在本篇文章中，我們介紹了 AutoMind 論文，理解如何透過 Large Reasoning Model (e.g. o3-mini, deepseek-v3) 結合 (1) Expert Knowledge Base (2) Agentic Knowledgeable Tree Search 以及 (3) Self-Adpative Coding Strategy 建立一個 Agentic Framework 來處理 Data Science Task。

Agentic AI 介紹：OctoTools！理解 OctoTools 如何透過明確的且據延展性的 Tool Cards 設計，以及 Planner 與 Executor 之間的巧妙的互動，來提昇 LLM Agent 在複雜任務的表現

本篇文章介紹 Steering Large Language Models Between Code Execution and Textual Reasoning 論文，該論文由 MIT, Harvard, Microsoft, Google DeepMind 發表於 ICLR 2025。在本篇文章中，我們將會理解 LLM 在 Textual Output 以及 Code Execution 兩種 Reasoning 方式間的選擇以及表現。

本篇文章介紹 Pre-Act 論文，說明 PreAct 如何透過讓 LLM 在每一個 Reasoning Step 中產生與修改 Plan，來彌補傳統 Single Agent 方法 'ReAct' 的不足，進而提昇 LLM 在長期規劃任務上的表現。

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。