LLM Evaluation & AI Research Engineer · Lehigh University
我用人類行為證據評估 AI 決策，並建立驗證機制，讓代理的行動有依據、受約束。
我的工作連結人類—環境模擬，以及具證據鏈的科研工作流。
AI 研究履歷 · 英文
精選作品
AI 的決策看似合理，不代表符合人類行為或系統限制。我用實證比較、驗證機制與模擬，檢查它依據什麼，又會造成什麼影響。
真實受訪者提供人類證據；模擬家戶代理與科研 AI 代理則是模型與軟體，不是真人。這些專案共用研究方法，不代表已整合成同一套發表系統。
決策觀測台
兩種應用共用同一方法：對照人類證據、檢查提案，再追蹤改變了什麼。選擇圖中物件或階段，即可查看其來源。
互動操作需要 JavaScript；完整流程與來源仍列於下方。
以實測構念與自陳選擇建立經驗基準。
已出版證據無標籤的合成人物設定只帶入核准的屬性。
示意範例重複執行模型，取得可比較的選擇與簡短理由。
示意範例比較方向、群體差異與執行穩定性，不公開個別受訪者資料。
公開成果產出是有邊界的評估結果，不是模型足以代表真人的宣稱。
示意範例行為與物理限制界定合理行動必須遵守的條件。
已出版證據合成代理狀態限制模型可提出的行動範圍。
示意範例LLM 只回傳結構化提案，不能直接修改模擬狀態。
示意範例驗證器拒絕無效欄位、要求針對性修正，並保留稽核軌跡。
公開成果只有通過驗證的提案才能更新耦合模型。
示意範例調查證據與公開洪災資料共同建立行為基礎。
已出版證據居住權屬、風險知覺、資源與暴露形成決策情境。
已出版證據代理在限制下選擇調適、保險或不採取行動。
公開成果模型檢查行為、財務與物理狀態轉移是否一致。
公開成果洪災損失與調適會改變下一輪的家戶與環境狀態。
已出版證據開源系統實證
精選的儲存庫支援研究營運、代理編排與多語言學習。各項數據皆透過經過審查的建置期數據工作流進行更新。
維護中的三語 AI 代理發展藍圖，具備自動化跨語言檢查。
7.6K stars · 1K forks
awesome-agentic-ai-zh可組合的研究工作流，涵蓋從發現研究缺口到研究設計與草稿撰寫。
384 stars · 23 forks
ai-research-skills多代理協作的任務拆解、協調、辯論與驗收關卡。
30 stars · 7 forks
agent-collab-skills更新時間: 2026-10-14 · 資料來源: GitHub REST API 資料快照
公開近況
精選我在 LinkedIn 分享的貼文，保留原文連結與完整脈絡。
說明我為何建立 awesome-agentic-ai-zh：將零散資源串成三語學習路線，涵蓋 LLM 基礎、工具、記憶、評估與多代理系統。
閱讀 LinkedIn 原文
