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。

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。

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。

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