[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-bailian-token-plan-agent-credits-guide-zh":3,"article-related-bailian-token-plan-agent-credits-guide-zh":30,"series-tools-419deb6d-ea65-4fa7-9dd1-73763f373b53":75},{"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},"419deb6d-ea65-4fa7-9dd1-73763f373b53","bailian-token-plan-agent-credits-guide-zh","百炼Token Plan把Agent接入变简单","\u003Cp data-speakable=\"summary\">以前接百炼要自己算调用和鉴权，现在Token Plan把Credits和\u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa>接入收拢了。\u003C\u002Fp>\u003Cp>我最近盯阿里云百炼 Token Plan 盯得有点烦。不是因为它没东西，而是因为它把很多开发时最容易踩坑的事，悄悄塞進了一個「看起來很簡單」的訂閱裡。你一開始會以為，這不就是買個大模型套餐嘛，接上 API，跑起來，完事。可真上手以後，問題就來了：Credits 怎麼扣、哪些模型能用、Agent 框架能不能直接接、最要命的是地域限制到底卡在哪兒。\u003C\u002Fp>\u003Cp>我見過太多團隊在這種產品上翻車。前端同學在上海環境裡測得很開心，後端一上北京地域之外的機器，憑證直接不認；Agent 框架本地跑通了，換到 CI 或雲主機又開始抽風；還有人壓根沒算清楚 Credits，直到帳單出來才發現自己把「預付費」用成了「預嚇人」。這篇我不想寫成介紹文，我想把它拆成能直接拿去做決策和接入的東西。\u003C\u002Fp>\u003Cp>我會按一個開發者視角，把百煉 Token Plan 的邊界、計費邏輯、Agent 兼容方式、地域約束和落地流程講清楚。原始材料來自知乎專欄《\u003Ca href=\"\u002Fnews\u002Fwebx-2026-speaker-lineup-conference-brief-zh\">2026\u003C\u002Fa>年阿里云百炼Token Plan实操手册：兼容Agent工具、Credits计费全解读》，源文在這裡：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2058251501059962713\" target=\"_blank\" rel=\"noopener noreferrer\">zhuanlan.zhihu.com\u002Fp\u002F2058251501059962713\u003C\u002Fa>。我只抓它真正影響開發的部分，不替它吹。\u003C\u002Fp>\u003Ch2>先別急著接模型，先看清它到底賣的是什麼\u003C\u002Fh2>\u003Cblockquote>阿里云百炼Token Plan团队版是百炼平台面向企业、开发团队推出的预付费大模型订阅服务，整体以统一Credits信用点作为全模型调用计量单位，整合通义千问、DeepSeek、Kimi、GLM、MiniMax等多厂商文本、视觉、图像生成大模型，原生兼容各类AI编程工具与自主Agent智能体框架，专门适配交互式人工使用场景。\u003C\u002Fblockquote>\u003Cp>這段話翻成開發者能聽懂的話，就是：它不是單一模型的 API 包月，而是一個「統一入口 + 統一計量 + 多模型池」的訂閱層。你買的不是某個模型的獨立額度，而是一套可以在多個模型之間切換的調用權。對團隊來說，這比單獨給每個模型做預算、做權限、做對帳要省事很多。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783929835818-cyp6.png\" alt=\"百炼Token Plan把Agent接入变简单\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>但我也得潑點冷水。統一入口這件事聽著很爽，前提是你真的接受它的規則。只要你把它當成「隨便接、隨便跑、隨便換模型」的通用雲 API，你遲早會撞牆。因為它不是公共網際網路上的那種無限制調用層，它是帶地域、帶產品邊界、帶使用\u003Ca href=\"\u002Fnews\u002Fvlm-accuracy-visual-cognitive-errors-decade-zh\">場景\u003C\u002Fa>傾向的訂閱服務。它更像一個受控的企業內用模型池，而不是你隨手扔到任何環境裡的開放接口。\u003C\u002Fp>\u003Cp>我自己遇到過類似產品最常見的誤判：團隊以為「兼容 Agent 工具」就等於「任何 Agent 框架都能原樣跑」，結果忽略了鑑權、網路出口、地域和模型名映射這些現實問題。最後不是模型不行，是接法不對。\u003C\u002Fp>\u003Cp>怎麼用？我的建議很直接：\u003C\u002Fp>\u003Cul>\u003Cli>先把它當成「統一 Credits 的模型訂閱層」，而不是某個單模型 API。\u003C\u002Fli>\u003Cli>先定你要跑的場景：人工對話、代碼輔助、批量生成，還是 Agent 工作流。\u003C\u002Fli>\u003Cli>再決定你要不要把它放進生產鏈路，還是先當團隊內部的統一實驗池。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是做產品或平台的，最先該問的不是「能不能接」，而是「接進去之後誰來管 Credits，誰來管地域，誰來管模型切換策略」。這三個問題不先定，後面全是扯皮。\u003C\u002Fp>\u003Ch2>Credits 不是抽象名詞，是你帳單上的硬約束\u003C\u002Fh2>\u003Cp>源文最大的價值之一，就是把「統一 Credits 信用點」這件事擺在台面上。這個設計的好處很明顯：你不用給每個模型單獨做一套預算口徑，內部可以統一核算，採購也更容易對齊。對企業來說，這種方式比散裝按模型買額度好管理得多。\u003C\u002Fp>\u003Cp>但我見過太多人把 Credits 理解成「虛擬積分」，然後在開發階段完全不管。等到測試環境、聯調環境、預發環境一起跑，Credits 消耗像漏水一樣往下掉，才開始追問「為什麼這麼快」。問題往往不是模型貴，而是你沒把調用策略壓住。\u003C\u002Fp>\u003Cp>我一般會把 Credits 視作兩層東西：第一層是財務口徑，第二層是技術限流口徑。財務口徑決定你能用多久，技術口徑決定你怎麼用才不至於爆。兩層都要管，不然訂閱制很容易\u003Ca href=\"\u002Fnews\u002Fuae-web3-setup-crypto-rules-checklist-zh\">變成\u003C\u002Fa>「看起來可控，實際上不可控」。\u003C\u002Fp>\u003Cp>如果你要落地，先做這幾件事：\u003C\u002Fp>\u003Cul>\u003Cli>在代碼裡把每次模型調用都打點，記錄模型名、請求類型、響應長度、失敗重試次數。\u003C\u002Fli>\u003Cli>給不同業務線分配不同的 Credits 使用上限，不要全團隊共用一個桶。\u003C\u002Fli>\u003Cli>把重試策略收緊，尤其是 Agent 任務，別讓失敗自動重放把額度燒穿。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我還建議你把「人工交互」和「自動化任務」分開算。源文也明確提到它更適配交互式人工使用場景，這句話很關鍵。意思就是，這類訂閱更適合人盯著用，而不是無腦批量轟炸。你如果拿它做高並發批處理，成本和穩定性都未必漂亮。\u003C\u002Fp>\u003Cp>我在項目裡最怕的就是「先接上再說」。模型平台不是插電即用的印表機，它更像有使用邊界的企業基礎設施。你不先定 Credits 策略，後面一定會在復盤會上挨罵。\u003C\u002Fp>\u003Ch2>地域限制不是備註，是硬門檻\u003C\u002Fh2>\u003Cp>源文裡有一句我建議你直接圈起來：僅支持華北2（北京）地域的資源調用，其他地域伺服器、環境無法正常使用 Token Plan 專屬 API 憑證。這個不是建議，不是最佳實踐，是硬限制。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783929848430-r0h9.png\" alt=\"百炼Token Plan把Agent接入变简单\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我見過最典型的翻車方式，就是團隊在本地開發機上測通了，以為一切都沒問題，結果部署到別的地域後，鑑權直接失敗。更麻煩的是，這種問題通常不會在最早階段暴露，因為開發環境和測試環境常常被人默認放在同一個網路條件裡。等你真切到雲上，才發現「怎麼這把鑰匙在這兒打不開門」。\u003C\u002Fp>\u003Cp>這類地域約束對架構設計的影響，比很多人想像的大。它會直接影響你的 CI\u002FCD、環境隔離、災備設計，甚至影響你是不是要專門為這個服務準備一套北京地域的接入層。你如果把它當成普通公網 API，後面只會不斷補洞。\u003C\u002Fp>\u003Cp>我建議你按下面的思路處理：\u003C\u002Fp>\u003Cul>\u003Cli>把 Token Plan 的調用環境單獨標記出來，別和通用雲資源混在一起。\u003C\u002Fli>\u003Cli>在部署文檔裡明確寫死北京地域依賴，避免新同事誤部署。\u003C\u002Fli>\u003Cli>把健康檢查和連通性測試做成啟動前檢查，別等業務請求失敗才發現地域不對。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你的主業務不在華北2，我的態度很現實：先評估這個約束值不值得接受。很多團隊不是不能用，而是用了之後要額外搭一層接入轉發、權限控制和運維監控。這個成本不低，別裝作看不見。\u003C\u002Fp>\u003Cp>我自己更偏向把這種地域限制提前寫進技術方案，而不是後補到故障排查流程裡。前者是設計，後者是救火。你肯定不想每次上線都像在拆炸彈。\u003C\u002Fp>\u003Ch2>它說兼容 Agent 工具，真正意思是你能少寫很多膠水\u003C\u002Fh2>\u003Cp>「原生兼容各類 AI 編程工具與自主 Agent 智能體框架」這句話，聽起來像行銷話術，但在開發側確實有實際意義。它意味著你不一定要為每個工具單獨做一套適配層，至少在接入路徑上，官方已經盡量把常見工具鏈考慮進來了。\u003C\u002Fp>\u003Cp>不過我還是要提醒一句：兼容不等於零成本。你用 \u003Ca href=\"\u002Ftag\u002Fcursor\">Cursor\u003C\u002Fa>、\u003Ca href=\"\u002Ftag\u002Fclaude-code\">Claude Code\u003C\u002Fa>、\u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 風格客戶端、\u003Ca href=\"\u002Ftag\u002Flangchain\">LangChain\u003C\u002Fa>、Dify、AutoGen 這一類工具時，真正麻煩的往往不是「能不能連上」，而是「連上以後模型能力、消息格式、工具調用、上下文長度和錯誤處理能不能對齊」。\u003C\u002Fp>\u003Cp>如果你做過 Agent 項目，你就知道最煩的不是模型回答不回答，而是它在工具調用中途抽風，或者上下文一長就開始胡說。所謂兼容，最好理解成「接入門檻更低」，不是「行為完全一致」。\u003C\u002Fp>\u003Cp>我會這樣落地：\u003C\u002Fp>\u003Cul>\u003Cli>先挑一個你團隊最常用的 Agent 框架做 PoC，不要一上來全家桶。\u003C\u002Fli>\u003Cli>把模型適配層單獨封裝，別把模型名、鑑權和提示詞塞進業務代碼。\u003C\u002Fli>\u003Cli>給工具調用和普通對話分開埋點，方便你判斷是哪一層出了問題。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你在做編程助手，這種兼容性尤其值錢。因為編程工具最怕頻繁切換平台，每換一次就要重新配 API key、重新調模型名、重新改代理設置。百煉 Token Plan 這種統一入口，至少能把這部分摩擦降下來。\u003C\u002Fp>\u003Cp>但我還是那句話，別把「原生兼容」理解得太滿。開發裡最貴的從來不是接入那一下，而是後面每次升級、切模型、改策略時的維護成本。你要看的不是「今天能不能跑」，而是「三個月後還會不會有人願意碰這套東西」。\u003C\u002Fp>\u003Ch2>交互式人工使用場景，才是它最合理的落點\u003C\u002Fh2>\u003Cp>源文明確提到它「專門適配交互式人工使用場景」。這句話我很認同，因為它把產品定位說清楚了。它不是為了讓你把幾百萬條任務一口氣灌進去，它更像是給團隊成員、產品經理、研發、設計、運營這些需要頻繁和模型對話的人用的統一入口。\u003C\u002Fp>\u003Cp>我自己最喜歡這種定位清晰的產品。因為它能逼你做邊界判斷：哪些請求應該走人工交互，哪些請求應該走批處理，哪些請求壓根不該走大模型。很多團隊一開始不做區分，最後所有東西都丟給模型，結果成本、延遲、可控性一起崩。\u003C\u002Fp>\u003Cp>如果你把它放在日常開發裡，我建議優先放這幾類場景：\u003C\u002Fp>\u003Cul>\u003Cli>內部知識問答和文檔輔助。\u003C\u002Fli>\u003Cli>代碼解釋、重構建議、樣例生成。\u003C\u002Fli>\u003Cli>產品文案、圖像草稿、方案初稿。\u003C\u002Fli>\u003Cli>需要人工確認後再執行的 Agent 流程。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>不太建議你一上來就拿它做高頻自動化流水線，尤其是那種沒有人工兜底的任務。因為一旦模型輸出偏了，自動化鏈路會把偏差放大。人盯著的時候，你還能及時剎車；機器盯著的時候，往往只會把問題跑完。\u003C\u002Fp>\u003Cp>我在團隊裡通常會給這類服務定一個規則：先做「人機協作層」，再做「全自動層」。順序反過來，通常都會出事。先讓人用順手了，再決定哪些環節適合自動化，這樣 Credits 也更好管。\u003C\u002Fp>\u003Ch2>我會怎麼把它接進現有工作流\u003C\u002Fh2>\u003Cp>如果是我來做接入，我不會先寫業務邏輯，我會先寫一層適配器。原因很簡單：百煉 Token Plan 這種服務，最大的不確定性不是模型本身，而是訂閱、地域、Credits 和工具兼容這四件事。你把它們全塞進業務代碼，後面一定難維護。\u003C\u002Fp>\u003Cp>我的接入順序通常是這樣的：先確認北京地域資源可用，再確認 Token Plan 憑證可用，然後確認你要用的模型名和工具鏈兼容，最後才把它掛到業務請求裡。這個順序看起來囉嗦，但比上線後排查故障省太多時間。\u003C\u002Fp>\u003Cp>我還建議你把模型調用分成三層：\u003C\u002Fp>\u003Cul>\u003Cli>入口層：負責認證、地域檢查、請求路由。\u003C\u002Fli>\u003Cli>策略層：負責模型選擇、Credits 預算、重試和降級。\u003C\u002Fli>\u003Cli>業務層：只關心輸入輸出，不關心底層供應商細節。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這麼拆的好處是，以後你要換模型池、切別的訂閱、或者把部分請求遷到別的服務，不用重寫整個系統。說白了，別讓一個看起來「統一」的產品，把你自己的系統也搞成一鍋粥。\u003C\u002Fp>\u003Cp>如果你正在評估要不要上，我會建議你先做一個兩週以內的內部試點。別急著全量推廣，先看這幾個指標：實際 Credits 消耗、地域故障率、Agent 工具兼容率、開發同學的使用回饋。只要這四項裡有兩項不對勁，你就別著急簽長期方案。\u003C\u002Fp>\u003Ch2>我給你的結論很簡單：先管邊界，再談效率\u003C\u002Fh2>\u003Cp>百煉 Token Plan 這類東西，最容易讓人誤會的地方就是「統一」。統一計費、統一入口、統一模型池，聽著特別省心。但開發裡最怕的恰恰就是這種「看起來統一」。只要地域有限制、Credits 要管控、Agent 要兼容，統一就只是表面，真正要做的是把邊界說清楚。\u003C\u002Fp>\u003Cp>如果你是技術負責人，我的建議只有一個：把它當成企業內部受控模型服務來設計，不要當成隨便接的公共 API。你越早把地域、預算、適配和使用場景定死，後面越少掉坑。\u003C\u002Fp>\u003Cp>如果你是寫代碼的人，別被「兼容」兩個字騙了。先做最小接入，先跑最關鍵路徑，先看失敗模式，再決定要不要擴大使用範圍。模型服務不是越快接越好，而是越早把邊界摸清越好。\u003C\u002Fp>\u003Ch2>你可以直接複製的接入模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># 阿里云百炼 Token Plan 接入检查清单（团队版）\n\n## 1. 先确认基本边界\n- [ ] 资源是否部署\u002F调用在华北2（北京）地域\n- [ ] 是否已开通 Token Plan 团队版\n- [ ] 是否已拿到可用的专属 API 凭证\n- [ ] 是否明确当前业务属于“交互式人工使用”还是“自动化任务”\n\n## 2. Credits 预算策略\n- [ ] 为每个业务线单独设定 Credits 上限\n- [ ] 为测试\u002F预发\u002F生产分别设置不同额度\n- [ ] 记录每次调用的模型名、请求类型、响应长度、重试次数\n- [ ] 限制自动重试次数，避免重复消耗 Credits\n\n## 3. Agent \u002F 工具链适配\n- [ ] 先选一个框架做 PoC（例如 LangChain、Dify、AutoGen、Cursor 相关工具）\n- [ ] 把模型适配层封装成独立模块，不写进业务逻辑\n- [ ] 明确工具调用、普通对话、代码生成三类请求的处理方式\n- [ ] 给上下文长度、错误处理、函数调用做兼容测试\n\n## 4. 部署与运维\n- [ ] CI\u002FCD 环境是否也在北京地域或可访问北京地域资源\n- [ ] 启动前增加连通性检查和鉴权检查\n- [ ] 日志中记录地域、模型、请求 ID、失败原因\n- [ ] 為地域限制、鑑權失敗、額度不足分別定義告警\n\n## 5. 最小可用接入伪代码\n\npseudo\nfunction callModel(request):\n    assert current_region == \"cn-beijing\"\n    assert token_plan_credential_valid()\n    assert credits_remaining() > request.estimated_cost\n\n    model = select_model(request.scenario)\n    response = model_api.call(\n        model=model,\n        input=request.prompt,\n        tools=request.tools,\n        temperature=request.temperature\n    )\n\n    log_usage(\n        region=\"cn-beijing\",\n        model=model,\n        scenario=request.scenario,\n        credits_used=response.credits_used,\n        retry_count=request.retry_count\n    )\n\n    return response\n\n\n## 6. 上线前最后确认\n- [ ] 业务是否真的需要多模型池，而不是单一模型\n- [ ] 是否接受北京地域限制\n- [ ] 是否有人负责 Credits 监控和预算复盘\n- [ ] 是否有人工兜底方案，避免 Agent 自动执行失控\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這個模板不是官方文檔，它是我按源文提煉出來的落地清單。你可以直接拿去改成團隊內部的接入評審表，或者改成上線前 checklist。真正值錢的不是模板本身，而是你願不願意先把邊界寫死，再讓代碼往裡填。\u003C\u002Fp>\u003Cp>原始內容來自知乎專欄頁面：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2058251501059962713\" target=\"_blank\" rel=\"noopener noreferrer\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2058251501059962713\u003C\u002Fa>。我這篇是基於其中公開資訊做的開發者拆解和接入建議，模板部分為我重新整理的可複製版本，不是原文逐字摘抄。\u003C\u002Fp>","我把阿里云百炼Token Plan的Credits计费、地域限制和Agent兼容性拆开讲，顺手给你一份可复制模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2058251501059962713",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783929835818-cyp6.png","tools","zh","68f6dc32-dcf1-4e46-bae8-c07a4cbd44df",[17,18,19,20,21],"百煉Token Plan","Credits","Agent","地域限制","大模型接入",[23,24,25],"先把 Token Plan 當成受控的模型訂閱層，不要當成隨便接的公共 API。","Credits、地域、Agent 兼容這三件事要先定邊界，否則後面全是補洞。","最實用的接法是先做適配器和內部試點，再決定要不要進生產。",0,"2026-07-13T08:03:24.024727+00:00","2026-07-13T08:03:23.994+00:00","e21f25a2-e6c9-4a01-abae-c40e8eaf93ea",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":33,"slug":33},"agent",{"id":15,"slug":35,"title":36,"language":37},"aliyun-bailian-token-plan-credits-agents-en","Aliyun Bailian Token Plan turns credits into agents","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"5c5c6733-6f41-49ca-b61e-c0a53399c327","one-api-gateway-turns-six-ai-apis-into-one-zh","一個閘道把六個 AI API 收成一套","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783883027640-gz6i.png","2026-07-12T19:03:22.171684+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"953466bc-6d94-4ffe-944b-ac7728d09184","fde-playbook-fixes-broken-agent-projects-zh","FDE 讓烂尾 Agent 回正軌","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783881221882-yw1n.png","2026-07-12T18:33:16.193979+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"bd3b5d5c-02d9-49c4-8ca4-dcb6df373374","ai-zaobao-template-daily-to-reusable-report-zh","AI 早报拆成可复用周报","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783879420413-rlwb.png","2026-07-12T18:03:11.617929+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"33302498-49ec-4a00-8e2c-61b6f9fc3ece","claude-reflect-turns-usage-into-retention-zh","Claude Reflect 把使用變留存","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783793005956-n1ea.png","2026-07-11T18:03:01.486301+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"5f08bf54-0ddb-4884-b541-75e33ad21b30","midjourney-turns-prompt-ideas-into-art-zh","Midjourney 把提示詞變成可重用流程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783694003831-eilt.png","2026-07-10T14:32:55.765266+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"2da0ed80-f14f-4ff3-841e-143de7c1d4cc","ultralytics-yolo26-vision-tasks-zh","Ultralytics YOLO26：快速電腦視覺工具包","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783605787798-5ecb.png","2026-07-09T14:02:32.957558+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"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":82,"slug":83,"title":84,"created_at":85},"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":87,"slug":88,"title":89,"created_at":90},"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":92,"slug":93,"title":94,"created_at":95},"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":97,"slug":98,"title":99,"created_at":100},"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":102,"slug":103,"title":104,"created_at":105},"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":107,"slug":108,"title":109,"created_at":110},"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":112,"slug":113,"title":114,"created_at":115},"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":117,"slug":118,"title":119,"created_at":120},"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":122,"slug":123,"title":124,"created_at":125},"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"]