本場分享以「代理式 AI（Agentic AI）」為主軸，串連三大核心技術主題：檢索增強生成（RAG）、代理記憶架構（Agent Memory Architectures）、上下文工程（Context Engineering），並以 NVIDIA NIM 微服務與 DLI 自學課程作為實作落地的入口。內容涵蓋從技術典範演進（傳統 AI → 生成式 AI → 代理式 AI → 實體 AI）、五大 RAG 範式（Naive、Advanced、Modular、Graph、Agentic RAG）、三大記憶典範（Token-level、Parametric、Latent Memory）到企業級多模態 PDF 抽取流程的整體架構討論，最後以臺北大學主導的 AI CUP 2026 VeriPromiseESG 永續承諾驗證競賽作為應用案例收尾。
本講座由國立臺北大學資訊管理研究所戴敏育教授主講，將深入剖析如何整合檢索增強生成（RAG）、記憶架構（Memory Architectures）與上下文工程（Context Engineering），打造出具備「長短期記憶」且能精準理解複雜指令的自主代理系統。
LLM 代理記憶分為三類：
Token-level Memory：符號式、可定址、透明，支援快速增刪改，適用多輪對話、推薦系統、法律金融醫療等高風險領域。代表：Memory graph（Zep、AriGraph）、Agentic memory（A-Mem、G-Memory）、Working memory（HiAgent、ReSum）
Parametric Memory：隱式、抽象、可泛化，更新慢但效能高，伴隨較嚴重的災難性遺忘問題，適合角色扮演、重度推理任務。代表：Retroformer、Early Experience、RL-enabled Memory（MemAgent、MEM1、Memory-R1）
Latent Memory：機器原生、人類不可讀，效率與彈性需權衡，token 使用效率高，適合多模態融合與邊緣裝置部署。代表：MemoryLLM、M+、MemGen
由小至大的三層工程關係：
上下文工程的基礎元件分三層：取得與生成（Prompt Engineering、External Knowledge Retrieval、Dynamic Context Assembly）、處理（Long Sequence Processing、Self-Refinement、Relational and Structured Information Integration）、管理（Fundamental Constraints、Memory Hierarchies and Storage、Context Compression）。Karpathy 提出的 Autoresearch 概念即建立在這套架構上讓代理自我改進地執行研究迴圈。
