| user-memory |
✅ |
長期使用者記憶系統,讓 Agent 記住偏好與歷史互動、提供個性化服務 |
| mem0 · memobase |
✅ |
用 mem0、Memobase 兩個開源框架各實現一版使用者記憶,作為實驗 3-2 的對照實現 |
| user-memory-evaluation |
✅ |
系統化評估使用者記憶系統的準確性、相關性和有效性 |
| dense-embedding |
✅ |
向量相似性搜尋服務,對比 ANNOY(樹)與 HNSW(圖)兩種 ANN 演算法的權衡 |
| sparse-embedding |
✅ |
從零實現基於 BM25 的稀疏向量搜尋引擎,視覺化內部工作機制 |
| retrieval-pipeline |
✅ |
稠密 + 稀疏 + 神經重排序的完整流水線,用測試用例展示混合檢索的互補效果 |
| multimodal-agent |
✅ |
對比原生多模態、提取為文字、工具化分析三種策略在保真度/成本/靈活性上的權衡 |
| structured-index |
✅ |
實現並對比 RAPTOR(遞迴抽象樹)與 GraphRAG(知識圖譜)兩種結構化索引 |
| agentic-rag |
✅ |
對比 Non-Agentic 與 Agentic RAG,展示 ReAct 主導的迭代檢索在司法問答上的優勢 |
| agentic-rag-for-user-memory |
✅ |
用 Agentic RAG 管理使用者對話歷史,實現跨會話記憶檢索 |
| contextual-retrieval |
✅ |
實現 Anthropic 的上下文感知檢索,為分塊生成前綴摘要,失敗率降低 49–67% |
| contextual-retrieval-for-user-memory |
✅ |
結合 Advanced JSON Cards 與上下文感知 RAG,形成雙層記憶結構實現主動服務 |
| structured-knowledge-extraction |
✅ |
以司法判例跑通「因子發現 → 聚類原型 → 對話式建議」三段流水線 |