深入解析 PLAN-AND-ACT 論文，了解其如何透過 Planner-Executor 框架及資料合成方法，提升大型語言模型 (LLM) 在長程任務中的規劃與執行能力，並克服相關挑戰。

本篇文章介紹了 Agent Memory 的基本概念，並透過 Email Agent 的範例，詳細說明如何使用 LangMem 實現 Semantic Memory, Episodic Memory 和 Procedural Memory，幫助 Agent 優化任務處理能力。

理解如何針對 Specific Domain 訓練 o1 模型

深入探討 HuggingGPT 這篇論文，這是一篇關於 LLM Agent 的關鍵研究。了解 LLM 如何作為控制器，用於任務規劃並協調工具的使用，來解決多模態和複雜的 AI 挑戰

LLM Agent for Multi-Table QA Task

深入解析 RAFT 論文：如何針對特定領域 (Domain-Specific) RAG 訓練 LLM，讓語言模型結合外部文件與內部知識，大幅提升在專業領域的問答能力。

深入了解 Retrieval-Augmented Generation (RAG) 技術如何增強黑箱 LLM 的能力。本文詳解 NAACL 2024 論文 REPLUG，探索其在 Inference 和 Training 階段提升 LLM 回答品質的創新方法，有效減少幻覺現象。