27 篇文章
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？
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。
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。
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。
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。
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。
`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**。
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。
> 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。
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。
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。
讓小模型繼承大模型的「智慧」，而不只是複製它的「答案」。
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。
當 AI Agent 需要與外部世界互動時，該讓它敲指令，還是講協議？
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。
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。
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。
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。
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。
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 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
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。
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。