📖 學習資源

62 應用、110 技能、6 角色 plugin、一鍵生成互動網站——Codex 從寫 code 工具轉型為白領工作指揮中心

七個技術方向一次整理：語音下單平台比較、Headless WordPress + Astro、AI 原生開發模式、LINE Bot + LLM 整合、Jetpack AI 工作流

Scout vs Spark vs OpenClaw vs Odysseus vs nanobot vs Hermes — Always-On agent 元年，六大方案深度比較

TypeScript 原生 AI agent 工具包：coding agent CLI + 統一 LLM API + TUI。極簡核心、全系統權限 extension、session 分支、供應鏈安全實踐

不是一個工具，而是一張地圖——涵蓋 11 種提示技術、80+ 工具推薦、數十篇論文索引。

插在 Agent 和 LLM 之間的透明壓縮代理。SmartCrusher + CCR 可逆壓縮，節省 60-95% token

QAT 品質完勝傳統 PTQ，行動端專用量化格式把 Gemma 4 E2B 文字版壓到 <1GB，手機原生執行 LLM 成真。

單步 95% → 10 步後 59.9%。五種真實失敗模式、三層復原架構、GitHub/DeepMind/Zylos 生產級實踐一次整理

弱模型委員會 ×8 + 驗證器 ≈ 強模型單獨。瓶頸是 coverage 而非 selector。

保留最近 5 對 tool call + 自動摘要，完成率 91.6%、token 少 62.7%、時間少 60.2%

路由瓶頸是資訊赤字非推理不足。C-A-F loop 累積經驗後 ID/OOD 都碾壓靜態 router

5,832 次配對實驗：553 增益 vs 324 迴歸（59% 抵銷）。三種迴歸機制：描述滲透（技能僅存在就改變行為）、接地置換（程序覆蓋正確輸入）、驗證置換（抑制輸出檢查）。方法不是瓶頸—接地與驗證才是

記憶操作建模為 MDP，tabular contextual bandit + UCB 線上學習，0 額外 LLM call。跨 6 benchmark +3 framework +3 LLM，成功率最高 +15.2 pts，token 節省 5-20%。

首創 tensor 粒度 hybrid CPU-GPU offloading，靜態 knapsack DP 放置 + 負載感知動態傳輸 + 非同步管線，decode 吞吐量最高 3.29x，GPU 利用率 +70%。

behavioral state decay: independent memory agent + 3-tier bank + two-phase intervention. Selective silence beats always-on injection. Sonnet 4.5 +8.3pp, Opus 4.6 +2.4pp.

七套記憶系統全軍覆沒：檢索越強，諂媚越嚴重。DeepSeek 準確率 -18%、諂媚率 +24%，記憶系統缺乏「不信任自己記憶」的能力。

MemRefine 記憶壓縮 + Agent-Native Memory 系統評估 + Mem0 生產基準——六條 agent 使用建議，從預算控管到架構選擇

MemRefine 記憶壓縮 + Agent-Native Memory 系統評估 + Mem0 生產基準——六條 agent 使用建議，從預算控管到架構選擇

首個動態環境 Agent 基準：環境持續演化，現有 Agent 平均準確率僅 39.6%。EvoMem patch-based 記憶讓 GAIA +6.1%、LoCoMo +4.8%

Agent 軌跡不是用完就丟——MATM 建立族群級共享倉庫，讓新 agent 直接檢索上手，不需要溝通或聯合訓練就能提升全體表現

4 層認知階層記憶 + System1 晝間寫入 + System2 夜間歸納，跨對話隱性推理 +5.20 分。借鏡心理學雙歷程理論重塑 Agent 記憶架構

不再只在 prompt 裡翻舊帳——TMEM 首度讓 Agent 透過線上 LoRA 微調「內化」經驗，在單次任務中改變行為。SVD 初始化 + RL 可優化提取策略

Critic-Policy 共演化閉環：自動標籤過程獎勵→自己學習→生成更好資料。不需人類標註，逐步自我改進長程決策。

通用記憶機制在低重複、隱式獎勵環境下全面潰敗——甚至不如無經驗 baseline。Tree-of-Experience 用結構化經驗樹 + 非參數 RL 扭轉局面。

技能的五階段生命週期（創建→記憶→管理→評估→精煉），讓代理從「工具使用者」進化為「工具創造者」

von Mises-Fisher 新穎性偵測 + 自適應閘門，即插即用 A-Mem 省 16-18% LLM 呼叫品質不降。

代理記憶瓶頸不是「能不能查到」而是「該不該記住」——EVAF 用驚喜-效價雙閘門 LoRA 固化，目標持久性 0.812-0.904。

記憶不該是靜態倉庫——三階段異質圖演化讓 LoCoMo 達 95.06，三基準全 SOTA。

記憶不是瓶頸，算力才是。讓模型在清空 KV cache 前多跑幾圈，把上下文真正「消化」。