投機解碼：讓 LLM 推理速度飆升 3 倍的秘密武器

LLM 回應為何是「一個字一個字」冒出來？因為自回歸生成天生序列、無法並行。投機解碼用「小模型先猜、大模型批次驗證」的策略，把推理速度提升 2–3 倍，且完全不損失輸出品質。

Agent 的自制力：為什麼 AI 代理需要懂得「不動手」

當 AI Agent 具備強大的行動能力，卻不知道何時該停手——這才是最危險的盲區。本文探討 Agentic Abstention：讓 Agent 在不確定時學會選擇「不行動」的能力。

語言世界模型：用 35B 參數打敗千億模型的 Agent 新典範

Qwen-AgentWorld 提出「語言世界模型」：訓練 AI 在採取行動前先預測環境狀態，讓 35B 參數的開源模型超越 Claude Sonnet 4.6，397B 版本擊敗 GPT-5.4。這不是靠更多參數，而是靠更深的「世界理解」。

不靠更多參數，靠更長視野：Agents-A1 如何用 35B 打敗千億模型

Agents-A1 只有 35B 參數，卻能在長視野任務上超越千億參數的大型模型。關鍵不在記更多，而在想更久——這就是 Agent Horizon Scaling 的核心思想。

Claude Code Dynamic Workflows：從功能介紹到與 Function Calling 的架構比較

Dynamic Workflows 不只是更快的 AI 回答，而是把計畫的控制權從 LLM 的 context 移到程式碼裡。本文從功能介紹出發，深入比較它與傳統 function calling 一來一回模式的本質差異。

生成式 AI 是聰明的鸚鵡嗎？從 Yann LeCun 的批評看世界模型理論

Yann LeCun 認為現在的 LLM 只是「超級進化版的鸚鵡」——會說話，但不懂意思。他提出的世界模型與 JEPA 架構，究竟想解決什麼根本問題？

Anthropic 工程師「HTML 取代 Markdown」：事實查核與分析

近期網路熱傳 Anthropic 工程師不再使用 Markdown，改用 HTML 與 LLM 互動。這件事是真的嗎？本文查核來源、摘要論點，並提供觀點分析。

Routing Pattern 深入比較：LLM 分類 + RunnableBranch vs Coordinator + Sub-Agent

同樣是 Routing Pattern，LangGraph 的 LLM 分類 + RunnableBranch 與 Google ADK 的 Coordinator + Sub-Agent 架構有何本質差異？本文透過實際案例，拆解兩者的設計邏輯與選用時機。

COT 思維鏈：讓 AI 像人一樣一步步思考

什麼是 COT 思維鏈？跟 ReAct 有什麼差別？AI Agent 怎麼應用？一篇讓你搞清楚的入門介紹。

MCP 與 Tool 系統深度比較：何時該用哪一個？

當我們談論 AI Agent 的能力延伸時，「工具调用」是不可繞過的核心議題。2024 年底，Anthropic 發布了 **Model Context Protocol（MCP）**，一個試圖標準化 AI 與外部工具溝通的開放協定。與此同時，Claude Code、Cursor、Copilot 等主流 Agent 產品仍採用各自原生的 Tool 系統。

樂活五線譜：薛兆亨的價值投資實戰心法

樂活五線譜與樂活通道的雙重確認系統，用統計數據過濾情緒，打造客觀的價值投資框架。

AI Agent 與 LLM 交互過程中的 Tool 功能：從原理到實戰

讓 AI 不只會「說」，還能真正「做事」——透過 Tool 機制，LLM 從一個會聊天的脑袋，變成能操控世界的智能代理。

生成式 AI 的串流回應

`stream: true` 是 LLM API 的一個參數，決定 AI 回覆是**一次性全部傳回**，還是**逐塊（chunk）即時傳回**。

🔑 揭開記憶的神秘面紗：人類記憶的運作機制

記憶，是人類最神奇的能力之一。從童年的第一個生日蛋糕，到昨天午餐吃了什麼——這些看似平常的片段，其實都是大腦精密協作的成果。今天，就讓我們一起探索記憶的運作奧秘。

深度解析：OpenAI Function Calling 的運作原理與實作指南

當無記憶遇上多階段：LazyHole-Agent 跨輪狀態實驗報告

Agent Loop 策略：為什麼有的 tool 要多輪、有的要單輪

> 一句話摘要：LLM 呼叫工具後要不要再 call 一次 LLM，是延遲與能力的取捨。這份筆記解釋這個專案是怎麼決定的。

深入淺出 LLM 指令遵從

本文深度解析大型語言模型（LLM）指令遵循失敗的 8 大原因，從 Prompt Engineering 角度提供表格化、正向指令及結構化優化策略，助你打造更精準的 AI 溝通術。

RAG 技術中的 Reranking（重排序）

向量搜尋找得快，但找得不夠準——Reranking 就是那個在最後把最重要的資料推到前排的裁判。

模型蒸餾

讓小模型繼承大模型的「智慧」，而不只是複製它的「答案」。

解密 LLM 知識庫：Karpathy 的「LLM Wiki」如何重新定義 RAG

Andrej Karpathy 提出 LLM Wiki 概念，主張 AI 應透過「知識編譯」將 RAG 資料轉化為結構化 Wiki，而非反覆碎片化查詢。本文解析參數化記憶、現代 RAG 與 LLM Wiki 的本質差異與挑戰。

MCP 與 CLI：AI 時代的兩種工具整合哲學

當 AI Agent 需要與外部世界互動時，該讓它敲指令，還是講協議？

如何驗證LLM降智

模型真的變笨了嗎？本文提供五大測試維度與嚴謹的統計學方法，教你如何用數據驗證 AI 模型降智，排除主觀偏誤，建立自動化監控管線。

知識圖譜的靈魂之問：AI 工程中的 KG 是設計給「機器」還是「人」看？

在大型語言模型（LLM）橫掃技術領域的今天，Knowledge Graph（知識圖譜，以下簡稱 KG）座定位正經歷一場深刻的變革。對於一個正處於 AI 應用浪潮中的舊專案來說，KG 不僅是技術組件，更是連接「過去代碼」與「未來智能」的橋樑。

模型降智??

這篇文章將 AI模型降智比喻為「連鎖咖啡店的配方調整」，深入分析了廠商在成本、速度與安全性之間進行權衡時，如何導致模型在深度推理與指令遵循能力上的偏移，並提供了 McNemar's Test、LiveBench 等科學驗證方法。

不丟失語意地縮小 Context Window 壓力

AI 模型的「短期記憶」有上限——這篇文章告訴你工程師怎麼在不讓它失憶的前提下，騙它用更少的空間記住更多的事。

量子糾纏

兩個粒子，無論相距多遠，測量其中一個，另一個的狀態瞬間確定——這不是魔法，是宇宙運作的規則。

從零開始建立 RAG 系統：完整流程拆解

想讓 AI 讀懂你的文件再回答？這篇用最白話的方式，拆解 RAG 系統從「準備資料」到「回答問題」的完整流程，附上 Python 和 TypeScript 程式碼範例。

RAG：讓 AI 不再瞎掰的關鍵技術

RAG 是一種讓 AI 先查資料再回答的技術，大幅減少幻覺問題。你每天用的 Cursor、Copilot、Claude Code 背後都在用它——理解 RAG，就是理解你手上 AI 工具為什麼有時超神、有時超廢。

Harness Engineering 簡介：從 Prompt 到系統化架構

Harness Engineering 簡介

打造 Blog 系統時，我修復了哪些資安漏洞

記錄建立 Next.js Blog 系統後，針對 Brute Force、CSRF、JWT 黑名單、Slug 衝突等資安問題的修復過程。

產品模式 vs 專案模式

軟體開發有兩種玩法：「做完就散」的專案模式，以及「養一支長期隊伍」的產品模式。這篇文章用費曼學習法拆解 Martin Fowler 的經典文章，告訴你為什麼現代軟體團隊應該從接案思維轉向產品思維。