長上下文時代，ICL 範例真的越多越好嗎？本文解析 Many-Shot CoT-ICL 論文的三個反直覺發現：負面 scaling、相似度檢索陷阱、順序敏感度暴增，以及 CDS 曲線排序演算法。

深入拆解 RecursiveMAS：UIUC、Stanford、NVIDIA、MIT 團隊提出的多智能體協作框架，用連續向量取代文字溝通，讓整個 Agent 團隊可微分、可端到端訓練，僅訓練 0.31% 參數就同步提升準確率、速度與 token 效率。

WikiSkill 在 agent 的原始執行紀錄與 skill 文件之間插入一層永不回滾的 wiki 知識層,讓每輪 skill 修改都能站在跨迭代累積的證據上判斷,而不是每次從零分析。

LLM-as-a-Verifier 改讀分數 token 的完整機率分佈而非 argmax，把平手率降到零，還贏過專門訓練的 reward model，且完全免訓練。

拆解 RAGU 這篇 GraphRAG 論文：兩階段抽取、DBSCAN 去重與 Leiden 分群的實作細節，以及它數據裡藏著的關鍵數字——整套圖相對純向量檢索只值 1.2 到 4.3 pp。

SAG 用 SQL 取代線下知識圖譜：把 chunk 轉成事件與實體標籤存進資料庫，查詢時才用 JOIN 動態串成局部超圖，在 MuSiQue 等多跳基準上超越 HippoRAG 2。

SketchVLM 論文導讀：不用重新訓練模型，只靠座標網格、XML 指令與貝茲曲線平滑化，就能讓 VLM 在原圖上疊加向量標註，把推理過程畫出來給你驗證。