AREX：AI 如何學會改進自己——遞迴自我提升研究代理解析
AREX 是一個能遞迴自我改進的 AI 研究代理，它不只執行深度研究任務，還會反思自身的執行策略並持續優化。本文用「鏡中鏡」類比，帶你拆解這個架構的運作原理與深遠意義。
· 閱讀時間約 6 分鐘00
28 篇結果
標籤 #Agent
AREX 是一個能遞迴自我改進的 AI 研究代理，它不只執行深度研究任務，還會反思自身的執行策略並持續優化。本文用「鏡中鏡」類比，帶你拆解這個架構的運作原理與深遠意義。
長期任務讓 LLM Agent 陷入記憶困境，根本原因不是上下文不夠，而是無法有效管理過多資訊。本文從 AgenticSTS 有界記憶框架出發，解析為什麼強迫 Agent 主動選擇「記什麼、忘什麼」，反而能讓長期任務走得更穩。
當 AI Agent 擁有記憶系統，它可能開始「諂媚」自己過去的決策，讓初始錯誤越滾越大。本文拆解記憶諂媚症的成因、危害與解法。
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。
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」。
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。
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。
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？
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。