深度分析
Lyzr Cognis：以雙儲存（OpenSearch + 向量庫）與混合檢索強化對話式LLM的持久記憶
面對對話式大模型缺乏持久記憶，研究提出LyzrCognis：以雙儲存層（OpenSearchBM25＋向量檢索）與RRF融合，寫入時採語境感知抽取決定新增或更新，加入時間加權與BGE-2重排以強化時序查詢與版本回溯。實驗於LoCoMo與LongMemEval顯著領先。
向量資料庫
Claude Code
claude-mem：為 Claude Code 提供的持久記憶壓縮與向量化上下文注入系統
claude-mem 是一個針對 Claude Code 的開源記憶壓縮系統，能自動擷取開發會話內容、以模型壓縮並持久化儲存，於未來工作階段回填相關上下文。專案以 TypeScript 開發、支援多種記憶後端與嵌入向量，README 顯示多語系說明與相容性資訊，並在社群獲得高度關注。
AI 代理
awesome-llm-apps 彙整：超過 100 個可執行的 AI 代理與 RAG 範本
該GitHub倉庫彙整可執行的100多個AI代理與RAG範本，原始檔案以Python為主，列出代理、語音代理與檢索增強流程的樣板，並標示可配合的多家大型語言模型；對開發者而言，資源能降低上手門檻並加速原型驗證與部署。
深度分析
打造通用長期記憶層：Mem0、OpenAI 與 ChromaDB 完整教學
隨著 AI 代理需求提升，本文介紹 Mem0 結合 OpenAI 與 ChromaDB 的長期記憶架構。透過自動抽取、語意搜尋與 CRUD 管理，實作使用者層級的持久化記憶，並示範多使用者資料隔離與自訂設定。結果顯示，記憶增強可使對話保持上下文連貫，提升個人化回應與系統可擴展性。（原文未詳述）
檢索增強生成
RAG_Techniques 開源專案全解析：向量檢索、LangChain 與 LlamaIndex 深度實作
GitHub 新發現 RAG_Techniques 專案提供多項檢索增強生成技術教學，涵蓋 LangChain、LlamaIndex 與向量資料庫整合。結合 UltraRAG、VimRAG 與 Databricks 多步驟代理人等最新研究，提升多模態與混合查詢效能。此專案為台灣 AI 開發者提供可落地的實作範例與產業應用洞見。
UltraRAG 3.0
UltraRAG 3.0：低程式碼多模態 RAG 框架正式發布
UltraRAG 3.0於2026年1月正式發布，提供低程式碼的多模態RAG框架。核心採用可視化推理與AgentCPM-Report模型，支援文字、影像與向量檢索。此框架降低開發門檻，預期加速台灣企業的生成式AI應用部署。
深度分析
檢索增強分類（RAC）於機密文件辨識的技術突破與實務部署指南
隨著機密文件外洩風險升高，研究提出檢索增強分類（RAC）作為低洩漏的辨識方案。RAC 結合外部向量庫與相似度匹配，在平衡與不平衡資料上均達 96% 正確率，F1 可至 94%。相較於需重新訓練的監督式微調，RAC 可即時重新索引新文件，降低參數洩漏並提升治理彈性，對企業合規部署具實務價值。