深度分析
新穎性閘注意力與可審核工作記憶：突破傳統 Token 記憶瓶頸的上下文工程
研究聚焦於長串冗餘資訊的上下文管理，提出新穎性閘注意力與內容尋址快取相結合的工作記憶。此機制僅保留獨特項目，將記憶規模與資訊多樣性掛鉤。實驗顯示在多領域資料流上，效能媲美全注意力且成本減半，預示未來 AI 系統可更有效率地處理大規模上下文。相較於傳統窗口或重複刪除策略，它在保持關鍵資訊上更具優勢。
上下文工程
Ratel
Ratel：使用 BM25 即時索引減少 80% 令牌消耗的 AI 代理上下文工程
Ratel 針對 AI 代理的上下文工程，僅注入當前任務相關工具，減少約 80% 令牌消耗，提升工具選擇精準度，避免因工具過載導致的準確度下降。它使用內建 BM25 索引，無需向量資料庫與嵌入模型，進一步降低基礎設施成本。此設計對於本地、開源與前沿模型皆適用，並提供公開基準測試證明效能提升。
速報
代理人架構與上下文工程驅動的UML自動生成
背景：大型語言模型已被用來自動化程式碼文件化。本研究提出以代理人分工與上下文工程為核心的方法，透過五類專責代理人與一層按重要性決定性壓縮的中介表示，將大型專案IR壓縮成可供生成UML圖的視圖，並在多語言、多圖類實驗中展現高語法有效性與穩定品質。
深度分析
Tavily 代理人深度研究：上下文工程與代幣效率的突破
研究代理人正成為 AI 的關鍵應用。Tavily 以上下文工程與工具抽象化提升效率，代幣使用降低 66%，並在 DeepResearch Bench 取得領先表現，預示未來研究流程將更自動化與成本友善。