深度分析
結構化不確定性導向的 LLM 代理人澄清機制與實驗驗證
LLM 代理人在工具呼叫時常因指令模糊導致失敗。研究者以結構化不確定性和 EVPI 量化澄清問題價值，並加入成本模型避免冗餘提問。實驗顯示，SAGE-Agent 提升任務覆蓋 7%~39%，澄清次數減半以上，訓練效果亦顯著提升。
LLM 代理人
深度分析
SkillForge：自演化雲端技術支援領域智慧代理人技能鍛造框架
在雲端技術支援領域，SkillForge 以領域知識庫和歷史票據為基礎生成技能，並透過失敗分析、技能診斷與優化三階段自動迭代。實驗證明此自演化循環可持續提升技能品質，甚至超越手工專家。
大型語言模型
PilotBench：結合安全約束的通用航空代理人基準測試與評估指標
研究針對大型語言模型在航空安全領域的推理能力提出基準。PilotBench 以 708 筆真實飛行軌跡與 34 通道遙測，衡量模型在六至九大飛行階段的預測與安全合規。結果顯示傳統預測器精度較高，LLM 在指令遵循上表現佳，但在高負荷階段精度下降，突顯混合架構的需求。