[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-aws-explains-ai-agents-workflow-zh":3,"article-related-aws-explains-ai-agents-workflow-zh":30,"series-tools-d26c308a-4747-44eb-b752-3ed9dc23ea8e":80},{"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},"d26c308a-4747-44eb-b752-3ed9dc23ea8e","aws-explains-ai-agents-workflow-zh","AWS 用一個流程講懂 AI Agent","\u003Cp data-speakable=\"summary\">我把 \u003Ca href=\"\u002Ftag\u002Faws\">AWS\u003C\u002Fa> 的 \u003Ca href=\"\u002Ftag\u002Fai-agent\">AI agent\u003C\u002Fa> 說法拆成可直接照抄的\u003Ca href=\"\u002Fnews\u002Fmake-ai-workflow-automation-no-code-zh\">工作流\u003C\u002Fa>，補上規劃、工具、記憶與反思模板。\u003C\u002Fp>\u003Cp>我用 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> demo 一陣子了，老實說，很多都很像在演。模型會講、工具會叫，畫面也做得漂漂亮亮，可一碰到真正的任務就開始鬆掉。它會忘記自己在幹嘛，會把目標講得很大聲卻做歪，甚至一路衝進錯的分支，還以為自己很聰明。\u003C\u002Fp>\u003Cp>我最受不了的就是，大家老把「agent」講成「\u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 加工具」就結束了。然後系統一旦需要規劃、記憶、停手，整個東西就像被抽掉骨頭。這種東西看起來很新，實際上只是更會講話的自動回覆器。\u003C\u002Fp>\u003Cp>後來我看了 AWS 這篇 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fai-agents\u002F\">What are AI Agents?\u003C\u002Fa>，才終於找到一個比較乾淨的講法。它不是把 agent 神化，而是把它講成一個有決策迴圈的工作流。這個版本比較無聊，但也比較能做。\u003C\u002Fp>\u003Ch2>先別把每個聊天機器人都叫 agent\u003C\u002Fh2>\u003Cblockquote>An artificial intelligence (AI) agent is a software program that can interact with its environment, collect data, and use that data to perform self-directed tasks that meet predetermined goals.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：agent 不是只會吐字，它要能觀察環境、收集資訊，然後朝著某個目標自己往前推。AWS 在這裡其實是在劃線，分清楚「模型回答了我」跟「系統真的做完事情」是兩回事。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779994100558-biew.png\" alt=\"AWS 用一個流程講懂 AI Agent\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前也被這個詞搞過。很多團隊來找我，說要「加 agent」。結果我一問，發現他們要的根本不是哲學機器人，而是能讀上下文、選下一步、把任務推到底的流程自動化。講白一點，他們要的是好用，不是名詞漂亮。\u003C\u002Fp>\u003Cp>我自己的判斷很簡單：如果一個系統沒有環境、沒有狀態、沒有目標、沒有行動，它多半不是 agent，只是 prompt 外套穿得比較厚。\u003C\u002Fp>\u003Cp>實操寫法很直接：你先把 agent 能看到什麼、能做什麼、要達成什麼、什麼時候該停下來寫清楚。寫不出來，就先別急著做架構圖，因為那通常只是把混亂畫得更工整。\u003C\u002Fp>\u003Cul>\u003Cli>環境：它能讀哪些資料源？\u003C\u002Fli>\u003Cli>行動：它能呼叫哪些工具或輸出哪些結果？\u003C\u002Fli>\u003Cli>目標：成功長什麼樣子？\u003C\u002Fli>\u003Cli>停手規則：什麼情況要交給人？\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>自治不是加分項，是整個難點\u003C\u002Fh2>\u003Cblockquote>AI agents act autonomously, without constant human intervention.\u003C\u002Fblockquote>\u003Cp>AWS 這句話很直白，也很煩，因為它點到痛處了。一般軟體是照指令跑，agent 則是根據當下狀態自己決定下一步。這差異聽起來不大，實際上超級大，尤其是你真的要上線的時候。\u003C\u002Fp>\u003Cp>我看過一堆所謂「agentic \u003Ca href=\"\u002Fnews\u002Fwhy-ai-agent-workflow-tools-are-winning-2026-zh\">flow\u003C\u002Fa>」，其實每一步都要人按確認。那不是自治，那是包裝得比較像產品的核取清單。這樣做不是不行，但你就老實承認它是半自動，不要硬裝成 agent 行為。\u003C\u002Fp>\u003Cp>自治真正麻煩的地方在於風險會一起上來。系統一旦能自己決定下一步，你就不能只靠「模型很聰明」這種鬼話。你要有權限範圍、速率限制、工具邊界，還要有壞掉時怎麼回收的機制，不然它會比人類更快地把錯事做完。\u003C\u002Fp>\u003Cp>實操上，我會先把動作分三類：可以自動做、需要確認才做、永遠不能自己做。這一步很土，但真的省很多麻煩。你越早分，後面越不會在資安、法務、客服之間來回打架。\u003C\u002Fp>\u003Cul>\u003Cli>可自動：唯讀查詢、摘要、分類\u003C\u002Fli>\u003Cli>需確認：寄信、建單、改資料\u003C\u002Fli>\u003Cli>禁止自動：刪除資料、付款、法律承諾\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>沒有明確目標，agent 只會亂表現\u003C\u002Fh2>\u003Cblockquote>AI agents are driven by objectives. Their actions aim to maximize success as defined by a utility function or performance metric.\u003C\u002Fblockquote>\u003Cp>這段聽起來很學術，但其實是最實際的地方。agent 需要一個能優化的目標，不然它會開始優化一些看起來很像進步、其實完全沒用的東西。你如果把目標寫糊，它就會自己補空白，然後補出一堆奇怪行為。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779994099593-ollp.png\" alt=\"AWS 用一個流程講懂 AI Agent\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>AWS 拿物流、客服這些情境來講，我覺得很對。目標不是「很有幫助」，而是「解決問題」、「縮短配送時間」、「補齊缺件資訊」。目標越具體，規劃才越能成立；目標越空泛，模型就越容易開始演戲。\u003C\u002Fp>\u003Cp>我之前看過一個團隊把目標寫成「改善客戶體驗」。結果 agent 開始做一堆看起來很貼心的事：回覆變長、道歉變多、語氣變溫柔。問題是，工單還是沒消。後來我們把目標改成「降低首次接觸未解決率」，整個設計才終於收斂。\u003C\u002Fp>\u003Cp>實操寫法：你先定義成功指標，再寫流程。不要先做工具串接，最後才想「欸到底怎樣算完成」。如果量不到，agent 通常就會去優化最容易偽裝的指標，這不是悲觀，是優化系統的基本物理。\u003C\u002Fp>\u003Cp>比較像樣的目標通常長這樣：\u003C\u002Fp>\u003Cul>\u003Cli>80% 的客服問題不用升級就能結案\u003C\u002Fli>\u003Cli>30 秒內產出合規回覆草稿\u003C\u002Fli>\u003Cli>財務結帳前先找出缺漏紀錄\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>規劃、記憶、工具，才是 agent 的骨架\u003C\u002Fh2>\u003Cblockquote>The planning module enables the agent to break down goals into smaller, manageable steps and sequence them logically.\u003C\u002Fblockquote>\u003Cp>AWS 把架構拆成 foundation model、planning module、memory module、tool integration、learning\u002Freflection。我覺得這拆法很對，因為模型不是 agent 全部，它只是推理核心。真正讓系統站得住的，是那些看起來很無聊的層。\u003C\u002Fp>\u003Cp>白話講就是：它要能分\u003Ca href=\"\u002Fnews\u002F5-steps-fine-tune-local-llm-zh\">步驟\u003C\u002Fa>想事情、記得剛剛發生了什麼、也要能伸手到外面拿資料或做動作。沒有規劃，它就會亂跳；沒有記憶，它就會一直重問；沒有工具，它就只能嘴上說自己可以做。\u003C\u002Fp>\u003Cp>我做原型最常撞到的地方，其實就是工具整合。模型在純文字裡很會講，但一旦要查資料庫、吃亂七八糟的 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 回應、更新 CRM，真相就露出來了。到底是系統真能做事，還是只是會講幹話，這裡一試就知道。\u003C\u002Fp>\u003Cp>實操寫法：把每一層都明確定義。規劃可以是 prompt、規則引擎或 task graph；記憶可以是 session、資料庫或向量庫；工具可以是 API、腳本或內部服務。重點不是你用多炫的技術，而是每層都有清楚責任。\u003C\u002Fp>\u003Cp>我會這樣切：\u003C\u002Fp>\u003Cul>\u003Cli>規劃：把目標拆成可執行步驟\u003C\u002Fli>\u003Cli>記憶：存狀態、事實、前一次決策\u003C\u002Fli>\u003Cli>工具：真的去做外部動作\u003C\u002Fli>\u003Cli>反思：檢查結果有沒有達標\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>工作流比模型名字更重要\u003C\u002Fh2>\u003Cblockquote>Most autonomous agents follow a specific workflow when performing assigned tasks.\u003C\u002Fblockquote>\u003Cp>這句是整篇最值得抄的地方，因為它直接把行銷雜音切掉了。工作流才是產品本體，模型只是裡面的其中一個零件。你如果把注意力全放在模型名號上，最後很容易做出一個很會講話、但流程很爛的系統。\u003C\u002Fp>\u003Cp>AWS 把流程講成三步：先定義目標，再蒐集資訊，最後執行任務。這聽起來太基本，基本到有點想翻白眼，但老實說，很多 agent 系統就是死在這種基本步驟沒做好。它不是不夠聰明，是沒有穩定循環。\u003C\u002Fp>\u003Cp>我之前 debug 過一個客服 agent，它老是重複問同樣的資料。我一開始以為是模型不行，後來才發現是工作流壞掉了。目標設定、資訊收集、動作執行之間沒有乾淨切開，所以它一直像緊張過頭的新手助理一樣反覆確認。流程一拆開，行為就穩了。\u003C\u002Fp>\u003Cp>實操寫法很簡單：每個任務都強迫回答三件事。目標是什麼？還缺什麼資訊？下一步要做什麼？這三題能答乾淨，後面大多都能接得上；答不乾淨，就先別急著加功能。\u003C\u002Fp>\u003Cp>這裡也是插檢查點的地方。資訊不足就停、信心太低就升級、動作碰到敏感資料就要求確認。agent 系統要能上線，靠的不是花俏，而是能安全地卡住。\u003C\u002Fp>\u003Ch2>多 agent 不是越多越厲害\u003C\u002Fh2>\u003Cblockquote>Multiple AI agents can collaborate to automate complex workflows and can also be used in agentic ai systems.\u003C\u002Fblockquote>\u003Cp>AWS 提到多 agent 協作，我覺得這是遲早會碰到的路線，但也最容易被濫用。單一 agent 可以把窄任務做得很好；多個專門 agent 可以分工、接棒、互補。理論上很順，實務上常常只是把錯誤分散到更多角色身上。\u003C\u002Fp>\u003Cp>我對多 agent 一直有點保留，因為很多人加 agent 只是為了讓圖看起來很大張。問題是，agent 數量變多，不會自動變聰明，通常只會增加協調成本、失敗模式，還有一堆「這步到底誰該負責」的爛問題。\u003C\u002Fp>\u003Cp>但如果任務真的不同，專門化就有價值。AWS 那種 orchestrator agent 協調 specialist agents 的模式，我覺得是比較像樣的做法。由一個總控管流程，其他 agent 各自做檢索、分類、排程、草稿，這樣責任比較清楚。\u003C\u002Fp>\u003Cp>實操寫法：只有在子任務有不同工具、不同記憶、不同成功標準時，才拆 agent。若大家做的事情其實差不多，那你不是在架構化，你是在製造噪音。\u003C\u002Fp>\u003Cp>我自己的經驗是，先把單 agent 做穩，再拆角色。不要反過來。很多團隊一開始就多 agent，最後 debug 的時候每個人都在問「到底是誰想的」。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI agent 工作流模板（可直接改成你的專案版）\n\n## 1) 目標\n用一句話寫清楚成功條件。\n\n範例：\n在限制權限內完成客戶請求，若資訊不足則整理後升級給人工。\n\n## 2) 環境\n列出 agent 可觀察的所有來源。\n\n- 使用者輸入\n- 對話歷史\n- CRM \u002F 工單系統\n- 內部文件\n- API 回應\n\n## 3) 行動\n列出 agent 可執行的所有動作。\n\n- 搜尋知識庫\n- 查資料庫\n- 產生摘要\n- 建立工單\n- 交接給人工\n\n## 4) 自治規則\n定義哪些動作可自動做，哪些要確認。\n\n可自動：\n- 唯讀查詢\n- 摘要\n- 分類\n\n需確認：\n- 寄送訊息\n- 建立紀錄\n- 更新客戶狀態\n\n禁止自動：\n- 刪除資料\n- 付款\n- 法律或合規承諾\n\n## 5) 規劃迴圈\n每次任務都跑這個順序。\n\n1. 確認目標\n2. 找出缺少的資訊\n3. 蒐集資料\n4. 決定下一步\n5. 執行動作\n6. 檢查結果\n7. 重複或升級\n\n## 6) 記憶\n定義要存什麼。\n\n短期記憶：\n- 目前任務狀態\n- 最近訊息\n- 工具輸出\n\n長期記憶：\n- 使用者偏好\n- 歷史解法\n- 已知實體與關係\n\n## 7) 工具規則\n每個工具都要寫清楚：\n- 用途\n- 輸入格式\n- 輸出格式\n- 錯誤處理\n- 重試上限\n\n## 8) 反思\n任務結束後問自己：\n- 有沒有解決問題？\n- 有沒有用對資料？\n- 有沒有做出不安全動作？\n- 下次要改什麼？\n\n## 9) 升級規則\n如果信心太低、資料不足、或動作有風險，就交給人工，並附上精簡摘要。\n\n## 10) 輸出格式\n只回傳：\n- 最終答案\n- 已執行動作\n- 使用來源\n- 升級原因（如果有）\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我喜歡這份模板，因為它會逼你先面對那些最討厭的問題：政策在哪、記憶在哪、停手點在哪、誰來接手。agent 專案通常不是死在模型，而是死在這些地方沒寫清楚。\u003C\u002Fp>\u003Cp>如果你想把 AWS 這篇變成真的能做的東西，就從這裡開始。先寫目標，再定義環境，接著列工具與自治邊界，最後才加規劃和反思。順序不要亂，不然你只是在把混亂自動化。\u003C\u002Fp>\u003Cp>來源：AWS \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fai-agents\u002F\">What are AI Agents? Agents in Artificial Intelligence Explained\u003C\u002Fa>。我把它改寫成開發者能直接拿去用的工作流與模板，核心框架來自 AWS；延伸閱讀我也會放著 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fartificial-intelligence\u002F\">AWS AI overview\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\">Anthropic\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenai.com\u002F\">OpenAI\u003C\u002Fa>，拿來對照模型能力跟系統設計的差別。\u003C\u002Fp>","我把 AWS 的 AI agent 說法拆成可直接照抄的工作流，補上規劃、工具、記憶與反思模板。","aws.amazon.com","https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fai-agents\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779994100558-biew.png","tools","zh","8beaa627-29fd-4188-bad8-fa10304fc8e4",[17,18,19,20,21],"AI agents","workflow","planning","memory","tool integration",[23,24,25],"agent 不是聊天機器人加工具，而是有目標、狀態與行動的工作流","自治、目標、記憶與工具邊界要先寫清楚，否則系統只是在演","先用可抄模板定義規劃迴圈、升級規則與輸出格式，再談模型",9,"2026-05-28T18:47:50.042236+00:00","2026-05-28T18:47:50.032+00:00","05e97311-b970-4686-a46d-eb2994c51ded",{"tags":31,"relatedLang":39,"relatedPosts":43},[32,34,35,36,38],{"name":21,"slug":33},"tool-integration",{"name":20,"slug":20},{"name":18,"slug":18},{"name":17,"slug":37},"ai-agents",{"name":19,"slug":19},{"id":15,"slug":40,"title":41,"language":42},"aws-explains-ai-agents-workflow-en","AWS explains AI agents in one workflow","en",[44,50,56,62,68,74],{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"63d8b456-ad6b-475e-86e9-d4677ca226aa","magenta-realtime-2-score-inside-daw-zh","Magenta RealTime 2 讓你在 DAW 裡即時改曲","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781046204038-8tox.png","2026-06-09T23:02:55.9651+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"f60261ff-a42e-4cfb-9f90-97785e633289","open-source-ai-tools-beat-claude-paid-tiers-zh","開源 AI 工具在價值上已經贏過 Claude 付費方案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781045266035-on7t.png","2026-06-09T22:47:20.195939+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"8520cd4f-2531-4808-a95d-26f590239d7a","500-ai-agent-projects-show-where-agents-work-now-zh","500 個 AI agent 專案，現在能做什麼","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781033591132-c0nh.png","2026-06-09T19:32:37.03924+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"c557ef1c-7fde-4c86-918e-4fb9680ee9df","chocolatey-go-package-policy-installs-zh","Chocolatey 的 Go 安裝變成政策","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781029110289-xkbh.png","2026-06-09T18:18:05.078435+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"90b2df54-df6e-417d-9e16-91e9ad2f53d7","go-support-policy-turns-releases-into-a-checklist-zh","Go 支援政策把發版變清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781028200122-3m4u.png","2026-06-09T18:02:49.50176+00:00",{"id":75,"slug":76,"title":77,"cover_image":78,"image_url":78,"created_at":79,"category":13},"119c23c6-8ae7-4c4e-820e-1eba0730d702","rustdesk-self-hosting-secure-remote-access-zh","RustDesk 自架遠端存取部署指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781017373324-g7et.png","2026-06-09T15:02:24.118819+00:00",[81,86,91,96,101,106,111,116,121,126],{"id":82,"slug":83,"title":84,"created_at":85},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":127,"slug":128,"title":129,"created_at":130},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]