當 LLM 服務開始遇到流量：SGLang 如何把推理效能變成可操作的工程問題
把開源模型接到 API 只是起點。SGLang 以高效能 LLM／多模態模型 serving 為核心，提供 OpenAI 相容介面、原生生成 API 與多種部署路徑。本文從實際導入角度拆解它解決的問題、上手方式、效能工程邊界，以及哪些團隊適合先試。
最新文章
探索 AI 應用的最新趨勢與實用技巧
Paperclip：把多個 AI Agent 組織成可治理的自動化團隊
Paperclip 是一套開源 control plane，將不同 runtime 的 AI agent 放進同一個組織、任務與治理架構。本文從 goal、org chart、heartbeat、預算、審批與 audit log 拆解它如何把多 agent 自動化從零散 session 推向可觀測、可恢復且有邊界的工作系統。
AutoGen 進入維護模式後，還值得怎麼用？從 Core、AgentChat 到 MCP 的多代理架構拆解
AutoGen 將多代理系統拆成 Core、AgentChat 與 Extensions，並以 AgentTool、MCP Workbench 與 AutoGen Studio 支援從原型到工具編排。本文同時正視它已進入 maintenance mode 的現況，拆解架構、權限與觀測性要求，並整理既有系統與新專案的採用及遷移策略。
把 Google Workspace 變成可組合的 Agent 工具：深入解析 gws 的 Discovery 驅動 CLI
googleworkspace/cli 以 Rust 打造 gws，透過 Google Discovery Service 動態建立命令面，搭配結構化 JSON、schema 探索、分頁、OAuth、Agent Skills 與 helper commands，讓人類、Shell 與 AI Agent 共用同一套 Workspace 自動化介面。本文拆解它的架構、優點、安全邊界與適用場景。
把 Python 函式變成 AI 能力：FastMCP 如何縮短 MCP Server 的實作距離
MCP 的價值不只在於讓模型呼叫工具，更在於把工具、資料與可重用的互動介面接到同一套協定。FastMCP 以 Python decorator、型別註記與現成的 server／client API，讓團隊能從一個可驗證的小型 MCP Server 開始，再逐步處理傳輸、部署、授權與治理。
RAG 不一定要向量資料庫：PageIndex 如何讓模型沿著文件樹找答案
多數 RAG 系統把文件切成固定片段，再用向量相似度找上下文；PageIndex 改用階層式文件樹與 LLM 推理來定位內容。本文從架構、上手流程、成本與限制拆解這個 vectorless RAG 引擎，說明它適合哪些長篇專業文件，以及為什麼它不是所有場景的向量資料庫替代品。