深度分析
多模態 Computer-Using Agents (CUA) 風險評估與防禦方法全解析
隨著AI代理人能操作電腦圖形介面，安全與資安風險同步升級。研究系統化整理CUAs的威脅類型、防禦手段與評測基準，指出視覺誤判與指令注入等漏洞，呼籲建立統一安全標準與透明機制。同時，本文比較傳統RPA與新興CUA在功能與風險上的差異，並預測此技術將重塑開發者生態與法規治理。
LLM
深度分析
MappingEvolve：以 LLM 演化映射演算法優化 EDA 面積與延遲
MappingEvolve 提出以大型語言模型（LLM）直接演化科技映射（technology mapping）核心演算法，將映射流程抽象為三個可演化操作子：MatchPhase、MatchPhaseExact 與 MatchDropPhase，並以 Planner→Evolver→Evaluator 的分層代理架構執行策略選擇、變異產生。
深度分析
大型語言模型在教育諮詢中的社會人口偏見：實驗化分析與資訊密度影響
本研究以 243,000 答案的大規模實驗，評估六款前沿大型語言模型（LLM）在 K–12 教育諮詢場景的社會人口偏見。作者透過 900 個情境短篇（vignette），交叉 15 種族群與身份標籤、9 種資訊密度與 10 類決策情境，量化模型在大學建議、課程分流、特優生鑑定等多面向的差異性建議。
深度分析
Bian Que：以 Flexible Skill 與 LLM 驅動的自我演化運維代理框架
面對每日多次軟體釋出與海量監控訊號，提出BianQue框架。它以三線防禦（釋出攔截、主動巡檢、警示根因分析）與FlexibleSkill自動組裝事件所需資料與知識，並以單一回饋驅動知識庫與Skill共同演化。部署結果顯著降低告警並縮短處理時間。
深度分析
量化大型語言模型對法官判決影響：說服力實驗與合規考量
研究以大型語言模型作為法律決策輔助，測試模型在不同說服者下的判斷變化，使用四種說服者模型與開放/封閉權重模型比較，發現模型受說服者影響介於8%至21%之間，顯示大型開放模型較不易受說服，小型模型則更易受說服者影響，凸顯其說服性與偏誤風險問題。
LLM
FindJobs-Agent：以 Python 與 LLM 整合的職缺爬蟲、履歷解析與模擬面試工具
FindJobs-Agent 是一個開源的求職自動化套件，結合大型語言模型（LLM）、網路爬蟲與人工智慧面試模組，從職缺爬取到面試準備提供一條龍流程。專案具備多廠商職缺爬蟲（API 與 Selenium 雙模式）、自動化資料清理、技能標註與重要性評分、履歷解析與匹配計算，以及多回合面試模擬與即時回饋。
深度分析
大型語言模型（LLM）在美國聯邦研究補助：對提案定位、審查與產出之實證分析
聯邦研究補助影響科學方向。本研究以2021–2025年NSF與NIH的提案與獎助文本，採語言模型檢測法估算LLM使用。結果：自2023年起LLM使用急增且呈雙峰；LLM高使用使文本更接近既有資助，NIH顯示提案成功率與發表量上升，但NSF未見相同關聯，且新增發表多為非高引用論文。
深度分析
Praxis：以結構化服務依賴圖（SDG）與hammock-block PDG驅動的雲端程式與設定根因分析
雲端生產事故造成高昂營運成本。論文提出Praxis，一種以大型語言模型為核心、沿服務依賴圖與hammock-block程式依賴圖進行結構化遍歷的指揮器，用以把觀測到的症狀追溯至程式或設定層級。實驗顯示Praxis相較現有ReAct基線，在定位準確度與token消耗上都有顯著改善。
neovim
Minuet — Lua 編寫的 Neovim LLM 補完框架，支援 OpenAI、Gemini 與本地模型
Minuet 是一個針對 Neovim 的開源外掛，將多家大型語言模型整合為「即時逐字」程式補完體驗。專案支援包括 OpenAI、Gemini、Claude、Ollama 與 Llama.cpp 等供應者，並提供虛擬文字（virtual text）、nvim-cmp 與內建 LSP 的補完模式選項。
YAMS
為 LLM 建構本地知識庫：YAMS 的 Merkle 儲存、Rabin 分塊與 SQLite FTS5 向量檢索整合
YAMS 是一個針對大型語言模型與應用的持續性記憶系統，採用 SHA‑256 內容位址儲存並支援區塊去重與壓縮。它結合 SQLite 全文搜尋與向量嵌入檢索，提供快照與 Merkle 樹差分管理。此專案仍屬實驗階段，若成功可降低 LLM 記憶成本並提升本地部署彈性。
深度分析
大型語言模型在心理健康應用的五軸安全評估框架解析
隨著大型語言模型被廣泛部署為心理健康輔助工具，僅16%相關聊天機器人接受臨床效能測試；研究以250筆延長暴露治療與146筆認知行為重組情境評估模型，發現表層回應雖接近完美，協議遵循度在高嚴重度下僅0.22‑0.33，安全干預分數亦大幅下降。結果顯示現行安全對齊會削弱治療，呼籲以五軸框架評估方可上線。
LLM
LLM-Reviewer 與 GitHub Actions：提升碩士專題程式碼審查與自我調節學習的實證研究
在碩士專題中引入LLM作為PullRequest內建審查員，研究比較2023與2024兩個學期的採用與行為變化。工具在PR流程內以結構化評論提示反思與可操作建議，並保留人類判斷，降低認知卸責風險。實驗顯示交互次數、錯誤率與回應行為呈穩定改變，為教學實務提供操作性建議。