LangGraph

AI Agent

從基礎到 Offer：AgentGuide 整合 AI Agent、LangGraph 與 RAG 的系統化學習指南

GitHub 新發現的 AgentGuide 專案匯集 AI Agent 開發與求職資源，提供系統化學習路徑、實作範例與 RAG 面試題庫，助台灣開發者提升競爭力並加速專案落地。此資源與 LangGraph、Dynamiq 等開源 RAG 生態相輔，適合想轉職大模型或強化 AI Agent 能力的開發者。

DocSentinel

AI 代理人自動化資安評估：DocSentinel 以 MCP、RAG 與 LangGraph 實現 SSDLC

針對企業資安評估中繁瑣的文件審查與合規性檢查，DocSentinel 推出了一套開源的 AI 代理人平台。該系統透過 Model Context Protocol 伺服器，整合 RAG 檢索增強生成與多格式文件解析，能自動化地識別資安風險與合規性漏洞。這項技術讓資安人員能從繁瑣的問卷調查與報告審查中解放，大幅提升 SSDLC 軟體安全開發生命週期中的評估效率與準確度。

深度分析

LangGraph 多代理框架結合 MediaPipe 與 Llama‑4‑Scout 的智慧運動評估系統

在大規模體育選拔中，傳統人工觀察難以兼顧規模與深度。研究提出以LangGraph協調MediaPipe幾何追蹤與Llama‑4‑Scout視覺語言模型的雙管線架構，並加入3×3SmartGrid影片切片與LLM‑as‑a‑Judge自我校正機制。實驗顯示本地化多代理系統在精準度與延遲上接近雲端基線，同時大幅降低成本與資源需求，此技術亦為本地化AI教練提供可擴展、客觀的評分基礎，預計將改變人才甄選與訓練流程。

AI 代理

「Agent Learning」開源平台全攻略：從 LLM 基礎到多代理與 LangGraph 實作路線圖

Agent Learning 是一個 MIT 授權的開源教學專案，提供系統化、實務導向的 AI 代理開發路線圖。內容涵蓋 LLM 基礎、檢索增強生成（RAG）、記憶體、工具呼叫、函式調用、代理工作流、LangChain、LangGraph、模型上下文協定（MCP）、多代理系統、評估、部署與代理強化學習（RL）。

深度分析

LangGraph、Langflow、LangChain‑core 同時曝出多重資安漏洞與修補建議

近期三大AI代理框架LangGraph、Langflow、LangChain‑core相繼曝出SQL注入、路徑穿越與不安全序列化等老舊漏洞，攻擊者可藉此取得遠端Shell、竊取金鑰。此問題源於框架預設缺乏驗證與最小權限設計，導致企業在部署時面臨重大資安風險。

深度分析

圖形導向 Kubernetes 根因分析：結合 LangGraph 與 LLM 的 Graph Traversal Agent

本研究針對Kubernetes叢集事故提出可稽核的圖形導向根因分析系統，結合大型語言模型與只讀工具進行證據蒐集與驗證。實驗顯示在ITBench基準上，根因實體F1從0.61提升至0.91，且在去除情境提示後仍保有0.70的表現。此成果顯示圖形結構與工具化策略在提升診斷可靠性方面具備可行性。

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。

深度分析

LangGraph 與 GraphRAG：以人工智慧代理自動將遺留 Fortran 有限差分程式轉譯為 Devito

在高效能科學運算中，維護大量Fortran遺留有限差分程式面臨困境。本研究以LangGraph結合GraphRAG與知識圖譜，採多階段RAG檢索與靜態程式碼分析導出檢索策略，並以Pydantic約束與LLM評估驗證，將程式自動轉譯為Devito，提高轉譯可靠性與可驗證性。

深度分析

STAR：以階段化 RCA、Fast/Slow 路由與 LangGraph 重放提升大型語言模型根因分析準確度

微服務環境的根因分析（RCA）面臨觀測訊號分散與推理錯誤傳播的挑戰。

OncoAgent

OncoAgent：結合LangGraph、Corrective RAG與QLoRA的隱私保護腫瘤決策平台

OncoAgent是一套開源、可在院內部署的腫瘤臨床決策輔助系統，採雙層精調大型語言模型（Tier 1速度型、Tier 2深度推理），並以LangGraph多代理拓樸解構臨床推理流程。系統透過四階段Corrective RAG檢索管線、跨編碼器重排與HyDE輔助嵌入，以確保模型輸出以臨床指引為依據；

深度分析

用 Groq 作為推理後端：結合 LangChain 與 LangGraph 的代理人研究框架

本文示範如何利用 Groq 的 OpenAI 相容推理端點，結合 LangChain 與 LangGraph，建構一個可呼叫工具、分派子代理並具備長期記憶的研究型代理人。文章說明沙盒目錄結構、技能註冊、網路檢索與網頁擷取、程式執行環境、子代理隔離，以及如何把研究結果寫入檔案並保存關鍵事實。

深度分析

GamED.AI：以 LangGraph 階層式多代理與 Pydantic schema 實作機制契約，生成 Bloom’s 對齊教學遊戲

面對教學內容生成的準確性挑戰，GamED.AI以分階段多代理、LangGraph DAG、確定性品質門檻與Pydantic schema約束流程，透過機制契約在生成前驗證遊戲結構與Bloom’s對齊；實驗於200題上達90%驗證通過，並顯著降低token與成本。