Open‑SWE

Open‑SWE：開源非同步程式碼代理框架，結合 LangGraph 與 Deep Agents 的企業級自動化解決方案

LangChain 推出的 Open‑SWE 為企業內部程式碼代理提供開源實作，結合 LangGraph 與 Deep Agents，支援 Slack、Linear 呼叫與自動 PR，並內建雲端沙盒與子代理編排，讓企業可效仿 Stripe、Ramp、Coinbase 的內部自動化流程，降低自建成本與維運門檻。

Emdash

Emdash：開源 Agentic Development Environment：多 AI 編碼代理平行工作與 SSH 遠端支援

Emdash 是由 generalaction 在 GitHub 上維護的開源專案，定位為 Provider‑agnostic 的 Agentic Development Environment（ADE），能在本機或遠端主機上同時啟動多個 AI 編碼代理，每個代理在獨立的 git worktree 中執行，確保環境隔離。

深度分析

「Decan 指標」：以資訊理論測量 LLM 多樣性並與人類寫作比較

研究提出以資訊理論為基礎的「Decan」多樣性指標，透過單次前向傳遞取得每位元驚訝度，無需嵌入模型或人工標註。實驗在McDiv基準與OLMo‑2‑7B後訓練流程上均展現與人類判斷相近的表現，並偵測到RLHF導致的多樣性下降，此指標亦可用於比較不同解碼策略的多樣性貢獻。

Claude Code

「Claude Code」開源技能套件：13 個影片與公眾號自動化工作流完整指南

Claude Code近期出現一套專注於影片製作與公众号寫作的開源skill集合，支援轉寫、翻譯、配音、多機位剪輯與字幕生成，可直接於Claude Code或相容的Codex CLI呼叫，提升內容創作自動化，對台灣創作者與開發者的工作流程產生即時效益。

Git

my-git實戰手冊：AI 原生開發的 Git 與 GitHub 全流程指南

Git手冊在AI時代重新定位，my‑git提供新手至技術負責人完整路徑，涵蓋衝突處理、分支策略與AI生成程式碼審查，助於提升團隊協作與風險管控。適合新手、普通開發者、高階開發者與技術負責人，並提供AI工具整合指南，讓團隊在版本控制上更安全、更高效。

深度分析

STaR‑KV：時空自適應 KV 快取壓縮提升 GUI 代理人效能與記憶體利用率

圖形使用者介面（GUI）代理人因KV快取隨交互步驟線性增長而受限，STaR‑KV提出時空自適應重新加權，透過子空間互資訊、時間穩定折扣與熵導溫度三軸校準，於四項基準測試中在相同記憶體預算下提升準確度並減少近40%峰值GPU記憶體效能使用。

深度分析

研究揭示大型語言模型導致公共討論論點高度收斂

本研究探討大型語言模型在公共辯論寫作中是否會導致「論點坍縮」──即不同模型產出相似的主要論點與段落結構。研究比較《紐約時報》與《波士頓評論》論壇的人類與模型回應，發現模型的主要論點唯一性僅約3%，遠低於人類的65%，且在次級論點與結構上亦高度同質。此現象可能削弱公共議題的多樣性與觀點深度。

速報

FLARE 框架：結合混合注意力與擴散式生成的高效大型語言模型轉換

自回歸大型語言模型在實務應用上取得成功，但逐字解碼仍是低延遲部署的瓶頸。近來的效能優化研究分為兩條路徑：透過混合注意力架構降低單次模型呼叫成本，以及利用擴散式語言模型（dLLM）以平行去噪方式減少序列步驟。FLARE 提出一套系統化的轉換框架，將混合注意力 LLM 轉換為同時支援自回歸驗證解碼與擴散平行去噪的模型。

速報

SECUREVENT：結合 AI 與 CEP 的分散式事件系統安全監控架構

分散式事件系統在即時資料傳輸、物聯網與雲端微服務中扮演關鍵角色，但其鬆耦合與非同步傳遞也擴大了攻擊面。研究提出 SECUREVENT，結合驗證傳輸、主題授權、簽名事件等傳統防護與線上異常偵測、圖形行為特徵、複雜事件規則、聯邦學習與對抗式機器學習治理的混合式安全監控架構。

深度分析

跨實例注意力路由：MLA 在 H100 叢集上的低延遲效能分析

研究指出，當大型語言模型的KV快取跨GPU分割時，使用Multi‑headLatentAttention以路由查詢代替搬移快取，可在多節點H100叢集上減少超過70%的傳輸位元，且在小批次查詢下以十微秒等級的延遲取代毫秒級的快取重組。此結果為未來跨實例推論提供實務參考。

深度分析

TechGraphRAG：利用 GPT‑4o‑mini、FAISS 與 Neo4j 提升工程文獻推理的 RAG 系統

本研究針對智慧輪胎與車輛動態等領域的兩千餘篇技術文獻，開發了TechGraphRAG——一套結合代理式檢索、知識圖譜與外部學術資料庫的13步驟RAG框架。系統可自動分類查詢意圖、評分證據充足度、在內部與外部資源間迭代搜尋，並以圖譜關聯提升答案可信度。實驗顯示，此架構在文獻導航與技術推理上顯著提升了證據完整性與回應品質。此外，框架透過Neo4j圖譜的共引與作者關聯，提供跨論文結構化檢索，提升答案可追溯性。

深度分析

TN‑SHAP‑G：利用圖形結構張量網路高效計算 Shapley 值與高階互動指標

研究針對圖形資料的模型解釋提出TN‑SHAP‑G框架，利用圖結構對齊的張量網路壓縮指標表，僅需少量查詢即可確定Shapley值與高階互動指標，實驗顯示在分子基準上與精確值0.99以上相似，且查詢量比抽樣方法低十至百倍。此方法亦適用於其他圖形預測任務。