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。
孫維德8 分鐘閱讀
雲端架構師，曾在大型科技公司負責百萬用戶規模系統設計。深耕分散式系統、DevOps 與 AI 工程實踐，專注於幫助團隊建構高可用性的現代化技術架構。
工作經歷：雲端架構師，曾任 Trend Micro 首席架構師，負責全球安全服務雲端基礎設施，12 年資歷
學歷：國立台灣大學資訊工程學系碩士
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。
