深度分析
HiL‑Bench：以 Ask‑F1 評估 AI 代理求助判斷的基準測試
研究背景：現有基準忽略智慧代理在資訊不足時的求助判斷。核心做法：HiL‑Bench 以人驗證的缺資訊阻斷項測試，並以 Ask‑F1 衡量提問精度與召回率。主要結果：大型模型在缺資訊情境下表現大幅下降，且透過 Ask‑F1 強化學習微調可提升求助品質與跨領域通過率。
AI 代理
深度分析
打造安全本地化 OpenClaw 代理執行環境：完整安裝與自訂 RAG 技能教學
本篇報導介紹在本機環境建置 OpenClaw 代理執行階段的完整流程，說明如何透過本地閘道、環境變數驗證模型存取，並自訂 RAG 技能與受控 exec 工具，最終實現安全且可重複的代理運作。
OpenClaw
使用 Hugging Face 與 Llama.cpp 重建 OpenClaw 智能代理的兩條路徑
Anthropic 限制 Claude 模型存取，導致 OpenClaw 代理中斷。可透過 Hugging Face 推理服務或本機 Llama.cpp 部署開源模型復原。選擇雲端服務可快速恢復，使用本地模型則保證隱私與零成本。