森林舒活氛圍
Target Roles: AI Agent Architect / GenAI Tech Lead
Taipei, Taiwan (Remote / Hybrid)Full-time / Advisory Lead
ENGINEERING LEADERSHIP & SYSTEMS ARCHITECTURE

Kevin Luo (羅子嘉)
AI Agent Architect & Tech Lead

曾任 律果科技 AI 技術部門負責人,主導企業級 AI 法律解決方案與大模型架構研發。 深耕 LangGraph 多代理人狀態機GraphRAG 知識工程MongoDB / Qdrant 向量檢索 GCP / 純地端 Docker 部署。 重視系統邊界、狀態持久化與嚴格測試規範,具備從 0 到 1 帶領工程團隊打造可審計、能長期維護的生產級 AI 架構實踐經驗。

Target Roles & Core Focus (核心應徵職位)
AI Agent ArchitectGenAI Tech LeadSenior Multi-Agent Systems Engineer
世界 Rank 65
Kaggle Agent 基準賽
多元賽題綜合 Score 0.780
79 Stars
台股開源量化專案
89 Forks / 每日穩定排程
99.1% mAP
多代理人瑕疵辨識
5 個 Agent 自動接力
15+ 專案
代表性開源與 PoC
涵蓋端到端架構實踐
Keynote Speaker & AI Tech Lead
實務領導力驗證
羅子嘉 (Kevin Luo) 律果科技 AI 技術部門負責人 企業演講現場
羅子嘉 (Kevin Luo)
前 律果科技 AI 技術部門負責人
演講:《重塑法務價值:從成本中心到策略核心》
💡 具備企業級 AI 架構設計、落地部署與大型公開技術演講經驗,能精準向非技術管理層與工程團隊溝通系統藍圖。
HR & TECH RECRUITER QUICK ORIENTATION

技術棧全景架構圖 · 官方標準技術 SVG 拓撲

供 HR 與主管一眼掌握完整能力地圖:從最頂層的 LangGraph / MCP 狀態機,到底層的 MongoDB / Qdrant 向量數據庫,再到 GCP 與純地端 Docker 部署,全鏈路緊密相連:

01 / 智能代理與協議核心 (Agent & Protocol Orchestration)Core Architecture

多代理人協同調度、狀態機邊界約束與標準化協議工具調用

Layer 1 of 5
State Machine
LangGraph StateGraph

有向狀態機 · HITL 人工審批 · 持久化記憶

FastMCP Protocol
FastMCP (Anthropic MCP)

確定性架構路由 · 零 API Key 工具標準協定

Google A2A
Google A2A & ADK

Agent-to-Agent 跨框架通訊匯流排 · Google ADK

Foundation Models
Gemini 2.5 & Multi-LLM

Google Gemini / Claude 3.7 / Perplexity 多模態

02 / 混合數據庫與向量圖譜 (Databases, Vector & Knowledge Graph)Storage & Retrieval

結合關聯式 SQL、靈活 NoSQL (MongoDB)、高效向量庫與知識圖譜

Layer 2 of 5
NoSQL Favorite
MongoDB

高彈性 Document Store · 繁複 Schema 與即時對話狀態儲存

Vector Search
Qdrant Vector Database

Rust 高效向量檢索庫 · HNSW 索引與 Payload 精確過濾

SQL & Vector
PostgreSQL & pgvector

關聯式數據庫 · Supabase Postgres RLS 租戶權限隔離

Local-First Graph
SQLite FTS5 & Graph

Local-First 本地全文檢索 · 4 層 YAML 知識圖譜 (GraphRAG)

03 / 後端運算與模型調優 (Backend Engine & ML Specialization)Backend & ML

高效能非同步 API、模型量化與多任務 Fold-safe 特徵工程

Layer 3 of 5
High Perf API
FastAPI & Python 3.12 (uv)

高效非同步 REST / SSE / WebSocket · uv 毫秒級套件管理

Python Core
Python 3.12 Ecosystem

Type Hinting 嚴格型別 · Asyncio 非同步工具調用

Tri-Model Tuning
PyTorch Deep Learning

電商實戰:視覺/文本/表格 3 專精模型訓練與量化調優

Zero Leakage
Fold-Safe ML Pipeline

K-Fold 內部特徵轉換 · 嚴格 0 Data Leakage (Kaggle #65)

04 / Web 全端介面與人機協同 (Fullstack UI & Streaming)Modern Frontend

現代質感互動介面、即時 Token 串流與空間計算原生端

Layer 4 of 5
Next.js 16
Next.js 16 (Turbopack)

React 19 Server Components · App Router 全棧現代架構

TypeScript
TypeScript Strict Mode

端到端嚴格型別安全 · 零 any 靜態類型約束與重構保障

Tailwind CSS
Tailwind CSS Design System

客製化現代暗色系科技美學 · 高度響應式 Bento 佈局

Spatial Computing
iOS Swift 6 & AR HUD

HTC Vive Eagle 智慧眼鏡 · 120 FPS 原生 CoreBluetooth 串流

05 / 雲端與純地端部署運維 (Cloud, On-Premises & CI/CD)Infra & DevOps

彈性支援 Google Cloud 雲端自動擴展與純地端 Docker 隔離安全運維

Layer 5 of 5
Google Cloud
Google Cloud Platform (GCP)

Cloud Run Serverless 容器部署 · Cloud Storage · IAM 資安

On-Premises
On-Premises Docker 容器化

純地端伺服器離線安裝 · 本地工作站 GPU 隔離部署 (資料零上雲)

Serverless CI/CD
GitHub Actions 自動化排程

CI/CD 自動化測試 · 盤後 14:30 與盤前 08:00 零成本維運

Edge Delivery
Vercel Global Edge

全球 CDN 邊緣加速 · 生產環境自動化部署與健康監控

給 HR / 技術獵頭的 30 秒速覽 (HR 30-Second Takeaway)
1. 核心專長:LangGraph 狀態機、GraphRAG 知識圖譜、FastMCP 協定與通用 ML Agent (Kaggle #65)。
2. 數據庫與檢索:熟練 MongoDB (NoSQL)、Qdrant (向量庫)、PostgreSQL (pgvector) 與 SQLite FTS5。
3. 部署實力:Google Cloud (GCP/Cloud Run) 雲端擴展 ➔ 純地端 (On-Premises) Docker 隔離安全運維。
TEACHING LEADERSHIP & ENTERPRISE WORKSHOPS

全方位實戰課程 · 深度熟悉到足以教學與傳承

在勤業眾信 (Deloitte)、竹科園區 (HSIP)、清華大學與各大企業累積豐富授課經驗。將深厚的工程實踐轉化為清晰易懂的系統化教材,獲得眾多學員真實好評:

Flagship Course

LangChain × LangGraph × Claude Code 企業應用全方位班

從底層手刻 StateGraph 到打造 Claude Code 式自主 Coding Agent

適合對象:企業軟體架構師 · GenAI 工程師 · AI 產品經理
核心教學單元
StateGraph 有向狀態機、條件路由 (Conditional Edges) 與 TypedDict Reducer
持久化 Checkpointer (SqliteSaver / PostgresSaver) 記憶與 Time Travel 狀態回溯
Human-in-the-loop (HITL) 中斷審批與生產級容錯機制
Claude Code 式 Coding Agent 實作:Sub-agent 分發、檔案系統工具與 Reflection 閉環
企業私有化部署與 Technical Constitution 零 Data Leakage 規範
企業內訓 / 實戰培訓洽詢
Enterprise Pipeline

Google AI 全方案實戰:從 AI Studio / ADK / A2A 到 Cloud Run 一條龍

涵蓋 Gemini API、ADK 代理、A2A 跨框架協定、Cloud Run 自動化 CI/CD 與企業資安

適合對象:雲端後端工程師 · 技術主管 · 企業 IT 轉型團隊
核心教學單元
Google AI Studio & Gemini 2.5 / 3 多模態 API 調用與 Context Caching 快取優化
Google Agent Development Kit (ADK) 與 LangGraph 雙代理協同
A2A Protocol (Agent-to-Agent) 跨框架通訊匯流排設計
Cloud Run Serverless 容器化一鍵自動擴展與 VPC 私有網路設定
GitHub Actions CI/CD 自動化排程、Secret Manager 金鑰管理與 IAM 企業資安防護
企業內訓 / 實戰培訓洽詢
Practical Walkthrough

Cursor × Codex 進階程式部署與 Vibe Coding 實戰

十份循序漸進實戰 Walkthrough:從開發環境到終端機自動化與雲端 Agent 平行開發

適合對象:軟體工程師 · 獨立開發者 · 科技公司研發團隊
核心教學單元
Cursor Rules 與 .cursorrules 規範制定,引導 AI 產出可維護代碼
MCP (Model Context Protocol) 本地工具掛載與終端機自動化執行
雲端 Agent 平行開發工作流與複雜代碼庫重構實戰
結合 pytest 自動化測試判卷與 Docker 容器化打包部署
企業內訓 / 實戰培訓洽詢
AUTHENTIC STUDENT TESTIMONIALS & FEEDBACK

學員真實課後反饋 · 實戰驗證好評

學員姓名已進行 100% 隱私匿名去識別化保護
#01
線上實戰課程學員 A
Cursor & AI Agent 實務班
課程:Cursor 實戰線上課程

羅老師您好,剛才參與您的 Cursor 實戰線上課程。感謝老師細心為我解答相關疑問,大大地幫助到了我。🎉 我對 AI Agents 相關領域都非常感興趣!持續在學習 Cursor、Claude Code、LangGraph 等工具,希望能向老師持續學習!謝謝!

Verified Feedback
#02
竹科企業主管學員 (HSIP Manager)
新竹科學園區 LLM 實戰
課程:企業 LLM 應用與提示詞工程

子嘉老師的課程非常接地氣,完全不是只講理論,而是手把手帶我們從 AI Studio、ADK 一路連到 Cloud Run 自動化部署,解決了我們團隊想導入 Agent 卻不知如何兼顧企業資安合規的痛點。

Verified Feedback
#03
AI 新創團隊資深工程師
LangGraph 1對1 架構指導
課程:LangGraph 多代理人狀態機

老師對 LangGraph 狀態機與 Memory Persistence 的理解非常透徹,帶我看懂 harness 怎麼除錯,讓我在工作中遇到 Agent 循環與 Memory 遺失問題時能迅速定位並修復!

Verified Feedback
EXECUTIVE SUMMARY FOR HIRING MANAGERS & TECH LEADS

致技術面試官與工程團隊主管的一封信

實務經驗:前 律果科技 AI 技術負責人 · 全端到純地端架構實踐
01 / 開源作品實踐 · 商業專案嚴守 NDA

為什麼以開源專案為主?

過去在擔任 律果科技 AI 技術部門負責人 期間主導的「律果 AI 法務助理 2.0」、以及為法國巴黎人壽、保誠人壽打造之企業 AI 系統,皆涉及嚴格的商業機密與客戶資料保護(NDA),無法公開原始碼。因此,我整理了這份 最能代表目前 AI Agent 技術棧實踐的開源代碼庫、深入筆記與自主 ML 流程,向業界誠懇展示我的系統架構思維、代碼習慣與工程紀律。

02 / 全端到純地端部署 · 最小算力資源優化

具備 Web 全端到純地端 Docker 隔離實戰

具備從 Next.js/React 前端、FastAPI 後端到 純地端 (On-Premises) 伺服器隔離部署 的全鏈路能力。曾為電商企業打造 「全地端多模態代理人」,透過 3 種專精模型訓練 (視覺/文本/表格) 與 4-bit 量化調優,在有限的硬體與最小算力預算下達成穩定推論,全流程以 Docker 本地封裝,資料 100% 零上雲。

03 / 通用型 ML AGENT · 跨未知賽題泛化解題

Kaggle 官方全球基準賽實證 (Score 0.780 / Rank 65)

Kaggle 官方《Autonomous Agent Prediction》評估的是 Agent 面對多個未知、異質賽題的 端到端自動解題能力與平均勝率。我設計的 ML Expert Skill 能自適應處理分類、回歸與缺失值,全程 0 人工寫碼在各項賽題取得穩健平均分 (綜合 Score 0.780,世界第 65 名),並以 Technical Constitution 杜絕 Data Leakage。

04 / 著作教課傳承 · 技術能力與時俱進

技術傳承熱忱與持續學習進步

著有 18+ 章節開源著作《從 LangGraph 到 Deep Agents》,並持續在社群與企業開設實戰班、提供 1 對 1 代碼審查。從早期的 Prompt Engineering、LangGraph StateGraph,到最新的 FastMCP Protocol 與空間計算,我的技術棧始終 與時俱進、保持在前沿第一線,具備帶領團隊共同成長的熱忱。

目標:AI Agent 架構師 / GenAI Tech Lead地點:台北 / 遠端 / 混合 (Hybrid)全端 ➔ 純地端 Docker 部署
SYSTEM ARCHITECTURE BLUEPRINT & ENGINEERING DECISIONS

三大核心系統架構藍圖與工程決策

點選切換檢視狀態機拓撲、GraphRAG 知識圖譜與 FastMCP 確定性協定的架構決策與實戰價值:

LangGraph 企業級多代理人狀態機架構

Deterministic StateGraph, Conditional Branching, Checkpointer Memory & HITL
💡 核心技術突破: 以有向狀態圖 (StateGraph) 徹底終結傳統單一 Prompt 的死循環與狀態漂移,實現可回溯、可介入 (HITL) 的生產級 Agent 系統!
為什麼這樣設計?(Architecture Rationale)

在複雜的多步驟推理與工具調用中,傳統 Prompt Chain 缺乏狀態邊界。我們採用 LangGraph StateGraph 搭配 TypedDict 嚴格定義 Reducer,並掛載持久化 Checkpointer,使系統具備全鏈路除錯視角與任務故障轉移 (Failover) 能力。

解決了哪些生產級痛點?(Production Impact)
解決 Multi-Step Agent 容易陷入無限循環或忘記原始目標的失控問題
解決工具調用失敗時無法精準斷點重播 (Time Travel) 的除錯難題
解決重大決策缺乏 Human-in-the-loop 人工審批確認的安全隱患
4-Step End-to-End Execution Pipeline (端到端執行管線)
01
State Initialization & Reducer
傳入對話狀態、工具調用歷史與上下文快照,透過 Reducer 嚴格進行增量合併。
02
Supervisor 智慧路由分發
依據使用者意圖動態分發給專精 Agent (Itinerary, POI, Weather),保持各代理人單一職責。
03
隔離沙盒工具調用
在隔離環境安全執行 API 與資料庫查詢,驗證輸出格式無誤後寫回 StateGraph。
04
Reflection 檢驗與 HITL 審批
當信心度低於閥值時自動觸發 Interrupt 暫停並等待人工確認,通過後抵達 END 節點。
100% Time-Travel
狀態可回溯性
0.0% (條件邊界約束)
任務死循環率
Postgres / SQLite Saver
記憶持久化
Native HITL Interrupt
人工審批支援
INTERACTIVE KNOWLEDGE GRAPH

全景技術拓撲與專案關係網絡

💡 可用滑鼠拖曳球體、滾輪縮放、點選查看 MongoDB, Qdrant, GCP, Docker 等節點

Interactive Knowledge Graph Network

滑鼠懸停/拖曳節點探索 LangGraph、GraphRAG 與 Top 10 代表作關聯拓撲

✨ 拖曳節點改變物理受力 · 點擊節點開啟架構詳情
AI AGENT TECH STACK & OPEN-SOURCE WORK

代表性開源作品 · 目前 AI Agent 技術棧實踐

精選最能代表目前 AI Agent 技術棧落地的代表性代碼庫。每張卡片直接呈現 核心架構突破實務驗證指標真實系統截圖痛點與解法

RANK #00Autonomous ML Agent
1 Stars

ML Expert Skill: 通用型 Multi-Task ML Agent 解題框架

評估 Agent 面對多元未知機器學習賽題的端到端自動解題框架 — 在 Kaggle 官方全球基準賽榮獲第 65 名 (綜合平均 Score 0.780)。

【專案核心技術突破】:實證 AI Agent 在「跨領域多任務」未知賽題下具備穩健的自適應解題能力 (Score 0.780),並以 Technical Constitution 杜絕 Data Leakage。
世界 Rank 65
Kaggle 全球排名
Score 0.780
多任務綜合平均分
0 行 (100% Agent 自主)
人工手寫代碼介入
嚴格 0.0%
資料外洩率 (Data Leakage)
Kaggle Official Benchmark: Autonomous Agent Prediction
Multi-Task Generalization
Kaggle Autonomous Agent Prediction Leaderboard Rank 65
💡 通用多任務評估:衡量 Agent 自主面對多個未知 ML 賽題的「綜合平均解題水準與勝率」,全程零人工寫碼。綜合 Score: 0.780 / Rank 65
核心架構亮點與技術實現 (Key Highlights)
跨任務自適應判讀:自動識別二元/多元分類、迴歸、缺失值分佈與類別型特徵,動態組裝最佳特徵工程 Pipeline
Fold-Safe 嚴格架構:強制所有 Target Encoding 與 Scaler 擬合在 K-Fold 內部進行,杜絕 CV 與 Leaderboard 巨大落差
多模型集成自動化:LightGBM + XGBoost + CatBoost + PyTorch 自動化超參數搜尋與自適應權重 Stacking
4 階段嚴謹閉環:/ml-grill ➔ /ml-spec ➔ /ml-tickets ➔ /ml-build,前三階段強制禁止寫碼,確保先有架構規格才動工
痛點與架構解方 (Pain Points Solved)
痛點傳統 AI 寫 ML 程式碼常發生 Data Leakage 與 CV/LB 巨大落差
解方強制在 K-Fold 內部進行 Target Encoding 與轉換,確保嚴格 0 Leakage
痛點現有 Agent 多為單一 Prompt,無法應對多元未知的複雜 ML 任務
解方4 階段流水線 (Grill ➔ Spec ➔ Tickets ➔ Build) 動態適配不同問題類型
Multi-Task ML AgentKaggle Benchmark #65Autonomous MLTechnical ConstitutionPyTorchScore 0.780LightGBMuv
GitHub Repo
RANK #01Flagship / Automation
79 Stars89 Forks

台股每日選股機器人 (量化選股與盤前快報系統)

基本面 × 技術面 × 歷史回測的台股每日選股系統 — 每日 14:30 自動選股、🌙 早上 08:00 夜盤盤前快報、策略庫 Web UI。

【專案核心技術突破】:實踐「收盤選股 ➔ 隔日 08:00 台指期夜盤即時校準 (順風🟢/逆風🔴)」雙重機制,解決傳統量化選股無法應對夜盤劇烈波動的痛點。
79 Stars / 89 Forks
開源社群關注
29 因子 Regime 自適應
回測與因子覆蓋
105 測試全數通過
Pytest 單元測試
0 元 (GitHub Actions)
伺服器維運成本
Production Dashboard & Night Market Scan79 Stars · 89 Forks
Taiwan Stock Scanner
🌙 每日 08:00 夜盤盤前快報 (順風🟢/逆風🔴) + 14:30 自動選股與策略庫 Web UI (105 測試綠燈)。
核心架構亮點與技術實現 (Key Highlights)
🌙 早上 08:00 夜盤盤前快報:讀取整段台指期夜盤走勢,推播開盤方向預判,並將昨日推薦個股自動疊加「夜盤順風🟢 / 逆風🔴」標籤
綜合加權評分演算法:基本面 30% + 技術面 30% + 歷史回測勝率 40% 自動計算最優標的
V3.4 策略庫 Web UI:FastAPI + Next.js 視覺化管理多角色選股策略,支援自然語言動態生成量化策略
Serverless 全自動化:透過 GitHub Actions 於 14:30 與 08:00 自動觸發,自動同步 Telegram 推播與 Google Sheets 紀錄
痛點與架構解方 (Pain Points Solved)
痛點傳統選股無法反映隔夜美股與台指期夜盤劇烈波動
解方早上 08:00 盤前快報即時校準方向並標註順逆風
痛點量化回測與策略容易因手動操作出錯
解方105 個 Pytest 單元測試守護 29 因子計算正確性
Quant FinanceTelegram BotGitHub ActionsFinMind APIGemini AIFastAPI
GitHub Repo
RANK #02Autonomous Agents
2 Stars

Auto CV Train: 5 個 AI Agent 自動化接力訓練電腦視覺模型

輸入一句話,五個 AI Agent 自動接力 — 抓資料 ➔ 驗證切分 ➔ 訓練 ➔ 調參 ➔ 產出帶框模型 (晶圓瑕疵 99.1% mAP)。

【專案核心技術突破】:實踐 5 個 Agent 狀態繼承與自動交接,在晶圓瑕疵偵測達成 99.13% mAP@0.5 的高水準驗證。
99.13% mAP@0.5
Wafer 瑕疵偵測精度
0.7633 mAP@0.5:0.95
高 IoU 檢驗指標
5 大專精 Agent 接力
協同 Agent 數量
0 人手 (全自動管線)
人工標註與寫碼介入
Wafer Defect Detection · Cockpit Dashboard99.1% mAP@0.5
Cockpit Done
Wafer Defect Pred
5 個 Claude Code Agent 自動接力:資料抓取 ➔ 驗證切分 ➔ YOLOv8 訓練 ➔ 調參 ➔ 瑕疵劃框。
核心架構亮點與技術實現 (Key Highlights)
5 大 Agent 接力流程:data-hunter ➔ bbox-labeler ➔ training-runner ➔ hp-optimizer ➔ inference,以 JSON Summary 檔案無縫繼承狀態
YOLOv8 超參數 Bayesian Optimization:自動對 Learning Rate, Batch Size, Momentum 與 Mosaic Data Augmentation 進行超參數搜尋
視覺駕駛艙 (Cockpit Dashboard):提供即時訓練進度、損失曲線與推論瑕疵劃框預覽
GPU 成本風控防護:調參前強制預估 VRAM 與運算時間,印出 Confirmation Prompt 防止意外消耗 GPU 費用
痛點與架構解方 (Pain Points Solved)
痛點CV 訓練流程繁瑣、容易遺漏資料清洗與切分步驟
解方5 大專精 Agent 狀態機自動檢驗資料分佈並接力訓練
痛點自動化腳本可能無限制燃燒 GPU 造成費用失控
解方訓練啟動前強制計算成本預估並等待確認
Multi-AgentYOLOv8RoboflowClaude Code AgentsmAP 99.1%Vision Dashboard
GitHub Repo
RANK #03Flagship / Spatial Computing
8 Stars2 Forks

HTC Vive Eagle × iOS 原生旅行 Multi-Agent 系統

HTC Vive Eagle 智慧眼鏡 × iOS Swift 原生端 — 120 FPS AR HUD 視覺流與 LangGraph 多代理人動態改道。

【專案核心技術突破】:打通空間計算 (Spatial Computing) × iOS 原生端 × Multi-Agent 協同全鏈路,實現突發下雨時自動避雨改道與即時預算精算。
HTC Vive 官方決選團隊
競賽成績
120 FPS 低延遲視效
AR HUD 幀率
3 大 Agent 動態圖譜
協同代理人
iOS CoreBluetooth / Wi-Fi
資料隱私與傳輸
HTC Vive Eagle × iOS AR HUD Stream120 FPS / Spatial Computing
HTC Vive Eagle AR HUD
眼鏡端鏡頭與麥克風 ➔ iOS Swift CoreBluetooth ➔ LangGraph 多代理人動態改道。
核心架構亮點與技術實現 (Key Highlights)
Vive Eagle 真機 SDK 整合:低延遲 BLE/Wi-Fi 串流眼鏡端相機與麥克風,即時繪製 120 FPS 抬頭顯示 (HUD)
LangGraph 三代理人協同:Itinerary Agent (行程)、Weather POI Agent (天氣景點)、Budget Agent (預算) 形成動態拓撲
突發情境動態改道:偵測到午後雷陣雨時,自動觸發改道室內展館並即時重算大眾運輸班次與門票費用
旅程記憶圖譜化:旅遊結束後自動將語音與景點照片沉澱為可互動回溯的個人旅遊知識圖譜
痛點與架構解方 (Pain Points Solved)
痛點旅遊時頻繁掏手機看地圖/行程被打斷
解方Vive Eagle 智慧眼鏡 HUD 抬頭顯示 + 語音 Multi-Agent 即時導引
痛點突發天候變化導致多景點規劃混亂
解方LangGraph 多代理人即時氣象感知與自動避雨改道
HTC Vive EagleiOS SwiftMulti-AgentLangGraphAR/MR HUDSpatial Computing
GitHub Repo
RANK #04Product / Research

Anchor — PDF Region-First 框選發問與論文知識圖譜

在 PDF 上框選卡住的文字/公式/圖表對精確區域問 AI,回答即時串流並沉澱成跨論文知識圖譜。

【專案核心技術突破】:改善傳統 PDF RAG 的粗暴切割方式,透過 Bounding Box 座標點選同時提取文字、公式與高解析裁切圖,並支援一鍵跳回原處。
Local-First (PDF 永不離機)
資料隱私性
座標點對點 Bounding Box
檢索精準度
SQLite FTS5 + NetworkX
資料庫引擎
自動抽取跨論文概念 Wiki
圖譜關聯度
Anchor — Region-First PDF & Wiki GraphLocal-First
Anchor Hero
Anchor Graph
PDF 座標點選即時擷取文字與圖表 ➔ 沉澱為可回溯的原處 Markdown Wiki 與概念圖譜。
核心架構亮點與技術實現 (Key Highlights)
Highlight-to-Ask 座標定位:在 PDF 上拖曳框選任何公式或圖表,前台直接將 `[x0, y0, x1, y1]` 點陣座標發送給後端精確切片
多模態即時解析:利用 PyMuPDF 即時擷取該區域向量文字與渲染高畫質 PNG 裁切圖,一併送入模型獲得精準解答
跨論文 Memory Graph:每次問答後由 Agent 自動提取 Entity & Concept,寫入結構化 Markdown Wiki 檔案並長成關聯圖
反向跳轉驗證:點擊知識圖譜中的任何概念節點,直接打開 PDF 並精確高亮顯示原始出處段落
痛點與架構解方 (Pain Points Solved)
痛點整份 PDF 直接丟給 AI 經常答非所問、失去精準上下文
解方框選座標精確帶入文字 + 表格 + 裁切圖一起送入模型
痛點對話結束後知識散落,無法在多篇論文間形成體系
解方自動沉澱為可互相引用連結的 Markdown Wiki 與知識圖譜
React 19pdf.jsPyMuPDFFastAPISQLite FTS5DeepAgentsKnowledge Graph
GitHub Repo
RANK #05Knowledge Architecture
5 Stars1 Forks

yt-graphrag-bot: 三視圖同步投影的 GraphRAG 問答系統

丟一個 YouTube 連結(或 PDF/DOCX),建出會回答內容、附時間戳引用、還會即時高亮知識圖譜的問答機器人。

【專案核心技術突破】:實踐「同一次檢索的三種投影」技術架構,解決傳統問答缺乏空間關係與時間證據的根本問題。
3 視圖即時投影 (Chat+Graph+Timeline)
多視圖同步
YouTube, PDF, DOCX, 網頁
支援資料源
Claude Code / Cursor / Codex
工具掛載支援
uv + Python 3.12
套件管理
yt-graphrag-bot · 3-View Synchronous ProjectionYouTube / PDF / Web
YT GraphRAG Bot
左聊天問答 + 右圖譜實體高亮 + 底部時間軸跳秒定位,為同一次檢索的三種投影。
核心架構亮點與技術實現 (Key Highlights)
三視圖同步投影:對話視圖說「答案是什麼」、圖譜視圖高亮「牽涉哪些概念與關聯」、時間軸視圖標示「證據在影片第幾秒」
點擊子圖展開:點擊圖譜中任一實體節點,鄰居子圖瞬間展開,並可直接點擊時間戳跳轉播放影片
四層 Markdown Wiki 分層:sources ➔ concepts ➔ entities ➔ synthesis,標準 YAML frontmatter 相互 reference
靜態 HTML 圖譜產生器:可將全庫知識一鍵編譯為單一可發布的 graph.html,無需後端 DB 即刻展示關聯節點
痛點與架構解方 (Pain Points Solved)
痛點看完 AI 摘要依然不知道答案到底出自影片哪一秒
解方底部時間軸精確標註證據時間戳,點擊直接跳轉播放
痛點長影片或多文件概念繁雜難以建立全局觀
解方右側知識圖譜即時高亮相關子圖,點選探索相鄰實體
Knowledge GraphMarkdown WikiGemini Ingestyfinancegraph.html
GitHub Repo
RANK #06Protocol / MCP

RAG Architect MCP Server: 確定性 RAG 架構決策引擎

給 AI Agents 一顆「選對 RAG」的大腦 — 無 API Key 確定性路由出 6 種 RAG 架構與評估指標。

【專案核心技術突破】:打破 AI 盲目推薦通用 pgvector 的慣性,以純函式確定性算法路由出可審計、可重現的 6 大專門架構桶。
6 大專業 RAG 架構
架構路由桶
0 API Key (純演算法)
API 金鑰依賴
uvx 一鍵即用
部署便利性
100% 確定性可重現
結果可審計性
RAG Architect MCP Serveruvx 一鍵即用
RAG Architect Banner
4 參數純函式確定性路由 6 種專門 RAG 架構,零 API Key 依賴,保證可審計。
核心架構亮點與技術實現 (Key Highlights)
6 大專業架構桶:Code RAG, CAG, Layout-Aware Local RAG, Graph RAG, Contextual Rerank Hybrid RAG 等
Strict Privacy Filter:在 `privacy == local_only` 下觸發硬性防護,絕對禁止推薦任何外部雲端託管服務
無 API Key 確定性路由:相同輸入必產出相同架構推薦與 tradeoff 權衡分析,結果 100% 可審計
MCP 標準生態相容:支援 Claude Code, Cursor, Codex 等 IDE 透過 JSON-RPC 2.0 自動調用
痛點與架構解方 (Pain Points Solved)
痛點LLM 總是給出千篇一律的 chunk+pgvector 盲目建議
解方依據規模、隱私與延遲精準路由出最合適的 6 種專門架構桶
痛點AI 推薦隨機漂移,企業架構決策無法留痕審計
解方純函式無 I/O 確定性演算法,決策完全可重現、可留痕
MCP ProtocolFastMCPRAG ArchitectureCAGGraph RAGuvx
GitHub Repo
RANK #07Open Book / Systems
1 Stars1 Forks

從 LangGraph 到 Deep Agents (開源系統著作 Part I)

用 Python 手刻 LangGraph,把 LangChain → LangGraph → Deep Agents 三層縱向打通。

【專案核心技術突破】:從底層手刻 StateGraph Runtime 到頂層 Agent Harness 剖析,建立完整的除錯與架構心智模型。
18+ 完整實作章節
正文章節規模
18 份 Jupyter Notebooks
可執行 Notebooks
Framework ➔ Runtime ➔ Harness
架構涵蓋層級
100% 原始碼開源
開源狀態
核心架構亮點與技術實現 (Key Highlights)
手刻 StateGraph Runtime:解析狀態轉移、Partial Update 與條件路由 (Conditional Edges) 運作原理
Memory Persistence & Time Travel:深入 SqliteSaver / PostgresSaver,實作狀態回溯與 Human-in-the-loop 人工介入
Deep Agents Harness 拆解:將 Coding Agent 拆解為 Sub-agent Dispatcher, File System Tooling, Terminal Subprocess 與 Reflection
除錯思維建立:培養當 Agent 陷入死循環或狀態漂移時,能拆開 Harness 進行斷點除錯的工程基本功
痛點與架構解方 (Pain Points Solved)
痛點只會調用現成 Agent API,行為異常或陷入死循環時無從除錯
解方從底層手刻 StateGraph 建立清晰的 Runtime 運作模型
痛點市面教材過度片段化,缺乏端到端系統性框架
解方打造 Framework ➔ Runtime ➔ Harness 三層完整地圖
LangGraphDeep AgentsAgent HarnessStateGraphHITLJupyter Book
GitHub Repo
RANK #08Product / Fullstack
1 Stars

Startup Reality Check: MIT 10 格畫布 AI 創業教練

不會只說好聽話的 AI 創業教練 — 用 MIT 紀律創業 10 格畫布,把點子變成可驗證商業模型。

【專案核心技術突破】:用 MIT 嚴謹方法論約束大模型輸出,透過魔鬼代言人模式 (Devil's Advocate) 挑戰創業假設與盲區。
MIT 紀律創業 10 格畫布
方法論框架
3 種 (起草 / 蘇格拉底 / 魔鬼)
AI 角色模式
Next.js 16 + Supabase RLS
架構棧
Vercel AI SDK 雙軌 SSE
串流體驗
核心架構亮點與技術實現 (Key Highlights)
MIT 10 格畫布狀態機:採用 Zod Schema 嚴格校準商業假設填寫進度,杜絕空泛對話
魔鬼代言人模式:拒絕順從式奉承回答,主動拋出商業質疑與單位經濟破綻
Supabase RLS 隱私隔離:企業與創業者點子以 Row Level Security 實現租戶安全隔離
雙軌 SSE 串流:Vercel AI SDK 將對話 Token 與 JSON 畫布狀態即時雙向串流至前台
痛點與架構解方 (Pain Points Solved)
痛點傳統 AI 聊天問答太淺、只會順著講好聽話
解方魔鬼代言人模式犀利挑戰商業模型破綻
痛點點子散落沒有結構化結論
解方MIT 10 格畫布逐步收斂成可驗證商業假設
Next.js 16React 19SupabaseVercel AI SDKGemini 2.5Drizzle ORM
GitHub Repo
RANK #09Interactive Learning

Interview Master: 互動式演算法與 Pytest 即時評測平台

動手理解基礎技術概念的互動學習平台 — 看動畫懂概念、親手寫出來 (含隔離 pytest 判卷)。

【專案核心技術突破】:整合 Mermaid 動畫視覺拆解 + 沙盒化 Async Subprocess pytest 判卷,鼓勵親自動手寫出代碼並驗證測資。
隔離 Subprocess pytest (10s 超時)
判卷機制
CodeMirror + 即時語法高亮
前端編輯器
Mermaid.js 動態流程圖
概念可視化
Gemini Structured Tutor
AI 輔導家教
核心架構亮點與技術實現 (Key Highlights)
真實面試情境出發:以「手寫 PDF Chunking 與 Overlap 演算法」為起點設計漸進式練習題
隔離 Subprocess 判卷:FastAPI 非同步啟動沙盒化 pytest,執行包含隱藏測資的單元測試並回傳報表
Mermaid 動畫化概念分解:將雙指標搜尋、滑動窗口等抽象演算法轉化為逐步動畫流程
Gemini AI 家教即時提示:當測資失敗時,AI 家教提供漸進式提示引導,而非直接給出答案
痛點與架構解方 (Pain Points Solved)
痛點刷題死背 AI 答案,技術觀念依舊不扎實
解方看動畫懂概念 ➔ 編輯器親手寫 ➔ 自動跑 pytest 檢驗
痛點練習代碼缺乏測試用例檢驗
解方後端自動跑隱藏測資單元測試並輸出詳細除錯報告
Next.jsCodeMirrorFastAPIMermaidpytest RunnerGemini Tutor
GitHub Repo
RANK #10Corporate Education
1 Stars2 Forks

Google ADK × A2A 全攻略教案與 Cloud Run Capstone

Google AI 生態系 (ADK / A2A / Gemini / Cloud Run) 完整教學與可部署 SaaS Capstone。

【專案核心技術突破】:實作 Google ADK 與 LangGraph 雙代理人掛載於 A2A 匯流排,並完成 Cloud Run 容器化一鍵部署規格。
00-07 循序漸進單元
教案覆蓋主題
A2A Protocol (ADK + LangGraph)
跨框架通訊
StockPulse AI 全棧應用
Capstone SaaS
Docker + Cloud Run Serverless
雲端部署
核心架構亮點與技術實現 (Key Highlights)
A2A Protocol 跨框架通訊:示範如何將 Google ADK 原生 Agent 與 LangGraph 狀態機掛載於同一 A2A 匯流排協同
StockPulse AI 完整 Capstone:包含 React/Vite 前端 + FastAPI 後端 + SSE 串流與 Dockerfile 部署規格
清晰的學習路徑:完整提供 PRD 規格書、Jupyter 筆記本與生產環境除錯指南
痛點與架構解方 (Pain Points Solved)
痛點Google ADK 與 A2A 新技術缺乏完整範例
解方提供 00-07 模組化教案與可直接部署之 Capstone
Google ADKA2A ProtocolGeminiFastAPIReactCloud RunDocker
GitHub Repo