深度分析
Mycelium 主動共享上下文圖：提升 AI 代理人協作與科學發現效率
研究指出，Mycelium透過主動共享上下文圖即時連結人類與AI代理人的科學資訊，提升跨領域協作效率。相較於AWS OpenSearch Serverless的即時查詢層Mycelium更能保留上下文證據溯源。實驗顯示，較單一大型模型可加速發現、降低token消耗，預期重塑企業AI代理人部署與供應商格局。
知識圖譜
深度分析
以知識圖譜驅動的槽位對齊：KARMA 與 SPA 在 LLM 偏好優化中的成效
隨著大型語言模型推理需求增長，KARMA 透過知識圖譜產生結構對齊的對比樣本，並以 SPA 在實體槽位層面進行偏好學習，實驗顯示在生醫、化學與計算機領域的推理基準上皆超越傳統序列或標記層級方法。KARMA 枚舉符合模式的圖路，利用重複度作為支持選擇，SPA 亦可選用槽位感知遮蔽注意力提升效能。
EdgeQuake
EdgeQuake：Rust 實作的高效能 GraphRAG 框架，支援本地知識圖譜與混合檢索
EdgeQuake 為 Rust 語言打造的高效能 GraphRAG 框架，支援 Docker 一鍵部署，能將文件轉換為知識圖譜並提供混合檢索與生成，該框架採用 LightRAG 思想，內建向量與圖結構索引，並支援 OpenAI 與 Ollama 兩大模型供應商，適合本地部署。
深度分析
「雙螺旋治理」框架結合 Agentic AI 與知識圖譜提升 WebGIS 開發穩定性
WebGIS開發面臨模型上下文、遺忘與指令失效等五大限制，我們提出雙螺旋治理框架以知識外部化與行為強制兩軸穩定代理人，於FutureShorelines專案中將2,265行程式碼重構為模組化ES6，降低51%循環複雜度並提升可維護性。此結果證實外部化治理優於僅靠模型能力的零樣本LLM，提升了地理資訊工程的作業可靠性。
深度分析
EO-Agents 系統結合知識圖譜、異質圖神經網路與多模型 LLM 進行地球觀測假說生成
隨著NASA大量觀測資料的累積，研究團隊開發EO-Agents三代理人管線，透過知識圖譜與異質圖神經網路挑選未被共用的資料配對，再由LLM篩選、生成與評估結構化假說，最終產出160個跨領域研究構想，且新配對的可信度與實際文獻共用相近。此技術預期將加速跨領域資料整合，推動氣候與環境研究新突破。
深度分析
知識圖譜提升 LLM 在工業資產運營的精準度：從 65% 到 99% 的實驗結果
在工業資產管理的海量結構化資料上，研究者將傳統的文件資料庫換成知識圖譜，讓大型語言模型改為生成結構化查詢。此做法將原本65%的任務完成率提升至99%（決策式圖處理）或82%以上（LLM產生Cypher）。此外，擴增40項圖本位測試，於467情境皆保持100%通過。
深度分析
FundaPod：多角色代理人與知識圖譜記憶的基金研究平台
在機構基金研究中，FundaPod 以多角色代理人結合知識圖譜記憶，讓不同投資觀點獨立分析後再由人類投資經理裁決。此平台透過 persona 蒸餾、宣告式技能登錄與證據模型，提升證據可追溯性與研究可重用性。實驗顯示可加速研究流程並改善決策透明度。
深度分析
GeometrE：全幾何盒子模型實現可解釋的多跳知識圖譜推理
研究聚焦於知識圖譜多跳推理，提出 GeometrE 以盒子嵌入直接映射邏輯運算，並加入傳遞損失函式。實驗在標準基準上超越現有最先進方法，提升解答正確率與可解釋性，同時省去神經網路學習邏輯層，保留完整幾何可視化。此框架有望推動開源幾何規劃工具生態，並在自駕與機器人導航等實務領域帶來新方向。
深度分析
AWS Context 自學知識圖譜服務：即時為 AI 代理人提供上下文層
AWS 於 2026 年在雲端平台上推出三項新服務，核心為 AWS Context 知識圖譜。該服務自動從企業內部的 S3、Glue、Lake Formation 等資源抽取關聯資訊，形成可供 AI 代理人即時查詢的上下文層，並隨著代理人使用自我學習、持續優化。
深度分析
TRACE‑KG：結合大型語言模型的高召回知識圖譜自動建構框架
隨著大型語言模型支援文件檢索，研究提出TRACE‑KG框架，透過多階段抽取與資料驅動的schema誘導，生成可追溯且含條件限定的知識圖譜。實驗顯示其在結構完整性與查詢正確性上優於傳統方法。此外，框架以多模態文件文字化、段落分割與LLM導向的行動函式，保留每筆證據的來源標記，提升審核與維護效率。
深度分析
基礎模型結構化殘差流與知識圖譜正交子空間：克服阻抗不匹配的策略
隨著大型語言模型與知識圖譜的應用日增，傳統以文字檢索串接的方式仍無法保留圖譜的結構與邏輯。本文提出以結構化殘差流、向量符號架構與正交子空間編輯為核心的融合路線，指出現有的詞彙注入與向量對齊均會產生資訊瓶頸與幻覺風險，並預測未來若能在模型架構層面內化符號結構，將提升多跳推理的可靠性與可編輯性。
深度分析
格式驅動的注意力偏差：結構注意稅在 RAG 系統中的實驗分析
本研究探討檢索增強生成中知識圖譜格式如何影響注意力分配，提出結構注意稅概念，發現三元組每 token 吸收注意力約為自然語句的 2–3 倍，導致示範注意力壓縮最高 42%。透過語意與結構分解，指出優化檢索內容與降低格式驅動注意力是兩條獨立改進路徑，並驗證格式平坦化等緩解策略的效益。