本篇文章介紹 MemGPT 如何管理 LLM 的 Short-Term 與 Long-Term Memory。說明 MemGPT 如何基於 ReAct-Based Agent，透過連續的 Thinking 以及 Tool Calling 來操作 Core Memory, Chat History, Archival Memory 以及 Recall Memory 等多種不同 Memory 類型，達到 Persistent Conversation 的目的。

深入解析《Mem0：為 AI 代理打造可擴展的長期記憶》論文。了解 Mem0 如何解決大型語言模型 (LLM) 的長期記憶挑戰，探討其核心架構 (Mem0 與 Mem0^g)、記憶管理機制及在 LOCOMO 數據集上的實驗表現。

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