#AI Programming Contest

0 关注者 · 2 帖子
文章 Shengzhi Wu · 十月 28 13m read

在线体验:http://43.139.159.100:8082/paymentguard/

——仪表盘、REST API 与背后的互操作生产全程在线,灰色地带决策由 DeepSeek 实时作出。

本文是英文参赛文章的中文版。源码:github.com/Dylan5237/payment-guard-ai。

以下是正文:


支付授权,本质上是个决策问题。

大多数支付没什么可纠结的:老客户、熟悉的金额、常用的设备,几条确定性规则微秒级就能放行或拦下。真正难的是中间那片灰色地带——新设备、不常见的国家、比平时高出一截的金额、KYC 还没过审的客户。人工分析师的时间基本都耗在这里,而这恰恰是大模型 Agent 能帮上忙的地方——前提是它手里有真工具,查得到真数据。

PaymentGuard AI 做的事就这么直接:把一个真实的 IRIS AI Hub Agent(%AI.Agent)当成一个业务操作,塞进一条普通的互操作生产里。Agent 不瞎猜——它通过 AI Hub 的 SQL 工具直接查支付平台自己的 IRIS 库,查完按严格的 JSON 格式给结论;剩下的路由、审计、算 token 成本,生产全接管。

混合决策:规则打头,Agent 收尾

每笔支付进生产后走三段:

  • 确定性规则先上。 制裁地区、黑名单、硬性限额、速率尖峰,命中即拦;完全可信的客户加小额加常用设备加本地,直接放行。
0
1 11
文章 Kelly Huang · 十月 9 5m read

简而言之:

omniEmbedding 是一个 100% 基于 ObjectScript 的网关,它将来自 10 家不同提供商(Ollama、OpenAI、Azure、Cohere、Gemini、Mistral、Voyage、 Jina、Bedrock、VertexAI)的嵌入数据,将其集中管理于 InterSystems IRIS 平台内,因此您既不会被锁定在单一提供商,也不会因在 RAG 管道中混合使用不兼容的向量而陷入困境。

rule them all

我的想法并不是要锻造“至尊戒”——这事儿就留给托尔金和索伦去搞吧,😅。

事实上,原生类 %Embedding 和 %Embedding.OpenAi 让任何在 InterSystems IRIS 上进行向量搜索的人都轻松得不可思议。

不过,去年我不得不整合一个必须完全依赖 Azure OpenAI 平台的项目。情况变得有些复杂。我不得不对解决方案进行定制(在此要特别感谢 @Alex Woodhead在社区帖子中提供的关键帮助)。

现向大家介绍omniEmbedding:一个精简的、100% 基于 ObjectScript 的网关,用于在 10 家不同的 LLM 提供商之间路由嵌入向量。

方法论:基于规格的开发与人工智能

该项目的真正差异化优势在于其背后的工程实践。

0
0 31