AI 工程
-
Agentic Resource Discovery：給 agent 的 robots.txt——開放發現規格與 HF 參考實作拆解
A2A 解了 agent 怎麼講話、MCP 解了怎麼呼叫工具，但「怎麼先找到並信任一個還不知道存在的能力」一直沒人管。Google 與 Linux Foundation 推出的 ARD 開放規格補上這層，用網域錨定 + ...
-
Stanford DeLM：拿掉中央 orchestrator，多代理推理成本砍半
Stanford 的 DeLM 不靠中央調度，讓代理各自認領任務、讀寫同一份「共享驗證脈絡」。論文回報 SWE-bench Verified 最高 +10.5 個百分點、每題成本砍半。本文拆解它的機制、數字前提與適用場景...
-
Z.ai GLM-5.2：1M context 不是數字遊戲，雙 thinking-effort 讓你今天就能自己驗證
Z.ai 發布 GLM-5.2，把 context 推到 100 萬 token、暴露 High／Max 兩段思考力度，卻在發布當天不給任何 benchmark。本文拆解它的真實機制、誠實標註哪些是事實哪些是推論，並給出...
-
MCP / A2A 之後，誰來解決傳輸層？
MCP 解決了工具呼叫、A2A 解決了協調，但兩者腳下的傳輸層仍是空的。本文拆解 RPC over HTTP 為何不夠、Kafka/NATS 與 AGNTCY SLIM 等候選方案，以及工程團隊現在該怎麼擺架構。
-
PixelRAG 圖解：為什麼「讓模型看截圖」會比解析文字更準、還更省 token
Berkeley SkyLab 團隊的 PixelRAG 把文件渲染成截圖、直接檢索影像，跳過「PDF 轉文字」這一步。結果在多個基準上比文字 RAG 更準，agent 場景的 token 用量約降一個量級。這篇用圖解把...
