深度分析
RAGthoven：結合檢索增強與四階段 LLM 管線的多語言笑話生成系統
SemEval‑2026首次聚焦多語言笑話生成，RAGthoven以檢索增強規劃、四階段LLM流程結合幽默理論。實驗顯示加入RAG可提升西班牙語分數42點，且多階段提示提升品質。儘管代理式工具呼叫成本大增，卻未超越非代理基線，暗示在強大模型下複雜管線效益有限。
Retrieval-Augmented Generation
深度分析
Model Context Protocol (MCP) 與動態語境檢索：縮小 AI 代理人語境存取鴻溝的關鍵技術
研究指出，AI 系統若能自動從使用者知識庫取回語境，與需手動附加語境的差異構成「語境存取鴻溝」，此差異決定了白領工作的 AI 效能門檻，並可能加劇知識工作者的階層分化。此現象不僅影響個人使用者的生產力，也在企業層面形成平台鎖定與資源不均，成為 AI 不平等的微觀變項。
RAG
All‑in‑RAG：從 Embedding 到生成的 RAG 實作與部署指引
All‑in‑RAG 是一個以 Python 為主的開源教學專案，聚焦檢索增強生成（RAG）技術，提供從理論到實作的系統化學習路徑與實例。專案整合 LangChain、llama‑index、向量資料庫等常見工具，涵蓋 embedding、多模態、知識圖譜等主題，並提供線上閱讀與範例程式。