Wei-Ting Wu
台灣,台北
目前專注於 multi-agent systems 在長時間運行任務中的 alignment 問題:如何在數千個步驟、持續協作與局部失敗之後,仍然維持共同目標。
目前專注
長時間運行中的 alignment。
Multi-agent system 可以從明確目標出發,卻在計畫改變、agents 交換不完整脈絡,以及小錯誤持續累積的過程中逐漸偏離。
問題不只是每個 agent 夠不夠聰明,而是整個系統能否保存意圖、協調決策,並察覺自己的執行軌跡已經不再可靠: goal alignment、coordination 與 recovery。
我研究並打造能讓 long-running agentic systems 保持可觀測、可導引,並持續對齊原始任務的機制。
專案
AI infrastructure
share-house
讓不同團隊共用 AI 推論資源,又不會看見彼此的資料與工作負載,也不必每個團隊都重建同一套環境。
- Multi-tenant inference scheduling
- Tenant isolation
- Edge-node orchestration
long-horizon agents
digs
把長時間、多步驟的資安調查交給 agents,不必人工盯住每一步。
- 攻擊與防禦 Agent 分工
- 共享任務狀態與角色分配
- Long-horizon planning 與 tool use
- Retry 與 failure recovery
observability
horus
不用翻遍零散 logs,就能找到 agent 在哪一步出錯。
- OpenTelemetry traces
- Langfuse 與 Arize Phoenix
- 模型、工具與 handoff tracing
- 延遲、成本與失敗歸因
on-device AI
WebGPU LLM
不用上傳私人資料,也不用等待遠端伺服器,就能直接使用 LLM。
- SFT 與 GRPO post-training
- 有限算力下的 PEFT
- 模型量化
- WebGPU on-device inference
- JSDC 2025 議程分享
research agent
empaithy
不用增加訪談人力,也能完成更多使用者研究,並把每段對話變成可直接使用的研究產出。
- 即時多輪語音訪談
- OpenAI Realtime
- 自動轉錄與摘要
- 結構化洞察萃取
multi-agent simulation
WAVE
在決策真正執行前,先看見不同利害關係人可能如何理解、反應並彼此影響。
- 從真實訪談蒸餾 Personas
- Multi-agent 多輪交互影響
- 建立複雜系統產生動態賽局均衡模擬