LLM
Agentic AI Plan-and-Execute 架構實戰：異構 LLM 多 Agent 系統降低 90% 推理成本
深入解析 Agentic AI Plan-and-Execute 架構，透過異構 LLM 多 Agent 分工（旗艦模型規劃、輕量模型執行），在維持輸出品質的前提下實現 90% 推理成本節省。含 LangGraph 實作範例與生產環境最佳實踐。
8 分鐘閱讀
AI 研究員與資料科學家，專注於 NLP 與 LLM 應用研究。在學術機構與科技產業間架起橋樑，致力於將前沿 AI 技術轉化為實際的工程解決方案。
工作經歷：AI 研究員，曾任職 Academia Sinica 資訊所，現任科技公司 AI Lab 負責人，10 年研究資歷
學歷：國立台灣大學資訊工程學系博士（NLP 組）
代表成就
47 篇文章
深入解析 Agentic AI Plan-and-Execute 架構，透過異構 LLM 多 Agent 分工（旗艦模型規劃、輕量模型執行），在維持輸出品質的前提下實現 90% 推理成本節省。含 LangGraph 實作範例與生產環境最佳實踐。
AI Agent 最大的痛點就是健忘——每次對話都從零開始。Engram 記憶層搭配 MCP 協議，終於讓 Agent 擁有長期記憶能力。
2026 年 AI Agent 開發者最常面臨的選擇：Claude 4 Opus 還是 GPT-5？本文深入比較兩款頂尖模型在 SWE-bench、推理、工具呼叫與 Agent 任務上的表現。
