COMPLETE PROJECT & CASE STUDY ARCHIVE
開源代表作與企業實戰專案庫
涵蓋 10 大 GitHub 開源旗艦專案，以及外商金控 (法國巴黎人壽、保誠人壽)、HTC Vive Eagle 決選企劃之架構細節與投影片：
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 與 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
💡 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
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
🌙 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
ENTERPRISE & CONFIDENTIAL PORTFOLIO
企業顧問 · 商業競賽 · 未開源實戰案例
精選具備真實外商金控合規、保單數位審核、HTC 智慧眼鏡真機競賽與主動圖譜演算法之非開源專案，直接呈現企劃投影片與商業影響力：
Confidentiality & PoC Verified
全地端極致算力 PoC2026
電商企業私有化 AI 專案
電商企業全地端多模態代理人 (On-Premises Multi-Modal Agent)
為電商企業打造之純地端多模態智能代理人系統。針對企業內部嚴格的資料隱私規範與有限算力環境，設計三種不同專精模型訓練架構，在最低 VRAM 算力預算下達成圖文多模態識別、商品審核與訂單智能決策，全程 Docker 本地化封裝，零資料上雲。
Core Architecture Specs (核心架構)
Tri-Model 專精模型分工：針對視覺檢驗、文本意圖與表格決策分別訓練 3 個輕量專精模型 (Domain Fine-tuning)
極致算力預算控制 (Minimal Compute Budget)：透過模型量化 (AWQ/GGUF 4-bit) 與 KV Cache 壓縮，在單張消費級/工作站 GPU 上順暢運行
純地端 Docker 容器化架構：包裝 FastAPI, Triton/Ollama Inference Engine 與本地 SQLite/Qdrant，一鍵離線部署
Business Impact (商業成效)
✓硬體成本大幅降低 70%，在有限算力資源下達成超越雲端 API 的私有化多模態處理能力
✓電商商品圖文審核與客服代理人平均推論延遲控制在 350ms 內，兼顧隱私與即時性
On-Premises DockerMulti-Modal AgentsTri-Model Training
外商金控實戰 PoC2026
保誠人壽 (Prudential Assurance)
保誠人壽 AI 保險與醫療健康分析系統 (Prudential PoC)
針對保誠人壽複雜之健康險、壽險保單條款與核保規則，打造端到端智慧分析 PoC。解決保單條款冗長、醫學名詞繁複與跨險種比對耗時痛點。
Core Architecture Specs (核心架構)
保單條款階層式解析器 (Clause-Level Chunking) 與醫療除外責任比對
雙軌 RAG 混合檢索 (BM25 + 向量語意 + 險種表格對照)
客戶健康標籤 ➔ 保單商品智能匹配與權重排序推薦
Business Impact (商業成效)
✓保單條款諮詢檢索準確率達 94% 以上，大幅縮短保經代審查時間
✓符合金管會金融資安規範，支援地端/私有雲隔離部署架構
LangChainFastAPIPostgres pgvector
HTC Vive 官方決選2026
HTC 宏達電 Vive 智慧穿戴競賽
HTC Vive Eagle 智慧眼鏡 × 智慧導覽 Multi-Agent (FormosaEagle)
利用 HTC Vive Eagle 智慧眼鏡端鏡頭與麥克風，結合 iOS Swift CoreBluetooth 打造毫秒級 AR HUD 視覺抬頭顯示與 LangGraph 多代理人行程避雨改道系統。
Core Architecture Specs (核心架構)
Vive Eagle 鏡頭/音訊 BLE 串流 ➔ iOS Swift CoreBluetooth 雙向通訊
LangGraph 三代理人拓撲：Itinerary Agent, Weather POI Agent, Budget Agent
午後雷雨突發改道室內展館與即時大眾運輸路線/預算重算
Business Impact (商業成效)
✓榮獲 HTC Vive 官方競賽決選團隊肯定
✓達成 120 FPS 超低延遲抬頭顯示與零卡頓空間計算互動
HTC Vive Eagle SDKiOS Swift 6LangGraph
跨國金控保險 CLM2026
法國巴黎人壽 (BNP Paribas Cardif)
法國巴黎人壽 保險合約智慧審核系統 (BNP Paribas Cardif CLM)
專為法國巴黎人壽法務與合規部門設計之智慧合約生命週期管理 (CLM) 系統。自動解析保險經銷合約、再保險合約與合作備忘錄，進行風險條款自動審核。
Core Architecture Specs (核心架構)
合約結構化樹狀解析 (Header/Clause Hierarchy Tree)
法務風險紅線 (Redline) 自動比對與標準合約庫 Diff 演算法
法務審核工作流狀態機與 Audit Trail 審計日誌
Business Impact (商業成效)
✓常規保險經銷合約初審時間由平均 3 天縮短至 15 分鐘
✓風險條款漏審率降至趨近於零，顯著提升合規安全性
PythonFastAPIReact
企業主動圖譜專利架構2026
企業級內部 SaaS 平台
企業級長程記憶與主動圖譜引擎 (ContextGraph AI)
解決企業 AI 在多輪、跨會話情境中遺忘歷史決策的痛點。設計動態實體知識圖譜 (Dynamic Entity Graph) 與長短期記憶提取引擎，使 Agent 具備主動洞察能力。
Core Architecture Specs (核心架構)
對話實體自動提取 (NER & Relation Extraction) 與增量圖譜寫入
長短期記憶分層架構 (Working Memory vs Long-term Graph Memory)
主動關聯推理：在使用者提問前預判潛在依賴並主動推播關聯上下文
Business Impact (商業成效)
✓跨會話上下文留存率達 99%，徹底杜絕重複確認基礎資訊
✓成功於多個企業協作場景落地，大幅提升跨部門溝通效率
Neo4j / NetworkXLangChain DeepAgentsFastAPI