• 1 min read

LangGraph 如何實作 ReAct Workflow

ReAct agent 最早在 2023 年論文 ReACT: Synergizing Reasoning and Acting in Language Models 中提出，是一種結合「推理（Reasoning）」與「行動（Acting）」框架的 AI agent，能將 chain of thought（CoT）推理與外部工具使用結合。ReAct 框架提升了 LLM 在複雜任務與決策流程中的能力。

LangGraph 透過 create_react_agent 函數，建立一個能根據 LLM 輸出自動循環調用工具（ReAct agent）的狀態流程圖（StateGraph）。

這篇文章深入了解 LangGraph 原始碼，分析 ReAct agent 實作方法。

  • 1 min read

使用延伸思考增強Claude的推理能力

當 Claude 採用延伸思考時，它能在處理複雜任務時展現更強的推理能力，同時在回答前，提供不同程度的思考過程透明度。這使得它的回應不僅更精準，也能理解背後邏輯。

  • 4 min read

Collaborative Filtering with Temporal Dynamics

https://doi.org/10.1145/1721654.1721677

顧客對產品的偏好會隨時間變化，產品的熱度也可能因新商品出現而波動。這些變化促使推薦系統必須考慮時間動態，才能準確預測使用者行為。

然而，要在實際的推薦環境中建模時間變化並不容易。使用者與產品的行為關係複雜，且會隨著時間緩慢或劇烈變動，許多變化相互影響，並且往往只與特定資料實例相關。

傳統的 time-window 或 decay 方法難以捕捉這些細微變化，因為它們在捨棄資料時，常會丟失有用的訊號。因此，我們需要一種能更靈敏辨識「短期變化（transient effects）」與「長期偏好（long-term patterns）」的方法。

論文提出一種模型，能在不捨棄資料實例的情況下，有效追蹤使用者行為隨時間的變化。藉由區分與建模不同時間尺度上的模式，這種方法能全面利用資料中的時間訊號，提升推薦的準確性與解釋力。