All
334 posts in all
Langfuse 入門 Part 3 — LLM 評估:Score、LLM-as-a-Judge、Dataset 與 Experiment
LLM 應用最難的問題:你怎麼知道它『答得好不好』?本篇拆解 Langfuse 的評估體系——用 Score 量化品質、用 LLM-as-a-Judge 自動評分、用人工標註校準、再用 Dataset + Experiment 在上線前做回歸測試,把『我覺得改好了』變成『數據證明改好了』。
Langfuse 入門 Part 2 — 三行程式碼開始追蹤:SDK 整合與 Tracing 實戰
概念懂了,該動手了。本篇示範用 Langfuse Python SDK 把應用接上可觀測性:@observe 裝飾器、get_client 與 context manager、OpenAI 一行替換整合、LangChain callback handler,以及如何用 Session、User、Metadata 讓 trace 真正可查可比。
Langfuse 入門 Part 1 — 為什麼 LLM 應用需要可觀測性?核心概念與資料模型
LLM 應用最可怕的地方,是它「壞掉時看起來跟正常時一模一樣」。本篇用最白話的方式講清楚:為什麼傳統監控救不了 LLM、Langfuse 是什麼、以及它的核心資料模型——Trace、Observation、Span、Generation、Session、Score——彼此怎麼組合成一張可觀測的全貌。
finance_data 是怎麼運作的:用 Cron + LLM 全自動生成股票研究報告
finance_data 是一個全自動的 AI 投資研究平台:每天靠 GitHub Actions cron 定時觸發,用 yfinance 抓市場數據、爬 Finviz/StockAnalysis/Roic.ai 補齊基本面,再餵給 Claude / OpenAI / Gemini 生成繁體中文研究報告,最後由 MkDocs 建置部署。本篇完整拆解這條 pipeline 的每一個環節。
ChatPDF RAG 優化（三）：可觀測性與評估 —— Langfuse 追蹤、評估歷史、即時評分
沒有量測就沒有優化。本篇拆解 chatPDF 如何補上 RAG 的可觀測性最後一塊:opt-in 零開銷的 Langfuse 追蹤、執行緒安全的 singleton、評估歷史持久化、即時答案評分(faithfulness/relevance)、relevance gate,以及無外部依賴的 SVG 趨勢圖表。
ChatPDF RAG 優化（二）：後端強化與進階 RAG —— 安全、資源邊界、多查詢擴展
RAG demo 能跑,不代表能上線。本篇拆解 chatPDF 如何補上 production 該有的防線:上傳的 PDF magic bytes 驗證與 OOM 防護、BM25 的 LRU 快取、多查詢擴展、檢索評分過濾、頁碼級引用、LLM gateway 重試退避——把 RAG pipeline 從「能跑」變成「能扛」。
ChatPDF RAG 優化（一）：語意切塊與混合檢索 Semantic Chunking + Hybrid Retrieval
RAG 的成敗，八成決定在「切塊」與「檢索」這兩步。本篇拆解 chatPDF 如何從寫死的固定切塊，升級成 embedding 偵測語意轉折的 Semantic Chunking，以及如何把 dense 向量檢索與 BM25 關鍵字檢索融合成 Hybrid Retrieval——附完整 Python 實作與設計取捨。
把站台從 3.1GB 砍到 503MB：finance_data 部署效能調校全紀錄
finance_data 是一個由 ~42 個每日分析任務自動產生報告的 MkDocs 站台，膨脹到搜尋索引 195MB、首頁 1MB、單次部署 752MB、CI 跑 15 分鐘。這篇拆解我們用六個改動把它降到搜尋索引 0.86MB、首頁 53KB、部署 387MB、CI 6.5 分鐘的完整過程與設計取捨。
Cloudflare AI 安全稽核系統（三）：LLM Agent 的安全反模式——十個讓報告失去公信力的做法
從 Cloudflare security-audit-skill 的設計原則出發，系統化整理 LLM agent 做安全稽核時最常見的十個反模式，以及如何在 agent pipeline 設計中從根源消除這些問題
Cloudflare AI 安全稽核系統（二）：Agent 設計深潛——Hunt 策略、Sub-Agent Spawning、Adversarial Validation
深入拆解 security-audit-skill 的 Agent 設計：Hunt phase 怎麼派 agent、sub-agent 什麼時候 spawn、adversarial validation 為什麼是 multi-agent 系統的核心防線
Cloudflare AI 安全稽核系統（一）：六階段 Multi-Agent Pipeline 全解析
Cloudflare 開源了內部 AI 安全稽核系統 security-audit-skill——一個教科書級的六階段 Multi-Agent Pipeline：Recon→Hunt→Validate→Report→Structured Output→Verify，本篇拆解整個架構設計與核心設計決策
Stock Analysis - AVAV (AeroVironment) - 估值模型與投資裁決（下）
AeroVironment（NASDAQ: AVAV）三部曲完整選股分析（下）：DCF 三情境機率加權、EV/Revenue 與本益比相對估值、可比國防股分析、足球場估值匯總、安全邊際、資本配置與股本稀釋,最終給出目標價區間與綜合投資裁決訊號——一檔崩跌 66% 後、財報在即的墜落天使,究竟貴還是便宜？
Stock Analysis - AVAV (AeroVironment) - 技術面、籌碼面與市場情緒（中）
AeroVironment（NASDAQ: AVAV）三部曲完整選股分析（中）：從 $417.86 崩跌 66% 後的下降趨勢、均線空頭排列、超賣反彈技術面，到內部人士交易、機構持股、12% 空頭興趣與軋空潛力、總體經濟與國防預算週期，全面拆解這檔「墜落天使」的籌碼與市場情緒。
Stock Analysis - AVAV (AeroVironment) - 基本面與產業競爭力深度解析（上）
AeroVironment（NASDAQ: AVAV）三部曲完整選股分析（上）：從無人機 / 巡飛彈（Switchblade）核心特許經營權、收購 BlueHalo 後的雙部門結構、損益表 / 資產負債表 / 現金流三表、Q3 FY2026 財報落空與 SCAR 訂單減記風險，到國防無人機產業五力與護城河，逐項拆解這家從 $417 腰斬至 $142 的國防無人機龍頭。
Stock Analysis - PL (Planet Labs) - 估值模型與投資裁決（下）
Planet Labs（NYSE: PL）三部曲完整選股分析（下）：DCF 三情境機率加權、P/S 與 EV/Revenue 相對估值、可比公司分析、足球場估值匯總、安全邊際、資本配置與股本稀釋，最終給出目標價區間與綜合投資裁決訊號。
Stock Analysis - PL (Planet Labs) - 技術面、籌碼面與市場情緒（中）
Planet Labs（NYSE: PL）三部曲完整選股分析（中）：從 $51.76 高點回落 45% 後的均線結構、支撐阻力、RSI / MACD / 布林通道，到內部人士交易、機構持股（含 Alphabet）、9% 空頭興趣、總體經濟與國防預算週期，全面拆解籌碼與市場情緒。
Stock Analysis - PL (Planet Labs) - 基本面與產業競爭力深度解析（上）
Planet Labs（NYSE: PL）三部曲完整選股分析（上）：從衛星對地觀測商業模式、損益表 / 資產負債表 / 現金流三表拆解、FY2026 首次調整後 EBITDA 轉正、Q1 FY2027 財報電話會議、到產業五力與競爭護城河，逐項拆解這家對地觀測龍頭的基本面。
MiniMax M2.7 在 NVIDIA 平台上推動可擴展的智能工作流程，進一步強化複雜AI應用
MiniMax M2.7 版本不僅增強了其前一版本 MiniMax M2.5 的功能，還引入了多項創新特性，這些特性使得在 NVIDIA 平台上實現複雜 AI 應用的可擴展智能工作流程變得更加高效。本文將深入探討 MiniMax M2.7 的核心技術架構、實現細節及其在實際場景中的應用，並分析其性能優化和最佳實踐策略。
Career-Ops 完全使用指南：AI 驅動的智能求職系統
深入講解 Career-Ops，一個由 AI 驅動的求職系統，幫助你在數百個工作機會中找到最適合的職位。涵蓋安裝、配置、使用技巧和策略，助力你高效求職。
Harness 工程入門指南：AI 時代的基礎設施自動化
深入探討 Harness 在 AI 時代的角色，從基本概念、核心功能到實戰應用，幫助工程團隊建立高效的自動化部署流程，加速 AI 應用的上線速度。
Hermes Agent 完全入門指南：自我改進的 AI 智能體
詳細介紹 Hermes Agent，一個具有自我學習和改進能力的 AI 系統。涵蓋核心功能、安裝步驟、配置方式和實際應用，幫助你快速上手這個強大的自主 AI 系統。
LangGraph + AI 後端實戰：構建智能客服工單處理系統
詳細講解如何使用 LangGraph 和 AI 構建生產級的智能客服工單處理系統，涵蓋架構設計、Agent 定義、狀態管理、錯誤處理和實際案例，幫助你快速上線 AI 驅動的客服系統。
LangGraph + LangChain 完全入門指南：從基礎到生產
全面介紹 LangChain 和 LangGraph 的核心概念、架構和實戰應用，涵蓋從簡單的 Chain 到複雜的多 Agent 工作流，幫助開發者快速掌握現代 AI 應用開發框架。
LangGraph AI 後端創意應用：10 個生產級案例和未來方向
探索 LangGraph AI 後端在 10 個不同行業和場景的創意應用，從客服系統到內容創作、從數據分析到程式碼生成，展示 LangGraph 的真正潛力和未來發展方向。
LangGraph AI 後端架構設計模式：從單體到分佈式
深入講解如何設計可擴展、高性能的 LangGraph AI 後端架構，涵蓋從單體應用到微服務的演進，包括 Agent 拓撲、數據流、錯誤恢復、分佈式協調等生產級設計模式。