[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-anthropic-coding-agents-research-ops-zh":3,"article-related-anthropic-coding-agents-research-ops-zh":30,"series-research-a655d074-7c36-424d-b63e-b0f9e31c708c":83},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"a655d074-7c36-424d-b63e-b0f9e31c708c","anthropic-coding-agents-research-ops-zh","Anthropic 讓 coding agent 變研究 ops","\u003Cp data-speakable=\"summary\">我拆 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 的社科調查，整理出 coding \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 真正適合插進研究流程的位置，最後附可直接複製的工作流模板。\u003C\u002Fp>\u003Cp>我用 AI 跑研究流程有一陣子了。老實說，前面都還行，寫點摘要、改段落、補幾行 code，看起來很勤快。但一碰到真的分析，我就開始煩：它會很自信地亂接路徑、亂猜欄位、把不存在的變數寫進去，然後裝沒事。你叫它修，它就一直點頭。這種工具很像會做筆記的實習生，不像能上線幹活的人。\u003C\u002Fp>\u003Cp>直到我看到 Anthropic 這篇 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fresearch\u002Fcoding-agents-social-sciences\">Coding agents in the social sciences\u003C\u002Fa>，我才比較清楚問題在哪。它不是在吹模型多會寫字，而是在問：coding agent 到底卡進研究流程的哪一段？這篇不是新聞稿，是一份對 1,260 位 quantitative social scientists 的調查，數字很直接，也很刺眼。\u003C\u002Fp>\u003Cp>最有意思的是，大家都說自己有用 genAI，但真正把 coding agents 放進工作核心的人還不多。這個落差很重要，因為它說的不是「有沒有接觸 AI」，而是「你有沒有把它當成能執行工作的工具」。前者很容易，後者才會真的改變你的研究節奏。\u003C\u002Fp>\u003Ch2>1) 不是 AI 用戶與否，而是你有沒有把它拉進執行層\u003C\u002Fh2>\u003Cblockquote>“81% of respondents said yes. But ... only 20% of respondents use coding agents.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：大多數人都碰過 AI，但只有少數人真的把 coding agent 當成工作流的一部分。這個差距不是小事，因為 chatbot 跟 coding agent 根本不是同一類工具。前者比較像幫你改字，後者比較像能進 repo、看檔案、跑程式、撞錯誤、再修一次。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780315412658-swzi.png\" alt=\"Anthropic 讓 coding agent 變研究 ops\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Anthropic 這份調查是 \u003Ca href=\"\u002Fnews\u002F4-clues-from-xboxs-2026-release-order-zh\">2026\u003C\u002Fa> 年 2 月到 3 月做的，樣本是 1,260 位 quantitative social scientists。這個規模夠我拿來看趨勢，但我不會把它當成全世界研究圈的聖旨。它真正有價值的地方，是把「AI 使用」切成兩層：一般 genAI 使用，跟真正的 coding agent adoption。\u003C\u002Fp>\u003Cp>我自己的感受也差不多。很多團隊嘴上說有在用 AI，實際上只是偶爾叫它幫忙寫一小段 code，或改一個摘要。那不叫流程改造，那叫試水溫。只要工具沒碰到執行層，它就還沒真的介入研究生產線。\u003C\u002Fp>\u003Cp>實操上，我會把研究工作拆成三段：\u003C\u002Fp>\u003Cul>\u003Cli>idea support：找方向、整理文獻、列出假設\u003C\u002Fli>\u003Cli>draft support：修文字、改格式、補說明\u003C\u002Fli>\u003Cli>execution support：寫分析 code、跑結果、修錯誤\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你的工具只停在前兩段，就不要誇張地說它在「重塑研究」。它只是幫你省一點瑣事而已。\u003C\u002Fp>\u003Ch2>2) 真正有用的地方，是它能碰到分析 code\u003C\u002Fh2>\u003Cblockquote>“The most common use, for both coding agent users and others, is for coding up analysis of quantitative data: 97% of coding agent users and 77% of other AI users report using it to generate code.”\u003C\u002Fblockquote>\u003Cp>這句我很買單，因為它把焦點放回最無聊、但最值錢的地方：分析 code。大家愛講 AI 寫論文、寫 introduction、寫總結，可是 Anthropic 的資料顯示，最常見的用途其實是把量化資料的分析程式寫出來。老實說，這才合理。真正卡人的通常不是靈感，而是那堆重複、髒、容易出錯的分析工作。\u003C\u002Fp>\u003Cp>白話一點說，coding agent 的價值不是「幫你寫得像人」，而是「幫你把研究流程往前推」。我如果叫模型寫一個 regression script，我要的不是第一版很漂亮，我要的是它能在實際環境裡跑，跑壞了知道原因，然後自己再修。這才像工作，不像作文。\u003C\u002Fp>\u003Cp>我之前做過一個 survey analysis pipeline，資料格式很亂，欄位名稱又不穩。一般 chatbot 很快就開始亂掰，給我不存在的變數，還假裝那些 cleaning step 本來就有。這種時候，能看檔案、能讀錯誤訊息、能根據 runtime feedback 回頭修的 agent，才真的有用。\u003C\u002Fp>\u003Cp>Anthropic 提到的 \u003Ca href=\"https:\u002F\u002Fclaude.ai\u002Fcode\">Claude Code\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Fcodex\u002F\">Codex\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fcursor.com\u002F\">Cursor\u003C\u002Fa>，我會把它們都看成同一類東西：不是寫作玩具，是工作流工具。你如果只把它當 autocomplete，用法就太小了。\u003C\u002Fp>\u003Cp>實操上，我會先讓 agent 做這種任務：\u003C\u002Fp>\u003Cul>\u003Cli>讀資料並檢查欄位\u003C\u002Fli>\u003Cli>產生一版分析腳本\u003C\u002Fli>\u003Cli>真的跑一次，收集錯誤\u003C\u002Fli>\u003Cli>根據錯誤修正，再輸出變更摘要\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這一套很土，但土的方法通常比較可靠。因為它要求工具面對真實環境，而不是只在聊天框裡耍嘴皮子。\u003C\u002Fp>\u003Ch2>3) adoption 不平均，這件事很值得警惕\u003C\u002Fh2>\u003Cblockquote>“Those with typically male names have adopted coding agents at more than twice the rate of respondents with typically female names.”\u003C\u002Fblockquote>\u003Cp>這段我看了有點不舒服，但它很重要。Anthropic 說，通常是男性名字的受訪者，採用 coding agents 的比例是通常是女性名字者的兩倍以上。再往下看，頂尖大學的研究者更常用，經濟學和政治學的採用率也高於 public health、education、communications。早期職涯研究者比 tenure 教授更常用。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780315428314-gup2.png\" alt=\"Anthropic 讓 coding agent 變研究 ops\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：這不是單純的「誰比較愛嘗鮮」，而是資源、訓練、壓力、文化一起在推。你本來就離 code 比較近，你就更容易上手；你本來就得快點出成果，你就更想找加速工具；你在大學層級越高，越可能有同儕、經費、和試錯空間。\u003C\u002Fp>\u003Cp>我不想把這種差異講成中性的。工具分布從來都不平均，但當工具開始影響研究勞動的速度，差異就會被放大。誰更快搭起專案、誰更快清資料、誰更快出圖，這些差距最後都會反映在成果上。\u003C\u002Fp>\u003Cp>Anthropic 也很小心，這些只是描述性結果，不是因果結論。這點我認同。會用 coding agent 的人，可能本來就比較會發 paper、比較敢試新工具、或比較常碰 code。工具可能只是把原本的差距放大，不一定是自己創造了差距。\u003C\u002Fp>\u003Cp>實操上，如果你是 lab lead 或 team lead，我會很直接地做三件事：\u003C\u002Fp>\u003Cul>\u003Cli>找一個很會用的人，配一個懷疑派，做同一個 task\u003C\u002Fli>\u003Cli>把 workflow 寫清楚，不要只講工具名稱\u003C\u002Fli>\u003Cli>追蹤的是 setup time 有沒有下降，不是大家有沒有覺得很酷\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你不刻意設計，最後只會是本來就快的人更快而已。\u003C\u002Fp>\u003Ch2>4) 它比較像在推進前段流程，不是幫你收尾\u003C\u002Fh2>\u003Cblockquote>“Coding agent users are starting more projects, posting more working papers, submitting more grants, and possibly sending out more conference submissions.”\u003C\u002Fblockquote>\u003Cp>這段是我覺得最實用的地方。Anthropic 說，coding agent 使用者在前段流程看起來更活躍：開更多專案、貼更多 working paper、送更多 grant。可是到了 journal submission 那一層，差異就沒那麼明顯。也就是說，它比較像幫你把事情啟動，不一定幫你把事情收乾淨。\u003C\u002Fp>\u003Cp>這很符合我自己的經驗。研究最煩的地方，常常不是第一版分析，而是那些零碎到不行、但沒做就會卡住的事情：專案結構、資料清理、重跑、補圖、改欄位、處理版本差異。coding agent 很適合吃這些雜事，因為它就是在幫你削掉摩擦。\u003C\u002Fp>\u003Cp>但最後送出去那一步不一樣。你還是要判斷論點夠不夠硬、檢查是不是過度解讀、確認 robustness checks 有沒有被偷懶。這些不是 agent 最擅長的部分。它可以幫你把中間段落弄順，但不該替你決定研究要怎麼被世界理解。\u003C\u002Fp>\u003Cp>Anthropic 也提醒，這些結果是受訪者回報過去六個月的狀況，不是實驗證明工具造成了改變。這種保留我覺得很必要。可就算只是描述性訊號，也夠我判斷：如果我要投資一套 agent 工作流，我應該先放在最磨人的中段，而不是幻想它會替我把整篇 paper 收尾。\u003C\u002Fp>\u003Cp>實操寫法很簡單：\u003C\u002Fp>\u003Cul>\u003Cli>讓 agent 做專案 scaffold\u003C\u002Fli>\u003Cli>讓它產分析腳本和 table\u003C\u002Fli>\u003Cli>讓它做 robustness 變體\u003C\u002Fli>\u003Cli>讓它重畫圖、重跑結果、整理 appendix code\u003C\u002Fli>\u003C\u002Ful>\u003Cp>但 final claims、論證框架、submission decision，這些我還是會自己握著。因為那才是研究者該負責的地方。\u003C\u002Fp>\u003Ch2>5) 風險不是亂寫答案，而是把研究管線變成新瓶頸\u003C\u002Fh2>\u003Cblockquote>“These tools could accelerate science and make it more daring... They could also amplify disparities in research resources and exacerbate congestion in the scholarly record.”\u003C\u002Fblockquote>\u003Cp>這句我覺得比前面所有生產力敘事都重要。Anthropic 很直白：工具可能讓科學更快，也可能讓資源差距更大，還可能讓學術紀錄更塞。這不是危言聳聽，這是很現實的副作用。\u003C\u002Fp>\u003Cp>白話講，如果 coding agent 降低一篇 paper 的生產成本，那它也同時降低 mediocre paper 的生產成本。研究系統本來就已經很擠了，現在只是讓更多東西更快進來。快，不等於好；便宜，也不等於值得。\u003C\u002Fp>\u003Cp>還有一個更麻煩的地方：當 AI 開始幫你做更多分析選擇，這些選擇就會慢慢變成默認值。哪個 cleaning step 被省略、哪個 robustness check 被當標準、哪種 model default 被一直重複使用，這些都不是小細節。久了之後，它們會變成學科的預設機器。\u003C\u002Fp>\u003Cp>我看過團隊一旦習慣某個工具，就直接照著模型第一個建議走，根本不再問為\u003Ca href=\"\u002Fnews\u002Fweishenme-weiruan-xian-bao-halo-he-gears-fable-yan-dao-2027-zh\">什麼\u003C\u002Fa>。那很方便，也很危險。因為方便一久，默認就會變成教條。\u003C\u002Fp>\u003Cp>實操上，我會要求 agent 的輸出\u003Ca href=\"\u002Fnews\u002Fwhy-goland-is-more-than-just-a-go-ide-zh\">不只是\u003C\u002Fa>結果，而是過程紀錄：\u003C\u002Fp>\u003Cul>\u003Cli>每個步驟的 log 要保留\u003C\u002Fli>\u003Cli>每個分析選擇都要有人類解釋\u003C\u002Fli>\u003Cli>正式採用前，至少要有一次不靠 agent 的獨立重跑\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果它連這關都過不了，那它就不該直接進你的 paper。\u003C\u002Fp>\u003Ch2>6) 這份調查真正有價值的地方，是它把下一場爭論講清楚了\u003C\u002Fh2>\u003Cblockquote>“We will publish results from this experiment in the future.”\u003C\u002Fblockquote>\u003Cp>Anthropic 說這只是 baseline wave，後面還有一個 randomized experiment，會讓研究者拿到 \u003Ca href=\"\u002Ftag\u002Fclaude-code\">Claude Code\u003C\u002Fa>。這很關鍵。因為調查只能告訴我們誰已經在用、怎麼想、用在哪裡；實驗才有機會回答：它到底有沒有真的提升生產力。\u003C\u002Fp>\u003Cp>翻譯一下就是，我們現在還在早期。眼下大家多半是靠 anecdote、靠自我選擇、靠局部觀察在吵。更好的問題不是「coding agent 能不能幫忙」，這答案其實已經很明顯了。更好的問題是：它在哪裡最有用、誰拿得到、又會怎麼改變研究分工。\u003C\u002Fp>\u003Cp>我喜歡這種寫法，因為它沒有走兩個最懶的極端：不是「AI 會接管社科」，也不是「這沒什麼」。它只是把流程拆開來看，然後承認工具正在重組研究工作，但影響分布得很不平均。\u003C\u002Fp>\u003Cp>如果你自己也想做 workflow，我會建議你不要先問「agent 要不要做全部」。先問的是：哪一段最耗時間、最容易出錯、但又不需要太多判斷？那一段才是你該先丟給它的地方。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># coding-agent 研究工作流模板（量化研究版）\n\n## 1) 先定義任務\n- 研究問題：\n- 資料來源：\n- 期待輸出：\n- 不可碰的限制：\n\n## 2) 把 agent 放進執行層\n你可以直接貼這段：\n\n\"你現在在一個研究 repo 裡工作。你的任務是：\n1. 先檢查資料檔與專案結構，\n2. 寫出分析程式，\n3. 實際執行程式，\n4. 根據 runtime error 修正，\n5. 把每個改動講清楚。\n\n不要自己發明欄位、檔名或結果。\n如果資訊不夠，先問，不要硬猜。\n最後只回傳：最終 code、執行過的命令、分析選擇的簡短說明。\"\n\n## 3) 強制留下工作痕跡\n接受輸出前，要求它列出：\n- 用到的檔案路徑\n- 執行過的 command\n- 遇到的 error\n- 怎麼修的\n- 假設了什麼\n- 最後產生了哪些 table \u002F figure\n\n## 4) 人類要保留的部分\n這些不要交給 agent：\n- 最終結論\n- 因果解讀\n- paper framing\n- 是否送出\n- 倫理與風險判斷\n\n## 5) 最適合交給它的工作\n- 專案 scaffold\n- data cleaning\n- regression \u002F table generation\n- robustness checks\n- figure 重跑\n- appendix code 整理\n\n## 6) 不適合交給它的工作\n- 編造方法\n- 沒 review 就寫結論\n- 偷改研究問題\n- 隱藏失敗的 run\n- 用 default 取代判斷\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這就是我會真的拿去用的版本。它不是要你迷信 agent，而是把它卡在最省力、也最不容易出大包的地方。速度可以拿，判斷不要丟。\u003C\u002Fp>\u003Cp>原始來源是 Anthropic 的 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fresearch\u002Fcoding-agents-social-sciences\">Coding agents in the social sciences\u003C\u002Fa>。我上面拆的是這篇調查的觀點，模板則是我根據它描述的工作模式，加上我自己在研究流程裡踩過的坑整理出來的。\u003C\u002Fp>","我拆 Anthropic 的社科調查，整理出 coding agent 真正適合插進研究流程的位置，最後附可直接複製的工作流模板。","www.anthropic.com","https:\u002F\u002Fwww.anthropic.com\u002Fresearch\u002Fcoding-agents-social-sciences",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780315412658-swzi.png","research","zh","63b0f38d-55b8-4abb-9664-c0d602f4ea23",[17,18,19,20,21],"Anthropic","coding agents","research workflow","social science","quantitative research",[23,24,25],"coding agent 和一般聊天式 AI 不一樣，重點在執行層","最適合先放進研究流程中段：清資料、寫 code、跑結果、修錯","要把 agent 當成可審核的工作者，不是自動完成結論的黑盒",4,"2026-06-01T12:02:56.217292+00:00","2026-06-01T12:02:56.204+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":42,"relatedPosts":46},[32,34,36,38,40],{"name":18,"slug":33},"coding-agents",{"name":20,"slug":35},"social-science",{"name":17,"slug":37},"anthropic",{"name":21,"slug":39},"quantitative-research",{"name":19,"slug":41},"research-workflow",{"id":15,"slug":43,"title":44,"language":45},"anthropic-coding-agents-social-sciences-research-ops-en","Anthropic’s survey turns coding agents into research ops","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"f374155a-c29e-478c-b7a5-679cad1c51e4","crdts-keep-replicas-in-sync-without-locks-zh","CRDT 讓副本不用鎖也能同步","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781011086259-4p4k.png","2026-06-09T13:17:34.493426+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"4b3b5a50-45b7-4238-a38b-160f82e323ff","post-deterministic-systems-autonomous-infra-zh","後決定性分散系：自治基礎設施新框架","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781010194792-5ogb.png","2026-06-09T13:02:32.717551+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"04e45398-9814-4907-b416-fcb5b8d69508","causal-learnability-formal-language-tasks-zh","用因果法量化任務可學性","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780987696075-l4g0.png","2026-06-09T06:47:34.438642+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"75bcc569-5e89-45c8-b809-6f169e929f4b","rl-training-hands-off-control-gradually-zh","RL 先接管再放手","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780986786312-03yo.png","2026-06-09T06:32:32.849589+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"e3ecab4b-7cc7-4246-baf6-e1c170d86ca5","omnigamearena-vlm-game-agent-benchmark-zh","OmniGameArena 讓 VLM 遊戲代理更好比","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780985893022-70pl.png","2026-06-09T06:17:32.189729+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"6f25a29c-cbb8-4f53-9af7-1656b394333a","turboquant-cuts-kv-cache-memory-6x-google-tests-zh","TurboQuant 在 Google 測試中省下 6x KV 快取","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780906682236-sqe2.png","2026-06-08T08:17:21.878314+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]