LangGraph 完整介紹：用「狀態圖」思維打造可靠的 AI Agent

LangGraph 是 LangChain 團隊推出的 low-level Agent 編排框架，用有向圖描述 Agent 執行流程，並提供狀態管理、持久化、human-in-the-loop 等生產級能力。本文用工程師視角完整拆解 LangGraph 的核心概念、與其他框架的差異，以及在 RAG / Agent 開發上的實務應用。

李宏毅 ML 2025 Spring — Lecture 3：剖析大型語言模型內部運作邏輯

李宏毅 ML 2025 Spring 第三講學習筆記：從單一神經元到整層、整群神經元，逐步拆解大型語言模型的內部運作邏輯。涵蓋 Sparse Autoencoder、功能向量、Logit Lens、Patchscopes 等前沿技術，附實務應用觀點。

閱讀筆記 — Google TurboQuant：讓 LLM 記憶體用量砍到 1/6 的壓縮黑科技

你有沒有遇過這個情況：跑一個還算普通的 LLM，GPU 記憶體就已經快爆表，根本沒辦法跑長一點的對話，更別說同時跑多個 session？這不是你的機器太爛，而是 LLM 架構本身的痛點——key-value cache 太吃記憶體了。

Google Research 最近發表了一篇 pre-print，提出的壓縮演算法叫 TurboQuant，測試結果是記憶體用量減 6 倍、注意力計算速度快 8 倍，而且幾乎不犧牲輸出品質。這種「又快又省又不爛」的組合在 ML 優化裡並不常見，值得好好拆解一下。

原文：Google’s TurboQuant AI-compression algorithm can reduce LLM memory usage by 6x（Ars Technica，作者 Ryan Whitwam，2026-03-26）

閱讀筆記 — 為什麼你的 RAG 需要一個會反省的大腦：Agentic RAG 完整解析

原文：How Agentic RAG Works（ByteByteGo）

你有沒有遇過這種情況：RAG 系統看起來運作正常，向量搜尋在搜、LLM 在回答——但給出的答案就是不對，或是答非所問？這篇文章正是在拆解這個問題的根源，以及為什麼在查詢和回答之間加一層「會思考、評估、重試的代理人」，可以從根本解決這件事。