時間裡成交量忽多忽少的差別。作者示範一套「成交量時鐘突破」策略:累積到指定成交量才完成一根 K 棒,再用價格突破前 20 根 K 棒的高低點作為訊號,並和一般 15 分鐘 K 棒比較。AI 助理透過 FMZ 的 MCP 工具撰寫程式、回測、檢視紀錄,再依結果修改;真正下單的仍是平臺上執行的策略程式。文章也提醒,要把手續費、滑價、資金費率和資料缺漏納入檢查,先確認程式行為,再看扣除成本後的結果,不能只憑一段回測就認定策略有效。

  7. Dev.to Top Tech56

    多 AI 助理工作流程如何拆分提示詞,避免不同任務互相干擾

    把讀資料、做判斷和寫回覆全塞進同一段提示詞,模型可能會讓不同任務互相影響,甚至把來源沒有的內容寫進摘要。作者建議把工作拆給各自負責一件事的 AI 助理:先從原文整理固定欄位,再根據整理好的資料做判斷,最後才撰寫回覆。每次交接都用固定格式的資料,並檢查欄位和內容是否正確;缺資料時就停下來,不讓下一步自行猜測。拆分工作前,也先寫清楚每個 AI 助理要做什麼、不能做什麼,以及輸入和輸出格式。

  8. Dev.to Top Tech58

    Sharkly.ai 教你讓非工程師把小型程式工作交給 AI 助理

    非工程師發現文字、翻譯或介面的小問題時,常得排隊等工程師處理。作者以 Sharkly.ai 說明一種做法:把需求寫成清楚的任務,附上畫面和完成條件,再交給 AI 助理處理,完成後由工程師檢查並合併程式碼。文中建議先從容易確認的小修改開始,並限制 AI 助理能使用的資料和許可權;架構、安全或付款等工作仍應由工程師負責。

  9. Dev.to Top Tech57

    OrbiResearch 教你用工具契約減少 AI 助理的工具呼叫錯誤

    AI 助理在正式工作時,可能送出錯誤資料、看錯工具回傳的內容,或不知道工具失敗時該怎麼辦。OrbiResearch 建議為每個工具寫一份「工具契約」,清楚列出必填資料、回傳格式、可能的錯誤、能否重試,以及有沒有替代工具。這些規則能讓 AI 助理在呼叫前檢查輸入,也能依不同狀況處理結果與故障。作者建議先整理會改動資料的工具和工作流程離不開的工具,降低錯誤造成損害的機會。

  10. Dev.to Top Tech54

    SWE-CoWork 用模擬組織測試 AI 助理如何合作寫程式

    實際開發工作常要先問清楚需求、和同事合作,再確認成果;只測 AI 助理能不能單獨寫程式,可能看不出它在團隊裡的表現。研究者推出 SWE-CoWork,讓 AI 助理在模擬組織中處理開發任務,從同事和紀錄裡找出需求,並與其他人合作、檢查工作成果。這套測試包含 101 項任務,來自 101 個真實專案,涵蓋 11 種程式語言和 12 個領域。它把測試情境拉近團隊工作,觀察 AI 助理如何理解需求與協作。

  11. OpenAI News66

    Revolut 與 OpenAI 合作,用 AI 加速金融風險篩查與產品開發

    很多人常會擔心金融交易被詐騙,或是開發新功能需要花很多時間。Revolut 把 OpenAI 的 ChatGPT、Codex 和 GPT‑5.5 變成 AI 小幫手,負責自動檢查交易、寫程式和整理檔案。這樣工程師不用手動跑每筆資料,就省下 30% 到 60% 的開發時間,能把更多精力放在設計和改進服務,同時讓客戶的資金更安全。

    推薦理由:文章說明AI讓Revolut以更快速度完成風險篩查,提升服務安全與效率。

  12. Dev.to Top Tech61

    Coupossum 推出 MCP 伺服器與 Telegram Bot,讓 AI 助理即時搜尋折扣碼

    許多優惠網站的程式碼大多過期或根本不存在,使用者常被無效資訊騙到。作者自行打造 Coupossum,將 Feedico 的聯盟 API 整合到單一 PostgreSQL 資料庫,並每兩小時同步約 3.5 萬筆 5 千家店家的優惠碼。這些資料同時由官方網站、公開的 MCP 伺服器、Telegram 頻道與機器人提供,查詢規則只寫一次,任何前端修正都會即時套用。Telegram 頻道會每小時釋出一則優惠,當條件失效時會自動刪除或改為結束卡,避免過期資訊佔滿頻道。整體設計不需 AI 模型,讓 AI 助理或使用者都能安全、即時取得真實可用的折扣資訊。

  13. Dev.to Top Tech62

    ccdeck 免費開源儀錶板,讓 Claude Code 與 Codex 同時視覺化工作狀態

    開發者常同時使用 Claude Code 與 Codex,卻得不停切換終端機才能確認兩個任務的進度,十分耗時。作者提供了 ccdeck 這個免費開源的儀錶板,只要在 Node.js 環境下執行 npx ccdeck,就會產生本機網頁,彙整兩個代理的 session、等待時間與執行細節,甚至能點開節點檢視提示、工具呼叫與程式碼差異。使用者只要保留原本的終端機,即可在儀錶板上快速定位需要處理的工作,減少在多個視窗間來回切換的時間。ccdeck 以 AGPL‑3.0 授權,無需額外帳號,支援 macOS、Windows 與 Linux,亦可自行關閉使用報告。

  14. Thomas Roccia 🤘59

    許多 AI 攻擊框架會產生大量請求,容易被 SOC 警報偵測。作者指出 Storm-3358 威脅團隊在使用 Hermes 與 ARTEX 時,指示代理人改用只讀 robot 帳號,且將「58 次 / 7 分鐘」的存取速率降至「10 次 / 30 分鐘」,以降低噪音。這種減速與許可權限制的手法讓惡意行為更不易被發現,提醒防禦者在偵測規則上需要考慮低頻、低許可權的異常行為。

  15. Dev.to Top Tech57

    選擇語音助理平臺:Synthflow 與 LiveKit 的維護與成本比較

    在挑選語音助理平臺時,除了功能表之外,還要弄清楚哪裡會出現維護問題。文章先示範把最近五個改動列出,然後比較 Synthflow 與 LiveKit 誰會負責修正。Synthflow 以視覺流程編輯器為主,提供年度企業合約,模型退休由廠商處理,適合沒有開發資源的團隊;LiveKit 採開源程式碼,所有變動都需要工程師的 pull request,費用以使用分鐘計算,且可自行部署,適合想掌控全流程的團隊。作者建議在簽約前先寫下每種變更的負責人,並用實機電話測試第一版。

  16. Dev.to Top Tech57

    BoundaryXP 推出 7+1 任務邊界檢視工具,協助 AI 團隊避免衝突

    在多個 AI 助理共同執行任務時,常會碰到哪些資訊能用、哪些動作被允許、預算與完成條件等規則不明確,導致子任務衝突卻難以追蹤。BoundaryXP 用 7+1 的檢視,把需求分成輸入、輸出、動作、責任、資源、版本、完成與禁止八類,並以數學檢查驗證整體計畫是否符合所有限制。文章示範了安全檢查、裝置啟動、打包與測試四個子任務形成的迴圈衝突,說明工具會將衝突標示在合併計畫中,讓負責人可依此調整順序。最新版 0.4.0‑rc.9 已在 npm 發布,支援 Windows x64,可直接匯入任務務樹、檢視報告與重新計算。

  17. Dev.to Top Tech71

    在單一卡上跑 65B 密集碼農模型:記憶體頻寬與 2 位元檔案的代價

    開發者常會想在自己的 GPU 上跑大型語言模型,但記憶體和頻寬常成瓶頸。作者測試了 Ripple-65B 在 RTX A6000(48 GB)與 RTX 3090(24 GB)上,發現模型會每個 token 從 GPU 記憶體讀取整個權重檔,速度受限於記憶體頻寬。透過 4 bits、2 bits 量化把檔案大小從 130 GB 縮到 38.8 GB/20 GB,令每秒產生 14‒31 個 token,並利用 llama.cpp 的 KV快取量化讓 256K token 的提示也能放入同一張卡。這樣的配置讓單卡即可支援 AI 助理的長篇對話與程式碼生成,雖不快但足以做開發與測試。

  18. Dev.to Top Tech66

    AI 生成樣板時代的潔淨程式指南:如何避免冗長與重複

    開發者常用 AI 產生程式碼,但工具會加上冗長的索引迴圈、重複檢查與不必要的 try‑except,讓閱讀變慢、除錯變難。本文先說明為何在產量爆增的今天更需要潔淨程式,接著以 Python 與 JavaScript 的範例展示如何把長版程式縮寫成一行迴圈或列表推導式,並提供命名、拆分函式、刪除多餘程式碼、撰寫說明性註解、使用 linter 等五項可直接套用的習慣。把 AI 產出的程式視為草稿,先自行編輯再提交,才能保持程式碼可讀、易維護。

  19. Dev.to Top Tech79

    四大科技公司同週開源 AI 代理基礎設施套件

    GitHub 週榜顯示,Google、NVIDIA、阿里巴巴、騰訊四家公司在同一週釋出針對 AI 代理的基礎設施程式碼,分別負責知識、評估、審查與治理層。這些開源工具讓代理能自動檢查安全、評估技能效益、使用決策規則,並在團隊環境中加入審核流程,降低模型本身的限制,對想打造可控且可擴充套件 AI 代理的開發者提供了可直接套用的參考。

    推薦理由:原文說明四大企業同時開源代理框架基礎設施,凸顯基礎層標準化競爭,適合評估自家代理工具的治理與評估流程。

  20. Dev.to Top Tech58

    Bolo 語音輸入加入噪音底線與音高檢測,防止誤上傳靜音

    在 Android 手機上使用 Bolo 語音輸入時,常會因不小心按到錄音鍵而錄下數秒的環境噪音,雲端會回傳空白結果,拖慢使用者體驗。作者在版本 1.0.44 中加入約 150 行 Kotlin 程式,於電話端先判斷每段錄音是否真的有語音:先計算錄音的噪音底線,再檢查 80‑400 Hz 之間是否有週期性的音高。只要滿足音量高於底線 4 dB 且週期性超過 0.6,且持續超過 60 ms,就視為有語音,否則直接回報「Nothing heard」並不上傳。這樣可在一秒內完成判斷,避免長達七秒的雲端回傳等待,讓使用者不必重複說話,同時減少不必要的雲端流量。

  21. Dev.to Top Tech67

    Anthropic 最新 AI 助理記憶架構概覽

    AI 助理在不同工作階段常會忘記前一次的設定或重複已失敗的步驟,導致測試成本升高。作者針對 Anthropic 的記憶機制,提出四層架構:完整對話紀錄、可重複使用的筆記、知識關係頁面,以及在新會話開始時載入的簡短入口。每層都有對應的存放方式與搜尋策略,讓開發者能在需要時快速取得證據或結論,並避免舊資訊幹擾。藉由這種層次化管理,未來的任務可以直接利用過去的經驗,減少重複探索的時間與成本。

  22. Dev.to Top Tech69

    Pinnasys 分享 AI 代理工具簽名設計指南

    開發 AI 代理時,常會因工具名稱或引數不清而選錯功能,導致流程卡住或產生錯誤。Pinnasys 在本文說明瞭如何為代理設計具備單一職責、引數描述明確、使用 JSON Schema 定義輸入、回應只保留下一步所需資訊、名稱與許可權一致的函式簽名,並提供檢查清單與測試方式,讓代理在取得客戶資料、處理付款或建立工單時能正確呼叫工具、減少重試,提升效率與安全性。

  23. Dev.to Top Tech77

    AI 漏洞發掘:如果無法重播就不算成立

    很多人在測試時只能看到一行警示,卻沒法證明真的能取得別人的資料。作者介紹了 AI 輔助找出潛在漏洞的流程,並提出三道驗證關卡:先確認攻擊路徑可達,接著取得他人資料作為證據,最後讓第三方重現。文中還提供一個簡短的 Bash 指令碼,只要兩個租戶的 token 就能快速測試跨租戶匯出是否真的漏資訊,讓團隊在最小成本下驗證 AI 提出的假說。

    推薦理由:提供可快速驗證 AI 發掘漏洞的三關檢測指令碼,說明以最低成本自動化驗證流程的可行方法。

  24. Dev.to Top Tech54

    Grok Bot 監看 Gumroad 商店 7 天,6 次警示全是雜訊

    商店流量很少時,每天檢視數字容易把平常的起伏當成異常。作者用 Grok Bot 每晚檢視 Gumroad 上 3 個商品,連續 7 天收到 6 次警示,但全都不是實際問題;這段期間沒有銷售,另有一天因電腦硬碟空間用完而讀取失敗,監控工具卻沒有通知。作者重新設定規則,改看已結束的一天、流量達到一定數量才判斷下滑,也把讀取失敗納入警示。用同一週的資料重看後,只剩下那次真正重要的讀取失敗警示。

  25. Dev.to Top Tech62

    用 Copilot Cowork 從日常工作找出值得測試的 AI 用法

    想在工作中用 AI,常常難在不知道該從哪件事開始。作者提供一套可套用的方法和提示詞,讓 AI 根據使用者有權檢視的工作資料,找出重複任務或容易卡住的交接,再提出小範圍的測試。提示詞要求列出資料來源、證據不足之處和仍需人判斷的部分;資料不夠時,也不能硬湊案例。開始前要訂好資料範圍、輸出內容和停止條件,完成後再對照原始資料檢查結果。作者也提醒,分享經驗時應整理方法並移除私人工作資料。

  26. Dev.to Top Tech76

    作者分享如何讓程式判斷監控問題,再由 LLM 解釋

    把監控交給 LLM 判斷,可能每次得到不同結果,也可能漏掉問題而不出聲。作者回頭檢查自家監控時,發現網站頁面曾有五個月沒出現在 Google 搜尋結果中,監控卻沒有抓到。後來他重做三種監控,讓程式依固定規則判斷問題、記錄狀態並發出緊急通知,再由模型整理結果和說明原因。價格檢查會等商品資料更新後再確認,避免短暫差異造成誤報;營運監控則先用舊資料重播測試,並在正式通知人之前以影子模式觀察。作者也提醒,監控本身停擺時應能發出警報,確保有人接手處理。

    推薦理由:作者以三種監控工具的實作經驗說明,如何用程式規則穩定判斷、讓模型負責解釋,並透過重播舊資料找出誤報。

  27. 卡爾的AI沃茨62

    定時任務就算沒有新進展,也可能讓 AI 助理重跑工作、反覆整理報告,耗掉不少使用額度。作者把 Anthropic 的常駐 AI 助理指南改寫成一段提示詞,讓 Grok bot 依任務內容去重、記住已回報的版本,沒有實質變化時只回「無更新」,也不要自行增加來源或新任務。作者表示,這套做法穩定運作三天後,Bot 用量從 75% 降到 30%,總用量減少 55%;他估計每年可省 840 美元。

  28. Dev.to Top Tech53

    為什麼讓 AI 助理少出錯,得先把資料規格寫清楚

    只靠提示詞告訴 AI 助理要做什麼,可能還是會讓它自己決定資料表、許可權和 API 格式,甚至在不同程式裡做出互不相容的版本。作者以「使用者只能看到自己工作區的資料」為例,說明要把資料表關係、每張表的工作區欄位、存取規則和 API 收到的資料格式都寫清楚,再讓 AI 助理照規格實作。作者也介紹一套四份檔案的做法,涵蓋需求、介面、技術架構和實作規則;遇到規格衝突時,要求 AI 助理先提出問題。這樣能把容易被自行猜測的設計決定留給人處理。

  29. Dev.to Top Tech72

    LLM AI 助理測試怎麼選?合成案例適合比較,真實紀錄才能把關

    用自己想像的測試案例檢查 AI 助理,可能看起來分數很高,到了真實環境卻漏掉沒預料到的狀況。作者分享自己的自動化帳號曾遇到新頁面,原本的檢查方式沒能發現帳號遭停用;他也整理研究和其他事件,說明合成案例有助於快速比較不同版本,但不能單靠它判定實際任務做得好不好。作者建議用合成案例追蹤版本差異,再定期抽查、整理並人工標記真實使用紀錄,將兩種結果分開檢查,作為發布前的把關依據。

  30. Dev.to Top Tech53

    NexeraAI 如何用真實職缺打造 AI 求職平臺

    求職平臺如果沒有真實職缺,AI 再會分析履歷也幫不上忙;如果 AI 出錯,求職者還可能根據錯誤分數做決定。作者分享打造 NexeraAI 的做法:從公開職缺來源匯入資料,整理格式、合併重複職缺,並為每個職缺建立固定頁面。平臺用履歷比對職缺,也會列出符合條件和欠缺的技能;若 AI 服務都無法使用,就清楚回報錯誤,不拿範例資料冒充結果。作者認為,先把職缺資料整理好,也要先想好 AI 故障時怎麼處理。

  31. Dev.to Top Tech64

    WhatsApp 商業自動化怎麼做?哪些訊息適合交給 AI 助理

    WhatsApp 自動回覆可以省下處理重複訊息的時間,但答錯退款或客訴問題,可能讓顧客更不滿。作者建議先看問題有多容易預測、答錯會造成多大損失,再決定交給系統或真人;像是訂單出貨通知適合自動傳送,是否該退款則應由人決定。文章也整理 WhatsApp Business app 與 Business Platform 的差別、訊息費用和每日聯絡人數限制,並提醒要先取得顧客同意、提供清楚的真人聯絡方式,遇到投訴或敏感問題就交給真人處理。

  32. Dev.to Top Tech65

    AI 助理如何安全替使用者做事?6 個工程做法讓每次操作都說得清楚

    AI 助理替人寄信、付款或刪除資料時,如果出了問題,只說「模型決定的」很難交代。作者整理出幾種實作方式:先記下每次操作和結果,讓紀錄不能被改掉;把讀取資料和執行動作分開,寄信、付款等無法復原的事要由人確認;也只把使用者的話當成指令,信件和網頁裡的要求都先當資料。每項工作還應限制許可權和重試次數,結束時說明哪些事沒做、哪些地方沒檢查,讓使用者能查清楚 AI 助理做過什麼。

  33. Together AI60

    要知道 AI 助理能不能完成工作,光看最後答案不夠,還得檢查它一路怎麼做。Together AI 的做法是先挑出約 10 個常見任務,讓 Claude Code 在隔離環境中執行,再比較基本設定、MCP 和技能三種組合,並檢查操作過程,據此改進檔案與 API。文中表示,任務完成率從 67% 提升到 96%。

    推薦理由:Together AI 用代表性任務比較不同設定,並檢查 AI 助理的操作過程來改進檔案與 API,呈現一套實作評估方法。

  34. Dev.to Top Tech72

    中國 LLM API 價格差 85 倍,作者整理 114 款模型

    挑選中國 LLM 時,只看每百萬 token 的牌價,可能會低估實際花費。作者整理同一個 API 金鑰可用的 114 款模型,發現輸出價格從每百萬 token $0.17 到 $14.50,相差 85 倍;但不同模型的計價單位也不一樣,有些按 token 收費,有些按圖片或影片等成品收費,不能直接放在一起比。實際成本還會受到重試次數、輸入快取折扣和輸出長度影響,因此作者建議用自己的工作內容比較每項任務完成的成本。這份整理沒有延遲資料,價格也以 2026-11-17 的資料為準。

  35. Dev.to Top Tech55

    Correctover 推出 GitHub Action,檢查 AI 助理是否超出授權

    把工作交給 AI 助理時,光檢查它用了哪個工具,不一定看得出它做的事有沒有超出授權。Correctover 推出 GitHub Action,會逐項比對委派動作和實際授權,並提供判定結果與報告。作者說,工具已檢查 28 次推送,其中 5 次被擋下,數字都能從 GitHub API 重算;但他們也發現,README 曾叫使用者固定使用 @main,這個寫法無法供 GitHub Actions 解析,因此公開更正了先前無法查證的數字。

  36. Dev.to Top Tech56

    如何替 AI 助理設下安全界線,避免工具許可權過大

    AI 助理能讀檔、執行指令和呼叫外部服務,一旦誤解要求或被惡意檔案操控,就可能做出實際動作。作者整理出七個安全環節,從模型和工作流程,到許可權、隔離執行、結果檢查、操作紀錄與人工核准,並用修正程式的情境說明如何逐步限制許可權。像是檢查專案時先只開放讀取,需要修改時再限縮可寫入的資料夾;發布或刪除重要資料則先取得人工同意。作者也提醒,在自己的電腦上執行模型並不會自動讓整個系統安全。

  37. Dev.to Top Tech72

    如何替 AI 程式設計助理建立預覽環境,安全測試程式變更

    AI 程式設計助理產生的程式變更,就算建置成功,也不代表接上資料庫、佇列和瀏覽器後真的能正常運作;直接拿共用測試環境驗證,還可能碰到客戶資料或送出真實通知。作者整理一套預覽環境做法,讓每個變更都有自己的暫時環境,搭配合成資料、攔截外部呼叫、測試使用者流程,並留下測試結果與畫面紀錄供人檢查。環境到期後會一併清除相關資源,正式上線則交由人員透過另一套流程決定。這樣審查者能確認實際變更跑得如何,也能讓正式環境保有獨立的資料和許可權。

  38. Dev.to Top Tech46

    Devin Apps 如何讓 Devin 從一句提示詞做出並託管內部工具

    要讓團隊用 AI 助理做出的內部工具,過去還得自己打包程式、找地方部署,才能讓大家開啟使用。Devin Apps 讓 Devin 在雲端虛擬機器裡寫好工具、啟動網站,並提供只有經過 Devin Sign-In 才能使用的私人網址;之後想修改,也能直接告訴 Devin,不必重新部署。工具連續 5 分鐘沒人使用時,虛擬機器會休眠並暫停計費,有人開啟網址後再醒來,但第一次載入會多等幾秒。它適合快速做團隊內部工具和管理頁面;若要處理大量外部流量,單一虛擬機器可能不適合。

  39. Dev.to Top Tech54

    zkVerify 如何讓作者的 AI 助理用零知識證明驗證決策

    AI 助理做出決定後,別人可能不知道它有沒有照規則處理,也無法檢視它私下怎麼判斷。作者以自己的 ibank.ai 為例,說明它如何先檢查任務簽章,再依序確認證明金鑰、收款物件、金額和期限等條件;遇到不確定或逾時時就拒絕。接著,AI 助理會為自己的決定產生零知識證明,送到 zkVerify 驗證。外界能檢查決定與證明是否符合規則,卻看不到它的判斷過程。文章也提醒,證明有效不代表請求本身正確,因此仍要逐項檢查條件。