[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-fde-playbook-fixes-broken-agent-projects-zh":3,"article-related-fde-playbook-fixes-broken-agent-projects-zh":30,"series-tools-953466bc-6d94-4ffe-944b-ac7728d09184":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},"953466bc-6d94-4ffe-944b-ac7728d09184","fde-playbook-fixes-broken-agent-projects-zh","FDE 讓烂尾 Agent 回正軌","\u003Cp data-speakable=\"summary\">以前大家盯著模型會不會答，現在我只看它能不能真的把流程跑完。\u003C\u002Fp>\u003Cp>我做過太多 \u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa> 專案了。模型挑好了，工具也接上了，demo 跑起來還挺像那回事。結果一進真實流程就開始歪：業務說它“很聰明”，但工單照樣卡住；工程師說“再調 prompt”，產品說“先別動架構”，最後每個人都覺得問題在別人身上。最煩的是，這種專案看起來不是壞掉，是一直半死不活，像一台會喘氣的紙箱機。\u003C\u002Fp>\u003Cp>後來我看到一篇知乎文章，標題很直接，叫 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2054104152914105203\" target=\"_blank\" rel=\"noopener noreferrer\">《OpenAI花40亿雇FDE，你接手烂尾Agent - 知乎》\u003C\u002Fa>。它把 OpenAI 的 Deployment Company、Tomoro、前沿部署工程師（FDE）這條線講得很白。我看完第一個反應不是“哇好新”，而是“對啦，這才像真的交付”。\u003C\u002Fp>\u003Ch2>你缺的不是更會講話的模型，是能把它塞進流程的人\u003C\u002Fh2>\u003Cblockquote>OpenAI成立Deployment Company，融资40亿美元，收购咨询公司Tomoro，派出“前沿部署工程师”（FDE）进驻企业，手把手帮客户调系统。\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：Agent 專案死掉，通常不是因為模型不夠強，而是沒人把它放進企業流程裡，還順手把一堆髒活收掉。資料怎麼進來、權限怎麼控、失敗怎麼退、人工怎麼接、日誌怎麼追，這些才是最容易把專案拖死的地方。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783881221882-yw1n.png\" alt=\"FDE 讓烂尾 Agent 回正軌\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前也踩過這坑。做內部客服 Agent 的時候，我整天盯著回答品質，覺得只要回得像人就行。結果客服同事第一個抱怨的不是“不夠聰明”，而是“它會改錯工單狀態”“它不知道什麼時候該停”“它一失敗就把整條鏈路卡死”。那時我才真的懂，Agent 不是聊天產品，它是流程產品。\u003C\u002Fp>\u003Cp>FDE 這個思路有意思的地方，在於它承認一件很現實的事：企業裡\u003Ca href=\"\u002Fnews\u002Ffuturist-2026-ai-highlights-zh\">最值\u003C\u002Fa>錢的，不是模型參數，是把模型接進真實系統的人。這個人要懂業務，也要懂整合，最好還願意蹲現場看人怎麼用。\u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 這種做法，本質上就是把“售後”前置成“交付”。\u003C\u002Fp>\u003Cp>實操上我會先做一件很土但很有效的事：每個 Agent 專案一定要有一個落地 owner，而且不是 PM 兼著，也不是單純的 prompt 工程師。這個人要扛四件事：\u003C\u002Fp>\u003Cul>\u003Cli>輸入從哪來，格式是什麼，髒資料怎麼處理。\u003C\u002Fli>\u003Cli>輸出給誰看，誰確認，誰兜底。\u003C\u002Fli>\u003Cli>失敗時退回哪一步，超時怎麼算，誰來告警。\u003C\u002Fli>\u003Cli>上線後怎麼驗收，標準不是“能聊”，而是“能完成任務”。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你團隊裡沒人願意接這個角色，我會很直接地說，這案子大概率還停在 demo。不是模型不行，是沒人對最後結果負責。\u003C\u002Fp>\u003Ch2>別再問它聰不聰明，先把交付鏈路畫出來\u003C\u002Fh2>\u003Cp>文章裡提到 OpenAI 和 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 都在往企業裡扎，這不是巧合。模型公司一開始賣能力，後來賣結果。結果怎麼來？靠一條能跑通的交付鏈路，不是靠更花俏的 prompt。\u003C\u002Fp>\u003Cp>我很常看到團隊一上來就問“怎麼讓 Agent 更聰明”。這問題太虛了。真正該問的是：它在哪個節點做決定？哪些決定必須可解釋？哪些動作必須人工確認？哪些步驟可以自動化，哪些步驟一定要保守？這些不先講清楚，Agent 再強也只是會亂跑的實習生。\u003C\u002Fp>\u003Cp>我跑過一個採購審批 Agent 的 PoC，最開始做得很炫：自動讀信、抽需求、配供應商、產生審批單。結果一到財務流程就翻車，因為我們沒畫清楚“誰能改預算”“誰能改供應商”“審批失敗後信件回哪”。模型把資訊抽出來了，但系統不知道下一步該怎麼走。後來我把整個流程\u003Ca href=\"\u002Fnews\u002Fai-zaobao-template-daily-to-reusable-report-zh\">拆成\u003C\u002Fa>狀態機，問題立刻少一半。\u003C\u002Fp>\u003Cp>這就是 FDE 思路提醒我的地方：先把交付鏈路畫出來，再談智能。你可以先寫清楚這幾項：\u003C\u002Fp>\u003Cul>\u003Cli>觸發條件：使用者點了什麼，系統收到了什麼事件。\u003C\u002Fli>\u003Cli>決策點：模型在哪些節點輸出建議，哪些節點直接執行。\u003C\u002Fli>\u003Cli>審批點：人在哪一步介入，介入後怎麼繼續。\u003C\u002Fli>\u003Cli>回滾點：失敗後撤銷什麼，保留什麼。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我再補一句我自己的習慣：每個 Agent 專案我都先寫一頁“失敗說明書”。先寫怎麼壞，不先寫怎麼好。因為真正決定專案能不能活下來的，往往是失敗時怎麼收拾，而不是成功時 demo 多漂亮。\u003C\u002Fp>\u003Ch2>收購諮詢公司不是裝腔，是在補工程空白\u003C\u002Fh2>\u003Cp>很多人看到“收購諮詢公司”會覺得有點滑稽，好像模型公司開始學傳統 IT 外包了。說真的，我一開始也嫌棄。但後來我發現，這事其實很誠實。因為企業落地本來就不是純技術活，它永遠混著流程、組織、權限、合規和人情世故。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783881218531-8krk.png\" alt=\"FDE 讓烂尾 Agent 回正軌\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Tomoro 這種公司如果真被 OpenAI 收進去，價值不在於 PPT 多漂亮，而在於它知道怎麼進企業、怎麼拿系統權限、怎麼跟業務部門說人話、怎麼把一堆半成品接口拼成能用的東西。很多 AI 團隊死就死在這裡：工程師會寫 code，但不會改組織裡的流程。\u003C\u002Fp>\u003Cp>我以前就吃過這種虧。技術上我們已經把 Agent 接到 CRM、知識庫和工單系統，結果\u003Ca href=\"\u002Fnews\u002Fvector-databases-work-in-production-zh\">上線\u003C\u002Fa>前兩週才發現，銷售團隊根本不想改原本的提交流程。我們以為自己在做整合，實際上是在逼人換工作習慣。最後只能加一層旁路模式，先讓 Agent 在邊緣場景跑，再慢慢往核心流程靠。\u003C\u002Fp>\u003Cp>這件事給我的教訓很直接：企業 Agent 的推進順序要反過來想，先旁路，再嵌入。實作時我會這樣排：\u003C\u002Fp>\u003Col>\u003Cli>先找一個不影響主流程的邊緣場景。\u003C\u002Fli>\u003Cli>讓 Agent 先做建議，不直接執行。\u003C\u002Fli>\u003Cli>把人工確認點放前面，先收集失敗樣本。\u003C\u002Fli>\u003Cli>穩了之後，再把低風險動作交給系統自動完成。\u003C\u002Fli>\u003C\u002Fol>\u003Cp>諮詢公司在這裡的作用，就是幫你少踩一輪組織上的坑。技術團隊通常高估接口、低估協調成本；諮詢團隊剛好相反，他們知道怎麼把“能不能用”變成“願不願意用”。\u003C\u002Fp>\u003Ch2>FDE 的本質，是把客戶成功寫進架構裡\u003C\u002Fh2>\u003Cp>我很喜歡 FDE 這個概念，不是因為名字聽起來厲害，而是它終於把一件被忽略很久的事擺上桌：客戶成功不是銷售後面的附屬品，它應該是架構的一部分。你做的每個 Agent，都要預設有人會失敗、有人會誤用、有人會繞過流程。\u003C\u002Fp>\u003Cp>如果你看過成熟的\u003Ca href=\"\u002Ftag\u002F企業軟體\">企業軟體\u003C\u002Fa>團隊，就知道他們很少把“部署完成”當終點。真正的終點是：客戶自己能穩定跑起來。FDE 做的事情，就是把這段灰色地帶補上。它不是在賣“聰明”，而是在賣“可持續使用”。\u003C\u002Fp>\u003Cp>我在一個售後知識助手專案裡就把這思路用很重。沒有先追求模型回答多像專家，而是先做三層保護：第一層檢索命中率，第二層置信度閾值，第三層人工兜底。模型不確定時就直接提示“建議轉人工”，不裝懂。剛開始業務方還嫌它保守，後來他們發現，少犯錯比偶爾驚豔更重要。\u003C\u002Fp>\u003Cp>你如果也想把這套思路落到團隊裡，我會建議把“上線”拆成三個角色：\u003C\u002Fp>\u003Cul>\u003Cli>構建者：負責模型、工具、接口。\u003C\u002Fli>\u003Cli>部署者：負責權限、環境、監控、回滾。\u003C\u002Fli>\u003Cli>陪跑者：負責看失敗樣本，跟業務一起改流程。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果這三個角色全壓在一個人身上，他大概率會被拖死。Agent 專案最煩的地方就在這裡：表面上像技術案，實際上是跨職能案。你不承認這件事，後面一定返工。\u003C\u002Fp>\u003Ch2>真正值錢的是現場調試，不是遠端幻想\u003C\u002Fh2>\u003Cp>文章裡那種“派人進企業手把手調系統”的畫面，看起來很傳統，甚至有點笨。但我越做越覺得，這種笨辦法通常最有效。因為大部分 Agent 問題，根本不是 code 裡一眼看得出來的，而是在現場才會露餡。\u003C\u002Fp>\u003Cp>像使用者會不會亂填欄位、業務會不會故意跳步、系統會不會在老舊接口上超時、權限會不會因為組織調整突然失效，這些你坐在辦公室想不全。得有人站在現場看 log、看人怎麼點、看誰在罵系統，才知道問題到底在哪。\u003C\u002Fp>\u003Cp>我以前遠端做過一個跨部門協作 Agent，團隊每週都在視訊裡說“看起來沒問題”。結果真正到現場一跑，發現審批人根本沒看懂提示語，大家都在複製貼上同一段錯誤訊息。我們在會議裡吵了三週的“模型表現”，其實只是 UI 文案太裝。\u003C\u002Fp>\u003Cp>所以如果你想學 FDE 的做法，我給你的建議很簡單：別只做遠端評審，盡量做現場陪跑。至少前兩週先把這幾件事做滿：\u003C\u002Fp>\u003Cul>\u003Cli>每天看一次失敗日誌，不要只看平均指標。\u003C\u002Fli>\u003Cli>和一線使用者坐在一起跑一次完整流程。\u003C\u002Fli>\u003Cli>把“使用者為什麼不用”記下來，別只記“模型答錯了”。\u003C\u002Fli>\u003Cli>每次改動都留版本，方便回滾。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這聽起來像傳統軟體交付，但我反而覺得這才是 Agent 該有的樣子。別被“AI”兩個字騙了，真正把系統做穩的，從來不是幻覺，是現場調試。\u003C\u002Fp>\u003Ch2>你可以直接抄的落地模板\u003C\u002Fh2>\u003Cp>我把上面這些東西壓成一套模板，給那些已經接手烂尾 Agent 的人用。你不需要從頭再想一遍，先把骨架搭起來，再慢慢換零件。\u003C\u002Fp>\u003Cp>這套模板的核心原則只有一個：先定交付，再定智能。順序一反，你就會一直在 prompt 裡打轉，最後把自己也繞進去。\u003C\u002Fp>\u003Cp>下面這份不是給“想做 Agent”的人看的，是給“已經做了一半但快死了”的人看的。你可以直接拿去改，先讓專案活下來，再談優化。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Agent 落地 FDE 模板 v1.0\n\n## 1. 專案目標\n- 這個 Agent 具體替誰解決什麼問題？\n- 成功標準不是「能回答」，而是「能完成哪一步業務動作」。\n\n## 2. 業務邊界\n- 哪些任務可以自動執行。\n- 哪些任務只能給建議。\n- 哪些任務必須人工確認。\n\n## 3. 流程圖\n- 觸發條件：\n- 輸入來源：\n- 決策節點：\n- 審批節點：\n- 回滾節點：\n- 結束條件：\n\n## 4. 角色分工\n- 構建者：負責模型、工具、接口。\n- 部署者：負責環境、權限、監控、回滾。\n- 陪跑者：負責現場觀察、失敗樣本、流程修正。\n- 業務 owner：負責最終驗收。\n\n## 5. 失敗說明書\n當 Agent 出錯時，必須回答：\n- 它錯在輸入、推理、工具調用，還是流程設計？\n- 錯誤是否可自動恢復？\n- 是否需要人工接管？\n- 是否需要通知相關人員？\n- 是否要撤銷已執行動作？\n\n## 6. 監控指標\n- 任務完成率\n- 人工接管率\n- 超時率\n- 回滾率\n- 業務拒絕率\n- 高風險動作誤執行率\n\n## 7. 上線策略\n- 第一階段：只給建議，不直接執行。\n- 第二階段：低風險動作自動執行，高風險動作人工確認。\n- 第三階段：穩定後擴大自動化範圍。\n\n## 8. 每日陪跑清單\n- 看失敗日誌\n- 看人工接管記錄\n- 看使用者回饋\n- 看接口超時和權限失敗\n- 看哪些步驟最容易被跳過\n\n## 9. 複盤問題\n- 今天最常見的失敗是什麼？\n- 哪個步驟最拖慢流程？\n- 使用者最不信任哪一步？\n- 哪個動作最容易誤觸發？\n- 下一版先改什麼？\n\n## 10. 驗收標準\n- 不是「模型是否聰明」\n- 而是「業務是否能穩定完成」\n- 不是「demo 是否好看」\n- 而是「現場是否有人願意繼續用」\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板你拿去就能用，但我還是建議你別只複製文字。真正重要的是把它變成每週固定會問的問題：這條 Agent 鏈路到底哪裡在掉人。只要你開始這樣問，專案氣質就會變。\u003C\u002Fp>\u003Cp>我見過太多 Agent 專案死在“大家都覺得差不多了”。FDE 這個思路最有價值的地方，就是它逼你承認：差不多，通常就是不行。你要嘛有人陪跑到底，要嘛就接受它繼續烂尾，中間地帶很少有奇蹟。\u003C\u002Fp>\u003Cp>原始來源是這篇知乎專欄：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2054104152914105203\" target=\"_blank\" rel=\"noopener noreferrer\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2054104152914105203\u003C\u002Fa>。我上面做的是工程化拆解和模板化整理，原文的觀點是底稿，模板和落地寫法是我自己補出來的。\u003C\u002Fp>\u003Cp>相關權威連結我也一起放上：\u003Ca href=\"https:\u002F\u002Fopenai.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">OpenAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">Anthropic\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Ftomoro.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">Tomoro\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">知乎專欄\u003C\u002Fa>。\u003C\u002Fp>","我把 OpenAI 的 FDE 思路拆成一套可直接套用的 Agent 落地模板，專治做一半就卡死的專案。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2054104152914105203",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783881221882-yw1n.png","tools","zh","50c7cf16-6635-4efe-bede-69fd0f353b9e",[17,18,19,20,21],"FDE","Agent落地","企業部署","流程設計","prompt engineering",[23,24,25],"Agent 專案死掉，多半是交付鏈路沒設計好，不是模型不夠強。","先定義失敗怎麼收拾，再定義成功怎麼做，專案才有機會活下來。","FDE 思路的重點，是把陪跑、部署、回滾、驗收一起納進架構。",0,"2026-07-12T18:33:16.193979+00:00","2026-07-12T18:33:16.158+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":21,"slug":33},"prompt-engineering",{"id":15,"slug":35,"title":36,"language":37},"openai-fdes-turn-broken-agents-into-shipped-systems-en","OpenAI FDEs turn broken agents into shipped systems","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"419deb6d-ea65-4fa7-9dd1-73763f373b53","bailian-token-plan-agent-credits-guide-zh","百炼Token Plan把Agent接入变简单","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783929835818-cyp6.png","2026-07-13T08:03:24.024727+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"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":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"]