AI Agent
AI Agent、自主系統與代理工作流程。多代理框架、工具使用，以及 AI 自主化趨勢的所有內容。
怎麼把 AI 輸出改成 HTML
把 AI 生成內容的預設輸出格式從 Markdown 改成 HTML，建立可驗證、可清理、可渲染的工作流程。
Cat Wu 談 Claude 的主動式 AI
Anthropic 產品主管 Cat Wu 說，Claude 下一步是主動式 AI，會先幫你把自動化和工作流程設好。
如何在 Discord 執行 Hermes Agent
這篇教你把 Hermes Agent 接到 Discord，完成應用程式、權限、部署與驗證，讓機器人能在頻道和私訊中正常回應。
為什麼 RAGFlow 是最適合自架的開源 RAG 引擎
RAGFlow 是最適合自架的開源 RAG 引擎，前提是你在乎文件解析品質、可追溯引用與對資料路徑的掌控。
如何在正式環境加入 Temporal RAG
這篇教你在既有 RAG 中加入時間感知重排層，讓新版本、有效期間內的事件與最新資料優先被 LLM 使用。
GitHub 把 AI 代理放進 Actions
GitHub Agentic Workflows 把 AI 代理塞進 GitHub Actions，讓團隊用 markdown 寫流程、用多層安全控管跑自動化。
Meta 和 Google 也要搶 AI Agent
OpenClaw 帶動 AI agent 熱潮後，Meta 和 Google 也開始加速布局。這篇拆解它們想做什麼、為何重要，以及 agent 為何會改變搜尋、廣告和交易模式。
為什麼 AI agent 應該維護你的 wiki，而不是回答你的問題
AI agent 最該做的不是重複回答問題，而是維護一個會持續更新的 wiki，成為團隊的單一事實來源。
Mistral 把編碼代理搬上雲端
Mistral 把 Vibe 編碼代理搬到雲端沙箱，搭配 Medium 3.5、非同步 PR 和隔離會話，主打更適合長任務與團隊協作。
怎麼評估 Kimi K2.6 寫程式
這篇教你把 Kimi K2.6 接到現有開發流程，實測寫程式、代理式工作流與成本，最後做出是否切換的決定。
AWS MCP Server 正式 GA，IAM 也跟上了
AWS MCP Server 正式 GA，加入 IAM context keys、15,000+ API 操作與沙箱腳本。這篇整理它怎麼讓 AI agent 更安全地碰 AWS。
為什麼 Pinecone 的編譯式向量工件才是 AI agents 的正解
Pinecone 的方向是對的：AI agents 需要先編譯好的知識工件，而不是每次即時翻找原始向量。
UNSW 助攻 GenAISim 政策模擬器
UNSW 以 12 個月 fellowship 支持 Dr Yunchen Hua，推進 GenAISim 與 SOCIA，把政策問題轉成可執行的 AI 模擬。
為什麼 OpenClaw v2026.5.2 是真正的平台版更新，不是例行修補
OpenClaw v2026.5.2 不是例行修補，而是把外掛安裝、閘道啟動與預設模型一起升級成平台能力的版本。
怎麼做 n8n 進階 RAG
這篇教你在 n8n 裡做一條可上線的進階 RAG 流程，包含切塊、混合檢索、重排序與壓縮。
Anthropic 替 Claude 加上做夢功能
Anthropic 為 Claude Managed Agents 加入 dreaming、outcomes 和 multiagent orchestration，讓代理能記憶、評分與分工。
DeerFlow 2.0：把 Agent 變工作流
DeerFlow 2.0 是一個開源 AI agent 編排框架，把長任務拆成子代理、沙盒執行與持久記憶，適合研究、寫程式與多步驟工作流。
為什麼 AI Agent 時代，Prompt Engineering 已經死了
AI Agent 的關鍵不在於把提示詞寫得更漂亮，而在於把上下文選對、排好、壓縮好；context engineering 才是可靠性的核心。
Mistral Medium 3.5 讓遠端 coding agent 上線
Mistral 推出 Medium 3.5，主打 128B 開放權重模型，並把 coding agent 放到雲端執行，支援 Le Chat 的 Vibe 與 Work mode。
為什麼 Story 與 Azuki 的 Verse8 合作，會影響 AI 遊戲…
Story 把 Azuki 接到 Verse8，不只是聯名，而是把授權、歸屬與分潤直接放進 AI 遊戲創作流程，這才是可商用 AI 生成遊戲真正需要的基礎設施。
如何用 LangGraph 打造 Agentic RAG
這篇教你用 LangGraph 建立一個會路由、檢索、驗證並回答問題的 Agentic RAG 工作流。
為什麼 RAG 正在結束，agentic AI 需要的是編譯式知識層
RAG 不再適合作為 agentic AI 的預設架構，因為代理需要可重用、可驗證的編譯式知識層，而不是每一步都重新檢索原始文本。
Agentic AI 為何開始跳過 RAG
Agentic AI 正從 RAG 轉向預先編譯的知識層，重點是減少推理時重複讀資料、降 token 成本，讓多步驟代理更好控。
怎麼做具備程式碼庫知識的 AI PR 審查器
這篇教你把團隊規則寫進倉庫，做出能讀懂程式碼庫脈絡的 AI PR 審查器。
怎麼用開源模型跑 OpenClaw
這篇教你把 OpenClaw 改接 OpenRouter 上的開源模型，完成 API key、模型切換、舊 Anthropic 設定清理與基本調校。
5 步完成 RAG 管線
這篇教你用 5 個步驟做出 RAG 管線，讓模型先檢索你的文件，再根據內容產生有依據的答案。
Cloudflare 讓 AI 代理能買帳號與網域
Cloudflare 讓 AI 代理可透過 Stripe 的 CLI 與 OAuth，直接建立帳號、購買訂閱、註冊網域。
GitHub 10 大揭示 Coding Agent 新形態
GitHub 本週最受歡迎的 10 個專案中，7 個直接服務於 Coding Agent。從 Karpathy 的規則蒸餾、Matt Pocock 分享個人技能庫，到 Superpowers 統一多個 AI 編輯器的方法論，一個清晰的趨勢浮現：技能正在成為軟體工程師的新形態，而 Token 經濟學正在重塑程式碼生成的結構。
AI 代理人的記憶危機：為什麼本地模型需要語義記憶引擎
Hermes Agent 雖然擁有 12 萬星標，但其原生記憶系統採用純文本追加式儲存，無法有效去重和檢索。MemOS 本地外掛透過語義分塊、LLM 驗證和混合檢索，解決了自主 AI 代理在長期使用中的記憶衰退問題。這反映了一個關鍵趨勢：代理執行環境正從玩具級原型進入需要真實記憶治理的生產系統。
用 OpenClaw 做本地 AI Agent
NVIDIA NemoClaw 結合 OpenClaw 與 OpenShell，在 DGX Spark 上跑 Telegram 連動的本地 AI Agent，模型權重留在裝置內，適合重視資料控制的開發者。