Swiggy通过实时机器学习排序提升搜索自动补全效果

印度外卖平台Swiggy在搜索自动补全功能中,用运行在OpenSearch内部的轻量级机器学习排序模型,替代了传统的手工规则和静态排序,在保持毫秒级响应的同时显著提升了建议相关性,且架构设计可复用至其他实时搜索场景。

印度外卖平台Swiggy在搜索自动补全功能中,用运行在OpenSearch内部的轻量级机器学习排序模型,替代了传统的手工规则和静态排序,在保持毫秒级响应的同时显著提升了建议相关性,且架构设计可复用至其他实时搜索场景。

用户在 openSUSE Factory 的 s390x (zSystems) 平台上执行 Ollama v0.24.0 构建流程时触发。具体操作是通过 osc build 或在构建服务(如 build.opensuse.org)上执行 RPM 构建。

Java 测试工具 jqwik 的作者在工具输出中嵌入了一段只有 AI 编码代理能读取的指令,指示它们删除自身代码和测试结果。大量未阅读开源协议就直接让 AI 扫描代码的开发者发现项目被“自毁”,暴露了当前 AI 编码工具在理解规则与安全边界上的根本缺陷。
![[Question]: Cann't start ragflow-es-01](https://www.chat-gpts.plus/wp-content/uploads/2026/06/2884-5451f7ce-768x403.jpg)
用户在 Ubuntu 系统上通过 docker compose -f docker-compose.yml up -d 启动 RAGFlow,Elasticsearch 容器启动后立即退出, docker ps 显示容器状态为 Restarting ,日志中反复出现 ERROR: Elasticse

在 Hacker News 上,一位开发者发帖分享了自己的体验:随着大语言模型(LLMs)和 AI 工具链的成熟,2024年终于成为“Linux 桌面之年”——过去因生态不完整而难以坚持的 Linux 日常使用,如今因 AI 开发需求变得顺理成章且充满乐趣。

用户在 Windows 上运行 llama-server.exe 或 llama-cli.exe (版本 4735,基于 commit 73e2ed3c),使用 -c 40960 设置上下文大小,未添加 --no-context-shift 参数(因此期望 context shift 默认启用),但

该功能请求针对 llama.cpp 工具链。用户在运行 GPT-OSS-120B(128 专家/层,36 层,约 57GB 专家权重)等大规模 MoE 模型时,如果 GPU 显存不足(如 8GB VRAM),需使用 --cpu-moe 将 MoE 专家权重放在 CPU RAM 中。现有的 llama

数据科学顾问 Nikhil Suresh 在一期播客中直言,AI 无法解决企业交付能力不足的核心问题。他基于多年从业经验指出,许多公司真正的瓶颈在 DevOps、利益相关者管理和基础开发上,盲目上 AI 只会加剧资源浪费与团队疲惫。

Mesa 26.2 中针对 AMD R600 系列显卡的驱动迎来 59 项代码改进,其中部分清理工作由 GitHub Copilot 辅助完成。这一事实本身就值得关注——因为受支持的上游硬件早在 2007 年就已面世,AI 正在接手本已无人问津的遗产代码。

在 HN 社区中,多位开发者公开分享了他们使用 AI Agent(而非仅 LLM 对话)构建完整软件项目的真实案例,从地理数据整理到内部工具重写,AI Agent 正从“聊天玩具”变成实际生产力工具。关键在于,这些项目在无 Agent 的情况下几乎不可能以相同成本和时间完成。