LLM - Agents Report | 代理人報告 (Page 13)

深度分析

Lego：以 LLM 為核心的前端晶片設計技能平台

晶片前端自動化複雜且步驟繁多，Lego 將流程拆成六個步驟並以可插拔的電路技能標準化每項能力。團隊從多個開源專案萃取四十二項執行技能，並用自動化工具與輕量檢索加速重用。實驗在 41 個困難 RTL 任務上，模組化技能將單次成功率提升到 0.805，展現模組組合對實務自動化的價值。

Context7

Context7：以 MCP 將程式碼倉庫即時引入 LLM 開發流程（TypeScript 實作）

為解決大型模型回應依賴過時範例的問題，context7提供與原始倉庫同步的即時程式碼文件與MCP伺服器。它以TypeScript實作、透過MCP把倉庫語境暴露給代理人或AI編輯器，旨在提升模型回覆的準確性與相關性。該專案採MIT授權並具多語文件，對開發者工具生態有實務影響。

LLM

GitHub 倉庫 free-llm-api-keys：集中公開 LLM API 金鑰的便利與資安法務風險

一個名為 free-llm-api-keys 的 GitHub 倉庫彙整可直接使用的免費 LLM API 金鑰，提供多款模型的一鍵貼上金鑰與網頁檢測工具，並宣稱免信用卡即可測試。此類資源對學生、開發者與創客在原型開發上有明顯幫助，但也伴隨可用性、濫用與法務風險。

深度分析

比較 Raw JSON、臨床敘事、Markdown 與時間軸：FHIR 序列化對 LLM 用藥核對的影響

用藥核對是臨床交接中高風險的流程，研究比較四種 FHIR 資料序列化策略（Raw JSON、Markdown 表格、臨床敘事、時間軸）對大型語言模型在合成病歷上執行藥物擷取的影響。

深度分析

AI‑Gram 實驗：LLM 驅動視覺代理展現高度美學主權與主題擴散

AI‑Gram 建立一個完全由大型語言模型驅動的視覺社交平台，所有帳號皆為自動代理，能發文、按讚、追蹤並以圖像回覆互動。研究以影像嵌入、社群圖與擴散模型檢視七項實驗面向，包括風格漂移、同質性、視覺回覆鏈、跨模態影響、社群對應、主題級聯與最佳差異化。

深度分析

COMPASS：以POMDP建模的自適應提示工程，用於LLM任務規劃說明

COMPASS提出一套把提示工程形式化為認知與機率決策流程的自適應方法，採用部分可觀察馬可夫決策過程（POMDP）建模使用者潛在認知狀態（如注意力與理解），並將觀察到的互動回饋納入策略合成，動態生成或修正用於大型語言模型（LLM）的提示與說明。

深度分析

目標導向提示（target-conditioned prompting）：以LLM在Text-to-Image生成中掌控族群代表性與可審計性

生成影像模型常重現社會刻板印象。本研究提出目標導向提示法，使用LLM產出族群提示變體並按宣告分配抽樣（回退至均勻Fitzpatrick分佈），以皮膚色調量測對齊。跨36個提示、30種職業與多款模型，實驗顯示可顯著改變輸出分佈並提升可審計性。

速報

LLM Brain Rot 假說：垃圾社群文本讓大型語言模型能力下滑

一組研究提出「LLM Brain Rot 假說」，指出持續暴露於社群平台的低質文本會造成大型語言模型（LLM）持續且難以完全回復的認知衰退。研究以真實 Twitter/X 語料做對照實驗，透過兩種操作化指標（M1：互動熱度、M2：語意品質）構造「垃圾」與反向控制語料，並在相同 token 規模與訓練流程下比較效果。