Ask AI 明明有課程地圖，為什麼列不完整：Catalog Query 的召回與收斂事故
「有哪些課程文章」第一次觀測被舊快取干擾；真正未命中的 request 已找回四所大學課程地圖，卻因三輪 Writer／Critic 重試花了 51.169 秒。修正 catalog 專用檢索與 review 契約後，一次未命中快取的 production observation 在 26.821 秒內通過 q21。
#langgraph
18 篇文章Ask AI 怎麼找到文章：Planner、Hybrid Retrieval 與 Retry
Ask AI 先由 Planner 抽出 intent、complexity 與 1–4 個搜尋詞，再依查詢型態走 metadata、BM25、Vectorize 與 RRF；第二輪搜尋會加入 Critic gaps，並關閉第一次才允許的 BM25 short circuit。
Ask AI 的問題怎麼走完整條 RAG 管線：UI、API、Agent 與來源卡片
Ask AI 把一次提問拆成 UI、`/api/chat`、Planner、Research、Writer、Validation、Critic 與 Related 八段；回答文字、參考來源和延伸閱讀各有不同的產生與顯示條件。
同一個多 Agent 任務，四種寫法：Omnigent YAML、LangGraph、CrewAI 與 Goose
用同一個 Polly 任務（平行 git worktree + 跨廠商審查）對照四種多 Agent 寫法：Omnigent 以 YAML 在 Server 層治理、LangGraph 以 StateGraph 精準控流程、CrewAI 以角色扮演快速拼裝、Goose 以 Recipe 跑單機自動化，對比 token、延遲與可維護性的真實取捨。
台股研究 Agent 實戰系列（篇 1）：為什麼台股需要自己的研究 Agent
美股 LLM agent 已經捲到近十萬星，台股在 GitHub 上卻連一個破 10 星的都沒有；我把三個 side project 收斂成一個「每個結論都要先過回測」的台股研究 agent，這篇講為什麼。
台股研究 Agent 實戰系列（篇 2）：LangGraph 並行架構——五個分析師同時開工
五個 analyst 在同一個 superstep 並行 fan-out，延遲是 max 不是 sum；回測與 reflection 擋在 synthesis 前面，讓 LLM 只能解釋已存在的證據。
台股研究 Agent 實戰系列（篇 3）：LLM 分層與降級鏈——API、本地 CLI、詞典三層 fallback
只有兩個 role 會叫 LLM，其餘分析師全程程式化；每個 call 依 Anthropic API → 本地 claude CLI → 規則降級的鏈路走，成本只信 provider 回報值，未知成本永遠不當 $0。
台股研究 Agent 實戰系列（篇 4）：回測查核——為什麼回測會說謊
這個專案的核心規矩：任何 LLM 結論必須先通過同一組訊號的歷史回測，期望值為負時 synthesis 禁止樂觀；四個讓回測說謊的坑各有程式化對策。
台股研究 Agent 實戰系列（篇 7）：Copilot loop——計畫合約、可驗證來源與人類審查
研究請求先變成一份要人批准的 ResearchPlan，外部文件必須完整抓取並驗證逐字引用才能進報告，quant 的審查意見永遠 append-only、free-text 永不回流進 prompt——這是 M5 Copilot loop 的完整樣貌。
2026 Agent 框架怎麼選：LangGraph、CrewAI、MAF、AG2、Mastra、Pydantic AI、DSPy
七套工具不是同一類產品：LangGraph、MAF 與 Mastra偏耐久工作流，CrewAI 與 AG2 偏多 agent 協作，Pydantic AI 偏型別化 Python agent，DSPy 則用資料與 metric 最佳化整個 AI 程式。先選控制模型，再選框架。
LangChain v1 Agents：create_agent、middleware 與 LangGraph runtime
LangChain v1 用 create_agent 提供高階 agent loop，底層由 LangGraph 執行；工具、structured output 與 middleware 是正式擴充邊界。
Claude for Financial Services：拆解 Anthropic 的多 Agent 參考實作
Anthropic 開源了 12 個金融業 Agent + 11 個 MCP connector，最值得抄的不是 Agent 本身，而是『同一份 prompt 雙 runtime』和『純檔案擴充』的分層設計。
Local Deep Research 導讀：本地優先的深度研究 Agent
Local Deep Research 是個本地優先、隱私導向的深度研究 Agent，用 LangChain + LangGraph 串起 20+ 搜尋引擎和 30+ 種研究策略，旗艦的 langgraph_agent_strategy 走 LLM 自主 tool-calling 路線，跟固定流程的 RAG graph 是兩種思路。
DeerFlow：字節跳動開源的超級代理框架，把 Agent 做成可長跑的研究系統
DeerFlow 是字節跳動開源的 Super Agent Harness，基於 Python 3.12 + LangGraph，透過沙箱、長期記憶、子代理、技能與訊息閘道協調長時任務。2026 年 2 月登上 GitHub 趨勢榜第一，目前超過 63,000 星，支援 Telegram/Slack/飛書等 IM、Claude Code 整合與多種搜尋後端。
Agentic Engineering：讓 AI Agent 像真實工程團隊一樣協作
Agentic Engineering 不是讓 AI 寫更快的程式碼，而是讓軟體更快走完整個交付流程——透過多 agent 協作，壓縮跨團隊的協作摩擦。
2026 年 15 個值得關注的 Agent 框架
按 GitHub Stars 排序，盤點 2026 年 15 個主流 AI Agent 框架的定位、特色與適用場景。不是排名，是地圖。
LangGraph：用圖結構管理 Agent 工作流程
LangGraph 把 LLM 工作流程建模成有向圖，解決多輪迭代、條件分支、平行執行這些用線性 pipeline 做很痛的問題。
NobodyClimb AI 架構：在 Cloudflare Workers 上打造 20 節點 RAG Pipeline
用 Cloudflare Workers AI（gemma-3-12b-it + bge-m3）打造可動態組裝的 RAG pipeline，14 個基礎 step + 6 個 LangGraph 專屬節點，三種策略圖（Baseline / Agentic / Plan-Execute）動態切換。