深度分析
持久化人工智慧代理實作觀察：基於 PARE‑M 的系統行為與治理啟示
研究觀察一名醫學研究者在 115 天內嵌入持久化人工智慧代理，系統結合記憶檔案、工具與排程等持久化元素。分析以系統層遙測與 PARE-M 測量框架為主，揭示工作流程以快取為主，產生可量化的治理與審核需求。主要發現提示研究自動化需轉向以產物為單位的成本與可複現性衡量。
記憶增強
速報
多範式LLM代理人架構解析：Generator‑Evaluator、ReAct與記憶擴充實作
研究背景：大規模語言模型代理人快速演進但缺少整合多種互動範式的統一架構。本文比較Generator‑Evaluator、ReAct與記憶擴充互動，並在開源框架中實作五階段處理流程及六維評估。結果指出預審能揭露需求缺漏，ReAct穩定但增加工具重複呼叫，對抗式討論多用於內容精修。
深度分析
多錨點架構提升 AI 代理人身份持續性與彈性記憶
現代 AI 代理人在上下文窗口溢位、對話摘要化時會出現身份遺失問題。研究提出以身份檔與記憶日誌分離的多錨點架構，搭配混合 RAG+RLM 檢索，自動導向適切的記憶存取方式。實驗證明，即使部分記憶受損，代理人仍能保持高度身份連續性，提升系統彈性與可靠性。