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。
· 閱讀時間約 10 分鐘00
31 篇結果
標籤 #LLM
> 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。
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。
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。