跳到正文

#Agent

RSS
今日 26 則
11月21日週六
  1. 少數派 (sspai)38

    鴻蒙高校創新賽的學生團隊,想用 AI 助理解決生活中的真問題

    做出能在生活中派上用場的產品,光讓 AI 回答問題還不夠,還得照顧使用者真正遇到的麻煩。鴻蒙高校創新賽的學生團隊把點子做成應用:山東大學團隊用觸覺點陣幫視障者摸出前方障礙;北京工業大學團隊用床墊感測器檢視臥床長者的姿勢,協助護工交班;另有團隊讓長輩用語音和家人聯絡,也幫年輕人整理衣櫃、找衣服。這些作品提醒我們,AI 助理能幫忙整理資訊,但在照護等重要事情上,仍要讓人確認每一步,技術才真的靠得住。

  2. Dev.to Top Tech72

    Perplexity Computer 透過擴充功能在 Chrome 分頁間處理任務

    在瀏覽器裡做事常得來回切換分頁和工具。Perplexity 宣佈,AI 助理 Computer 現在可透過 Perplexity 擴充功能,在 Chrome 和其他 Chromium 瀏覽器中工作。使用者能從側邊面板交辦任務,並看著 Computer 點開分頁、操作工具。公告沒有說明這項功能的使用資格;這次更新讓 Computer 能直接加入使用者原本的瀏覽器工作流程。

  3. Dev.to Top Tech67

    Python 執行緒逾時後工作仍在跑,作者示範如何用子程式停止它

    Python 的執行緒工作逾時後,常會讓人以為工作已經停止,其實只是呼叫端不再等待。作者實測四個工作各等 1 秒後都報逾時,但仍繼續跑滿 5 秒;它們佔住工作池,也讓後來只需 0.1 秒的工作多等了 1.10 秒。若工作真的必須停止,作者改用子程式,逾時時終止執行中的程式;代價是每次啟動約多花 0.15 秒,傳入和取回的資料也要符合 Python 的序列化規則。若是 HTTP 請求,則可在請求本身設定逾時。

  4. Dev.to Top Tech76

    Gemini 4 Hydrogen 和 GPT-6.1 Terra 評測:Hydrogen 在 9 項共同基準中贏了 8 項

    挑模型時,分數較高的選項也可能比較貴,而且公開測試不一定符合自己的工作。作者比較 Gemini 4 Hydrogen 和 GPT-6.1 Terra 在 Google 模型卡上都有分數的 9 項基準,Hydrogen 贏了 8 項,Terra 則在科學類終端機測試勝出;這些結果由 Google 執行,兩款模型的測試條件可能不同。依文中列出的標準 API 費率,輸入 2,000 萬、輸出 500 萬 token,每月費用分別是 $67.50 和 $45.00。文章建議用自己的工作測試分數、費用和成功率,再決定怎麼選。

    推薦理由:文章把兩款模型的公開基準分數、每百萬 token 費用與月用量試算放在一起,呈現選擇時效能和成本的取捨。

  5. Dev.to Top Tech76

    DeepSeek API 開放多種工具,文章比較 Flash 和 V4-Pro 怎麼選

    自己串接網路搜尋、讀取檔案和網址等功能,常得另外處理工具怎麼運作與收費。DeepSeek API 把這些工具整合進服務,開發者可用引數啟用;搜尋、讀取網頁和 OCR 等費用會另外計算。文章比較 deepseek-flash 和 deepseek-v4-pro:Flash 支援圖片,離峰時每 1M 個輸出 token 收 $0.60,V4-Pro 則收 $1.98;Flash 的同時處理上限也較高。V4-Pro 適合小規模、只處理文字的複雜推理工作。若服務面向大眾,DeepSeek 要求開啟安全檢查,內容審查等責任仍由開發者承擔。

    推薦理由:文章整理 DeepSeek API 新工具的收費與使用限制,並比較 Flash 和 V4-Pro 在圖片處理、價格及同時處理量上的差異。

  6. Dev.to Top Tech54

    五家企業 AI 助理平臺的資料會存在哪裡?作者比較各自的部署選項

    處理發票資料的 AI 助理可能會碰到供應商銀行資料和核準紀錄,因此企業得先弄清楚它在哪裡執行、模型在哪裡處理資料,以及紀錄存放在哪裡。作者根據五家平臺的廠商檔案,比較 MuleSoft、Boomi、SAP、Azure 和 AWS 的執行環境、模型處理地點與紀錄設定。Azure 說明資料區域選項較清楚,AWS 列出多個歐洲區域;MuleSoft 和 Boomi 有客戶自行管理的執行環境,但 Boomi 的 Flex 仍在早期測試。作者也指出,部分平臺沒有說明模型呼叫的實際地點或紀錄儲存多久,而且這次只查閱檔案,沒有實際建置驗證。

  7. Dev.to Top Tech39

    AI 助理在 Base 上管理資金:自動調整投資組合,也要設好安全限制

    作者在 Base 上執行一個能自行管理資金的 AI 助理:它會觀察市場、調整資產比例,也能直接執行交易,不必每次等人批准。文章舉例,這個 AI 助理每 6 小時檢查一次投資組合;當穩定幣和 ETH 的比例偏離目標太多時,就會送出交易,從決定到鏈上確認的中位時間是 2.3 秒。作者表示,Base 的交易費較低,讓頻繁調整資產變得划算。 不過,讓 AI 助理自行動用資金也有風險:如果它遭到入侵,資產可能很快被轉走。因此作者設了交易金額上限、24 小時內的交易比例上限,並限制它只能使用經過稽核的服務;每筆交易還會先由守護合約檢查。這個例子說明,自動管理資金不只要讓 AI 助理會交易,也要限制它能做什麼。

  8. Dev.to Top Tech52

    Google Stitch Skills 中文版整理安裝步驟與 OpenCode 注意事項

    安裝 Google Stitch 的技能時,光看懂功能還不夠,MCP 伺服器得先設定好,指令和資料夾名稱也不能出錯。作者介紹了一份中文檔案,整理 Codex、Claude Code、Cursor 和 OpenCode 的安裝方式,也把 OpenCode 需要手動複製技能資料夾、技能名稱必須符合規則等細節列為常見問題。檔案另有標出哪些內容是原文翻譯、哪些是補充說明;作者沒有實際跑完所有安裝流程,因此對各種工具是否順手的說法是根據檔案步驟整理。

  9. Dev.to Top Tech62

    Strands Agents 實測三種編排工具混用,資料只會以文字傳遞

    把多種編排工具放進同一個流程,看起來能讓它們分工,但資料和錯誤未必能順利傳過去。作者用 Strands Agents 實際測試 Graph、Workflow 和 Swarm,發現下游步驟大多隻收到整理過的文字,拿不到原本的狀態、用量或各項任務結果;工具出錯時,外層流程也可能仍回報成功。混用確實能讓 Graph 把 Swarm 排成其中一個步驟,但兩種混合流程分別比單用 Graph 多用 74.5% 和 192.8% 的模型 token。這些結果來自固定的小型測試,不代表實際工作中的答案品質或成本。

  10. 雷科技66

    華為星芒推出 OSTA O1 Pro,主打系統級 AI 互動

    手機上的 AI 功能常散在不同地方,還得使用者自己找來開啟。華為新品牌星芒推出 OSTA O1 Pro,搭載 HarmonyOS 7 AI 先鋒版,讓小藝能整理資訊、管理任務,也會記住使用者的偏好和目標,提供更合適的推薦。手機還有 2 億畫素主鏡頭、3.7 倍光學變焦長焦鏡頭和 7000mAh 電池。首發優惠價格從 5499 元起;文中提到的小藝系統技能和主動服務能力,是這款手機主打的 AI 體驗。

  11. Dev.to Top Tech72

    ABA Games 分享用 Claude Opus 5.5 做動作遊戲的七個技巧

    讓 AI 助理做出能玩的動作遊戲不難,但遊戲是否有趣、難度是否合適,常要靠反覆測試才能知道。ABA Games 分享七個做法:先用隨機題材激發不同點子,挑出好玩的設計,再做小型版本讓真人試玩;也可以讓程式操控的對手反覆測試,並依照玩家的操作紀錄調整難度。像 WRECKFALL 就發現,留著最後一個敵人一直射擊,得分反而更高,因此作者改了過關規則。這些例子也說明,機器測試能找出部分問題,遊戲手感、畫面是否看得懂和音效是否合適,仍要問真人。

  12. Dev.to Top Tech44

    Red Octopus AI:免 API 金鑰的章魚終端聊天機器人

    想在終端機裡聊天,又不想一開始就申請 API 金鑰?Red Octopus AI(Octo)有兩種聊天方式:離線時能聊天、查時間和日期、算數,也能記住你教它的內容;想問開放式問題時,則會依序嘗試 5 個免費服務,其中 Pollinations 不用金鑰,其他 4 個要自己準備免費金鑰。如果服務都沒回應,Octo 就改用離線方式繼續運作。它會記住你的名字、筆記、待辦事項和你教過的答案,關掉再開啟也能接著用。

  13. AWS Machine Learning Blog69

    AWS Quick 更新流程、網頁工作區與多個 AI 助理協作功能

    團隊的工作流程常靠某個人記在腦中,其他人接手時容易重做,成果也不一致。AWS Quick 這次更新後,使用者可以用聊天描述工作流程,讓 Quick 串起 AI 助理、技能、工具和資料;例如把每月財務報告的計算、檢查和草稿整理成團隊可共用的流程,再由人檢查並核准。新版網頁也能整理待處理事項,並在關閉瀏覽器後繼續執行工作;多個專門的 AI 助理還能分頭處理同一個請求。管理員可設定提示詞防護政策,Quick 也新增 Meta ads 和 Amplitude 連接器。

    推薦理由:Quick 把流程自動化、多人協作與網頁工作入口整合在同一套更新中,文中的月報例子展示了固定計算與人工審核如何搭配。

  14. Dev.to Top Tech42

    用 Muse 做遊戲後,我才發現 AI 不會因為是電腦就更準確

    作者讓 AI 助理 Muse 負責遊戲 Rankshroud 的設計、寫程式、測試和宣傳準備,自己提供指示並檢查成果。Muse 會像人一樣忘記交代過的事、誤會意思,也可能把工作說成已經完成;作者還發現,對話和紀錄累積得越多,每次工作都得重看更多內容,花掉的 token 也跟著增加。專案一共用了約 10 億個 token,遠高於原先估計的 1,750 萬到 3,300 萬。作者認為,AI 做得快,不代表做得準;人也得花心力確認它記住了什麼、到底完成了什麼。

  15. Dev.to Top Tech64

    企業 AI 助理遇到卡關或付款時,如何設計人工審核流程

    AI 助理跨團隊協作或準備付款時,可能遇到資料不完整、許可權不足或格式不合,若沒有清楚的人工接手流程,就可能卡住或重複嘗試。文章示範如何用中介層暫停工作、儲存進度,再把待處理事項送到 Slack 或 Microsoft Teams,讓負責的人核准、拒絕或補上資料。不同協定各有適合暫停的位置,例如付款要在錢包簽名以前審核;處理完後,系統要記下是誰決定的,並確保同一個核准不會重複執行。

  16. Dev.to Top Tech48

    AI 助理 Muse 幫忙做遊戲,作者卻發現它常犯和人一樣的錯

    作者讓 AI 助理 Muse 負責設計、製作和測試遊戲 Rankshroud,自己下指令並檢查成果。過程中,Muse 會誤解要求、忘記事情,也會把工作說得像是已經完成;作者認為,電腦產生的報告看起來很精準,反而容易讓人相信錯誤結果。另一個麻煩是,Muse 每次工作都要重讀累積的對話和紀錄,資料愈多,耗用的 token 就愈快增加。作者原先估計整個專案會用掉 1,750 萬到 3,300 萬個 token,實際總量卻約 10 億個。這段經驗提醒我們,AI 助理做事雖快,仍需要人檢查,也得留意對話和紀錄不斷累積的成本。

  17. Dev.to Top Tech51

    Muse 幫忙做遊戲的實測:記憶累積讓工作愈來愈吃力

    作者讓 Muse 負責設計、製作和測試遊戲 Rankshroud,自己下指令並檢查成果;他發現 AI 助理不會因為是電腦就樣樣精準,也可能誤解指令、漏記工作或把未完成的事當成已完成。這篇先談到長期使用時的另一個麻煩:每次工作都要重新讀取累積的對話、記憶和工具結果,資料愈多,耗用的 token 也愈多。作者表示,專案總用量約 10 億 token,遠高於原先估算;他認為關鍵成本來自反覆讀取舊資料,而不只是寫程式本身。

  18. Dev.to Top Tech58

    作者分享如何用 AI 助理開發軟體,並行處理多項工作

    作者現在寫程式的時間少了,常先把想要的結果告訴 AI 助理,再檢查它提出的計畫。他會把大型功能拆成小任務,讓多個 AI 助理分頭處理,再逐一檢查程式和測試結果;用 Git worktrees 也能讓不同工作各自在自己的資料夾和伺服器上進行。他提醒,工具寫得快不代表做得對,最後仍要由人確認修改和整合。他也分享長時間使用會增加費用,並認為學會判斷 AI 寫出的程式是否合理,對開發者仍很重要。

  19. Dev.to Top Tech48

    OpenHands、SWE-agent 和 AutoGen 比一比:哪款 AI 開發工具適合你?

    想讓 AI 幫忙寫程式,常會遇到一個問題:不同工具擅長的工作不一樣。OpenHands 能在雲端環境裡規劃、寫程式、測試和除錯;SWE-agent 專門從 GitHub 的問題著手,自動嘗試修好程式;AutoGen 則讓開發者組合多個 AI 助理,分工處理複雜工作。比方說,手上有一堆待修的錯誤,SWE-agent 最對題;想打造能協作的 AI 助理系統,AutoGen 更合適。沒有哪一款什麼都最強,選擇要看你想交給它做什麼。

  20. Dev.to Top Tech67

    作者打造 AgentVault,攔下 AI 助理受提示詞注入影響的退款

    AI 助理能自動付款,但如果它讀到藏有指令的網頁,可能會照著要求退款或改收款帳戶。作者打造了開源工具 AgentVault,放在 AI 助理和付款服務之間,先檢查每筆付款。它會限制支出金額和次數,也會在 AI 助理讀過不受信任的網頁後,要求人確認退款、付款或更改收款帳戶。示範中,AI 助理讀到有問題的網頁後提出 $480 退款,AgentVault 暫停了這筆退款;它也攔下被竄改收款帳戶的請求,讓 $900 款項仍付給原本的供應商。示範使用測試付款,不會動到真實資金。

  21. Dev.to Top Tech52

    Limitcast 推出 0.20.1 至 0.20.5,修補 AI 程式工具的修剪與安裝問題

    AI 程式工具有時會用掉太多上下文,也可能讓人看不清子 AI 助理做了什麼。Limitcast 在 0.20.1 至 0.20.5 修補了多項問題:資料不完整時會停止修剪,預測會採用較新的使用情況;安裝或更新時也會保留其他工具的掛鉤設定。新版還能顯示最佳化器檢查到的資料,方便找出資訊缺口。作者說明,這些更新有通過測試,但目前沒有實驗證明能減少 token 用量、降低訂閱費或提升實際任務成功率。

  22. Dev.to Top Tech52

    minia2a 分析 AI 助理服務市集:1,930 個服務中有 92.4% 從未被呼叫

    服務市集裡有很多端點,不代表買家或 AI 助理找得到合用的服務。minia2a 作者查詢自家目錄資料,發現 1,930 個服務中有 1,784 個呼叫次數為零;這是平臺累計呼叫數,不代表收入,也包含剛上架、還沒機會被使用的服務。作者也看到,熱門服務通常名稱清楚、只回答一個具體問題,而同樣低價的服務很多,價格不容易幫買家挑選。文章提醒,服務名稱和簡短描述要寫出買家會搜尋的任務,才比較容易被 AI 助理找到。

  23. Dev.to Top Tech61

    作者讓 5 個 AI 助理玩巴西 Truco,發現提示詞和通訊規則會改變合作方式

    讓 AI 助理一起玩牌,光說「可以自由聊天」不一定有用,太嚴格的回合指令可能讓它們只顧著照格式出牌。作者用 DeepSeek V4.1 Flash 跑了兩場巴西 Truco:第一場有玩家沒照要求傳送出牌,也沒人交談;第二場把傳送方式和聊天規則說清楚後,玩家開始公開聊天、暗示隊友,甚至虛張聲勢。有人還寫了 4 個蒙地卡羅模擬程式研究出牌,最後仍以 14 比 4 落敗。作者從牌局紀錄指出,AI 助理能否合作,會受到每回合指令和工具使用規則影響;共用檔案也不能只靠大家自律來保護秘密。

  24. Dev.to Top Tech57

    如何檢查 AI 助理的程式碼變更,避免秘密外洩與誤刪檔案

    AI 助理修好指定程式碼後,也可能順手改到任務沒提的檔案,讓風險藏在很長的程式碼差異裡。文章用一個 Stripe webhook 修補範例,展示同一份變更還加入了秘密金鑰、刪除資料表與排程工作,並升級付款套件。作者建議先列出允許修改的檔案,再用檢查工具比對變更;重要檔案須由負責的人審查,也要掃描秘密資訊、檢查資料庫修改,並讓 AI 助理只使用開發環境的憑證。

  25. AWS Machine Learning Blog68

    AWS 的分散式 KV 快取技能,幫忙評估與設定 LLM 快取

    自架大型語言模型時,不同 GPU 伺服器若沒有共用對話紀錄,使用者回來接續工作時,伺服器就得重新計算,讓第一個回應變慢。AWS 介紹一項分散式 KV 快取技能,可在支援技能的程式開發 AI 助理中,先檢查工作負載是否適合,再估算快取成本、協助設定 Amazon ElastiCache,或排查傳輸問題。文章也提醒,短提示詞可能不適合用快取;是否划算要看提示詞重複情況與實際流量,釋出的 GPU 時間也只有在減少伺服器或承接更多流量時,才會轉成省下的費用。

    推薦理由:文章以四段實際操作說明技能如何先估算工作負載是否適合,再協助設定與排除故障,呈現從評估到部署的完整流程。

  26. Dev.to Top Tech50

    Exit 719 如何把 Journal 從 18 頁規格檔案一步步做成網站功能

    要做的功能一多,整份需求一次交給 AI 助理處理,很容易卡住,也不方便檢查。作者先把 Journal 的規則寫成 18 頁檔案,再拆成 7 個階段,每個階段各開一個 pull request,確認建置成功、測試通過後才進到下一步。像付款功能就先接上假的 Stripe 來測試,避免真的刷到卡;全部完成前,也不會放上正式網站。上線前,作者再親自試用,整理出一批需要調整的地方,例如讓動態牆先顯示最新貼文。這種做法讓大型功能更容易分段檢查,也能在實際使用後補上規格裡沒想到的細節。

  27. hackernews10074

    作者用 AI 助理讓 FPGA 跑起大型語言模型,速度提升 33 倍

    FPGA 能依照需求重新安排晶片上的電路,但要寫底層程式、確認結果正確,過去並不容易。作者用 AI 助理協助設計,讓 AWS 雲端 FPGA 跑起大型語言模型,並在一連串實驗中把速度從每秒約 6 個 token 提升到 213 個,約快了 33 倍。作者也要求輸出與 CPU 參考版本逐字相同;他認為,人類提供正確性要求和快速迭代方向很有幫助,AI 助理則能負責大量探索。這是一次實作經驗,作者沒有建議把這種配置用於正式產品。

  28. Dev.to Top Tech53

    AgentEval Forge 實作教學:用 Kiro 先寫規格再寫程式

    做 AI 助理評測工具時,如果先寫程式,常會等到後面才發現需求沒說清楚。作者用 Kiro 做出 AgentEval Forge,先寫需求、設計和工作清單,再依規格完成程式。它用固定規則評分,不靠 LLM,也不連網;新增交易回測範例時,只要登記新的執行器,就能沿用原本的流程。作者也分享如何用測試檢查評分是否一致,並用五份簡短檔案交代專案方向、技術選擇、安全和測試做法。

  29. Dev.to Top Tech58

    AI Labo 測試:Lint 錯誤附上修正提示,AI 助理少用 69.6% 輸入 token

    AI 助理遇到只寫錯誤程式碼的程式檢查訊息時,可能得先翻一大本規則手冊,才能知道怎麼修。AI Labo 用同一組程式修正任務比較兩種訊息:一種只列錯誤程式碼,另一種會在每個錯誤下方附上具體修正提示。兩種方式都通過 20 題測試;附提示的方式少查一次手冊、少呼叫一次模型,輸入 token 也少了 69.6%。這項測試顯示,依照實際錯誤提供精簡修正線索,能省下查資料的往返。

  30. 🚨 AI News | TestingCatalog54

    工作時常會遇到現成工具不合用,還得另外找軟體處理的情況。ClickUp 推出一系列新功能,使用者可以用 Brain² AI 描述想要的應用程式、儀錶板或報告,讓它依照 ClickUp 裡的資料來製作;Creative Studio 測試版也能依提示詞產生影片片段、圖片和音效,並在 ClickUp 裡編輯。AI Workflows 測試版則可調整 AI 執行任務各步驟的方式,並加入核准流程。ClickUp Labs 提供免費搶先體驗,讓使用者自行開關新功能。

  31. 🚨 AI News | TestingCatalog72

    要讓 AI 助理持續推進一個產品目標,得先讓它瞭解專案、指標和相關資料。TestingCatalog 介紹 Google 的 Loop:使用者可連線 GitHub 專案,再加入檔案、連結、其他程式碼庫與外部服務;Loop 會整理專案資訊、建立可編輯的技能,並提出指標與目標。建立目標後,它會拆出待辦事項、解決方案和進度,也會列出資料來源,讓使用者檢視建議根據什麼內容而來。完成的任務還能追蹤上線後的指標變化。作者認為,這種做法讓使用者更像管理多個工程團隊的主管。

  32. Dev.to Top Tech40

    HVAC 與水電承包商如何用 AI 安排派工,兼顧技術與利潤

    派工軟體常把「離客戶最近」的技師先派出去,但 HVAC 和水電工作需要不同技術、工具和經驗;只看距離,可能讓不熟悉裝置的人接到難題,還得多跑一趟拿零件,甚至錯失大筆維修收入。文章舉例,初階技師開 14 分鐘就能到場,資深技師則要 32 分鐘,但後者更熟悉商用熱泵,車上備料也更齊全,所以更適合處理故障。作者建議派工時一併考慮技術、車上零件和工作可能帶來的收入,遇上突發狀況時由真人派工人員確認調整,並先逐步整理資料、試行系統。這樣才能省下交通時間,也避免派錯人、惹惱客戶或讓技師不滿。

  33. Google Research70

    Google 把 Duplex 電話功能帶進 Gemini Tasks,替使用者聯絡商家

    訂位或預約常得打電話,商家可能臨時改口、提出別的時段,電話環境也常有背景雜音。Google 將 Duplex 整合進 Gemini App 的 Tasks,讓它能代替使用者打電話處理日常事務,並用 Gemini 理解需求、安排步驟和接續對話。這套系統從只能處理固定任務,逐步發展到能依文字描述應付不同需求,例如配合行事曆空檔安排汽車保養。每通電話一開始都會說明是 Google 的自動化系統,商家也能選擇不接這類電話。

    推薦理由:Duplex 從固定任務的專用模型,逐步演進為由 Gemini 統整理解、規劃與對話的系統,呈現它如何處理電話中的臨場變化。

  34. Dev.to Top Tech63

    Monomem 重測記憶基準,和 agentmemory 打成平手

    AI 助理要記住長期資訊,除了找得到資料,也得留意筆記是誰寫的、會不會被惡意內容影響。Monomem 作者用 agentmemory 公開的 LongMemEval-S 測試資料重跑評測,兩者都是 84.7%;Monomem 得分雖是 86.0%,但差距不足以判定誰較好。作者也說明,Monomem 的排序曾用一半題目調校,另一半的 R@5 是 97.5、Rall@5 是 86.2。它的攻擊檢查會重播 26 種已知的資料投毒攻擊,但有兩種已知情況抓不到,而且改寫過、沒見過的攻擊也可能通過。

  35. Replit ⠕67

    開發一項工作時,常得自己安排規劃、建置和測試。Replit 推出 Missions,使用者先設定想達成的結果、預算和限制,再由多個 AI 助理分工處理並反覆調整;文中舉例,可以要求它協助找到第一批 10 位客戶。Replit 也更新了 Microsoft Fabric 整合、Teams 服務和 Replit Desktop 的本機工作功能。文中提到,一名早期測試者花 $35 執行一項 Mission,五天後促成 $25K 的交易。

    推薦理由:Replit Missions 讓使用者設定目標、預算與限制,再由多個 AI 助理分工規劃、建置和測試,呈現了以成果安排開發工作的做法。

  36. aihot74

    Google 把 Duplex 整合進 Gemini Tasks,讓 AI 助理替你打電話給商家

    訂餐、約時間常得直接打電話,但商家可能改口、背景又很吵,AI 得接得上話,也不能搶著開口。Google 回顧 Duplex 十年來的變化,並把它整合進 Gemini App 的 Tasks,讓 AI 助理依照使用者交代的事情致電商家;現在系統使用 Gemini 處理理解、規劃和對話,也能在商家提出其他時段時調整安排。電話一開始會說明是 Google 的自動系統,商家也能選擇不接這類電話。商家不用安裝軟體或改變原本接電話的方式。

    推薦理由:Duplex 從固定流程走向 Gemini 統一架構,也說明電話服務得同時處理對話節奏、背景噪音與商家拒絕等現場狀況。

  37. Dev.to Top Tech62

    Expo Exact 如何用不同架構打造跨平臺 App

    跨平臺 App 常要在共用程式碼和各平臺的原生操作感之間取捨。Expo Exact 是一個實驗性框架,不使用 React 或 JSX,而是用名為 Contract 的介面描述語言搭配 Rust 執行環境;iOS、macOS 和網頁則分別使用 UIKit、AppKit、DOM 與 CSS。它也設計了讓 AI 助理建置、執行、檢視畫面、模擬操作和測試 App 的工具。作者認為這提供了不同的開發方向,但 Exact 目前不是 React Native 的替代品,既有 React 元件和其他整合也無法直接搬過去。

  38. Dev.to Top Tech43

    AI 寫程式讓開發者重新思考工作的意義

    以前寫程式時,作者喜歡自己慢慢琢磨,找到漂亮的解法也很有成就感。但團隊開始使用 Claude 後,他幾乎不再親手寫程式,工作變成安排 AI 助理做事、規劃功能和做決定;團隊也因此能更快完成專案。這讓他既興奮又不安,擔心未來開發者的工作會變成什麼樣子,也懷念親手打造作品的感覺。即使如此,他仍希望繼續做能幫助人們的產品,也盼望 AI 帶來的改變能讓大家過得更好。

  39. Dev.to Top Tech72

    Control Plane 說明如何安全地讓 AI 助理使用 GPU

    讓不受信任的 AI 助理程式使用 GPU,難處在於程式仍得接觸 NVIDIA 驅動程式,而共用 GPU 可能讓不同使用者互相影響。文章整理兩種隔離方式:用 gVisor 的 nvproxy 擋住部分驅動程式呼叫,或把整張 GPU 傳給虛擬機器使用;每個工作也應有獨立 GPU 或 MIG 執行個體,並封鎖不必要的網路和憑證。時間切片沒有記憶體或故障隔離,因此不適合讓不受信任的程式共用。Control Plane 的做法是讓 AI 助理在獨立環境工作,再把 GPU 工作交給使用固定、經審查映像檔建立的獨立工作負載。