跳至主要內容

觀點文章,第 24 頁

金融 AI 實作、架構設計與產品觀察。

分類與排序

第 277–288 篇,共 327 篇

Gemma 4 完整開發者指南:Google 最強開源 LLM 全面解析

2026年4月,Google DeepMind 正式發布 Gemma 4,首度採用 Apache 2.0 授權,提供 E2B、E4B、26B MoE 和 31B Dense 四種規格。31B 模型在全球開放模型排行榜名列第三,支援 256K 上下文視窗與原生 Agentic 工作流程。本文完整解析 Gemma 4 的架構亮點、各版本特色,以及開發者如何快速上手部署。

OpenClaw 創辦人的故事:一個小小的想法,也能撼動世界

OpenClaw 創辦人 Peter Steinberger 從一個週末小專案出發,用 Anthropic 的 Claude 打造了 AI Agent 框架,卻因商標爭議被迫改名。這段從車庫到被 OpenAI 延攬的旅程,證明了在 AI 大航海時代,任何一個小小的想法都可能改變遊戲規則。

AI Agent 產品設計的 5 個陷阱

Agent 聽起來很酷,但在企業環境做 Agent 產品很容易踩坑。這是我親身經歷的五個設計陷阱。 2025 年是 AI Agent 元年。到了 2026 年,每個企業都在問:「我們也要做 Agent 嗎?」 但「做 Agent」和「做好 Agent 產品」是兩件完全不同的事。 這篇分享我在設計...

如何衡量 GenAI 功能的 ROI?我用的 4 個指標

主管問你「AI 到底值不值得投資?」時,你需要拿出數字。這是我用來證明 GenAI 價值的四個指標框架。 每一個做 GenAI 的 PM 都會遇到這個問題: 「AI 很好,但怎麼證明它值得投資?」 在銀行,這個問題更尖銳。因為每一筆 AI 的投資都需要和傳統 IT 項目競爭預算——而傳統項目...

Prompt Engineering 在企業場景的眉眉角角

企業級 prompt 跟個人使用完全不同。結構化、版本控制、多角色設計——這些是我踩過的坑。 個人用 ChatGPT 寫 prompt,最多就是「幫我寫一封信」。 企業用 LLM 寫 prompt,是一整套工程實踐。 這篇分享我在企業場景中做 prompt engineering 時,累積的幾個...

RAG 系統設計:金融知識庫的 3 個關鍵決策

在銀行建 RAG 系統,chunk 策略、embedding 模型、retrieval pipeline 三個決策點怎麼選?實戰經驗分享。 RAG(Retrieval-Augmented Generation)是 2024-2025 最熱門的企業 AI 架構。但真正在企業環境中建過 RAG 系統...