載入中...
載入中...
Headroom 已從早期 chopratejas/headroom 轉為 headroomlabs-ai/headroom，官方定位為 AI agent 的 context compression layer：JSON 可省 60–95% token、coding agents 約 15–20%，支援 Python/TypeScript library、OpenAI-compatible proxy、MCP server、CLI wrap、多 agent shared memory 與 headroom learn。適合先用在高噪音 logs/RAG/tool output，不宜直接套到安全審查、帳務或事故處理等不能漏細節的任務。
SDAR（Self-Distilled Agentic Reinforcement Learning）把 RL 當主幹，將 On-Policy Self-Distillation 變成 gated auxiliary objective：只強化老師明確支持的正向 token，對負向訊號保守衰減，避免多輪 agent 因錯誤技能或錯誤提示被老師帶偏。
Threads 貼文介紹 Direct Corpus Interaction（DCI）：讓 agent 直接用 bash、grep、檔案讀取與輕量腳本搜尋原始 corpus，而不是把所有需求壓縮成一次向量相似度查詢。本文核對 arXiv 摘要與 DCI-Agent-Lite GitHub 後整理其意義：DCI 不是宣告 RAG 死亡，而是指出 agentic search 的瓶頸可能在「介面解析度」；當模型能提出假設、局部驗證、反覆修正查詢時，固定 retriever 反而可能太窄。