15 篇結果
標籤 #Agent
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。
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。
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**。
> 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。
當 AI Agent 需要與外部世界互動時，該讓它敲指令，還是講協議？
Harness Engineering 簡介