[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-one-api-gateway-turns-six-ai-apis-into-one-zh":3,"article-related-one-api-gateway-turns-six-ai-apis-into-one-zh":31,"series-tools-5c5c6733-6f41-49ca-b61e-c0a53399c327":74},{"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":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"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","\u003Cp data-speakable=\"summary\">以前我把六個 AI \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 一個個硬接；現在我先做閘道，再讓任務自己走對的路。\u003C\u002Fp>\u003Cp>我用 AI API 這套東西一陣子了，越接越像在整理抽屜裡的雜物。今天補文字生成，明天補 OCR，後天又有人要語音、翻譯、內容審核。每加一個供應商，就多一組 SDK、一把金鑰、一個帳單頁面，還有一堆只會在半夜爆掉的例外狀況。最煩的是，大家一開始都說「先接上再說」，結果兩個月後沒人敢動。那種黏死的感覺，我真的很熟。\u003C\u002Fp>\u003Cp>後來我看到 Eden AI 的這篇 \u003Ca href=\"https:\u002F\u002Fwww.edenai.co\u002Fpost\u002Fbest-ai-apis-for-developers-complete-guide\">Best AI APIs for Developers in 2026: Complete Guide\u003C\u002Fa>，我不是在找清單，我是在找一個比較不會把自己搞死的方法。它給我的答案很直接：多數產品不是只需要一個 AI API，而是需要一層路由，先決定任務，再挑供應商。這句話我看完有點想拍桌，因為它講中了我之前一直卡住的地方。\u003C\u002Fp>\u003Ch2>先把 AI API 當成任務分流，不要當成菜單\u003C\u002Fh2>\u003Cblockquote>“In 2026, most production applications use between 5 and 10 different AI APIs.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：你現在還想用一個模型包山包海，通常只是在自欺欺人。文字生成、影像辨識、語音轉文字、文字轉語音、翻譯、內容審核，這些根本是不同工作。你硬把它們塞給同一個供應商，短期看起來像省事，長期就是把架構做成一坨。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783883027640-gz6i.png\" alt=\"一個閘道把六個 AI API 收成一套\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己踩過這個坑。以前我會先挑一個「看起來最完整」的 API，因為團隊喜歡少一點採購流程，PM 也愛少一點維護對象。結果一旦真的上量，才發現有些任務很吃延遲，有些任務很吃準確率，有些任務只要便宜就好。你如果不先把任務拆開，後面所有選型都會歪掉。\u003C\u002Fp>\u003Cp>實操寫法很簡單：先做一張表，把每個 AI 任務列出來，欄位至少有輸入型態、輸出型態、延遲上限、成本上限、是否需要備援。這張表不是文件裝飾品，是你後面挑供應商的依據。沒有這張表，後面所有「我們先用這個」都只是賭運氣。\u003C\u002Fp>\u003Cul>\u003Cli>文字生成：客服、摘要、程式輔助\u003C\u002Fli>\u003Cli>影像：物件偵測、OCR、圖片分類\u003C\u002Fli>\u003Cli>語音：轉錄與語音輸出\u003C\u002Fli>\u003Cli>翻譯：多語系產品流程\u003C\u002Fli>\u003Cli>審核：使用者內容安全檢查\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這種拆法看起來很普通，但我真的看過太多團隊沒做這步，最後把一個 API 選型變成產品限制。你一旦\u003Ca href=\"\u002Fnews\u002Fvector-databases-work-in-production-zh\">上線\u003C\u002Fa>，大家就只想「先不要動」，於是錯的選擇一路拖到爆炸。\u003C\u002Fp>\u003Ch2>高準確度模型是基準，不是萬用答案\u003C\u002Fh2>\u003Cblockquote>“OpenAI GPT-5 at $0.625 per 1M input tokens.”\u003C\u002Fblockquote>\u003Cp>這篇指南把 GPT-5 放在準確度優先的位置，我覺得合理。當你需要文字生成、推理、助理型流程的穩定表現時，先拿一個高品質\u003Ca href=\"\u002Fnews\u002Fopensearch-vector-search-benchmark-5-parts-zh\">基準\u003C\u002Fa>模型來看，確實比較不容易翻車。它的價值不是「什麼都最便宜」，而是「大多數時候最不容易出醜」。\u003C\u002Fp>\u003Cp>但我也很討厭把這種描述直接解讀成「那就全用它」。我做過那種 demo 很漂亮、正式上線後帳單嚇人的案子。原因很簡單：每個看起來很小的 prompt，乘上真實流量之後都會變大。模型沒問題，預算有問題。\u003C\u002Fp>\u003Cp>實操上，我會把高準確度模型當成評估基準，不是預設值。你至少要拿一組測試題，去比對一個較便宜的模型、一個\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>較強的模型，然後看輸出品質、重試率、平均回應長度。不要憑感覺選，感覺通常很貴。\u003C\u002Fp>\u003Cul>\u003Cli>高風險文字任務先用高準確度模型\u003C\u002Fli>\u003Cli>大量摘要與草稿生成可交給較便宜模型\u003C\u002Fli>\u003Cli>一定要留評測集，不然你只是在猜\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我現在對模型選型的態度很簡單：\u003Ca href=\"\u002Fnews\u002Feu-ai-act-hits-business-systems-aug-2-2026-zh\">先看\u003C\u002Fa>誰最穩，再看誰夠便宜，最後才看誰最方便。順序錯了，後面都會很痛。\u003C\u002Fp>\u003Ch2>性價比模型才是日常主力\u003C\u002Fh2>\u003Cblockquote>“Google Gemini 2.5 Pro: $1.25 per 1M input tokens, $5 per 1M output tokens.”\u003C\u002Fblockquote>\u003Cp>這篇把 \u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa> 2.5 Pro 放在性價比位置，我覺得這個角度比單純講「強不強」更有用。因為真正在做產品的人，最後都會遇到一個現實：你不可能把所有流量都丟給最貴的模型。你要的是夠好、夠快、夠便宜，能撐住日常流量。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783883024283-q5l5.png\" alt=\"一個閘道把六個 AI API 收成一套\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：如果你的產品大部分請求都屬於「標準難度」，那就該有一個性價比模型站在前線。高階模型留給難題、客訴、需要高保真輸出的情境。這樣分流，產品才不會被成本拖死。\u003C\u002Fp>\u003Cp>我以前在內部工具上做過類似分層。使用者其實不在乎文筆多漂亮，他們在乎的是回得快、結果穩、不要一直失敗。這種情況下，選一個價格與品質都合理的模型，常常比追最強模型更實際。\u003C\u002Fp>\u003Cp>實操寫法是做一個路由政策：標準請求走性價比模型，難題升級到高階模型，批次處理走更便宜的模型。不要每次都讓工程師手動判斷，因為手動判斷到最後一定會走樣。\u003C\u002Fp>\u003Cul>\u003Cli>高階模型處理高風險或難題\u003C\u002Fli>\u003Cli>性價比模型處理大多數一般請求\u003C\u002Fli>\u003Cli>批次模型處理大量預處理工作\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡的重點很直白：你不是在挑一個「最好」的模型，而是在設計一條能長期活下來的路由。\u003C\u002Fp>\u003Ch2>OCR 不是讀字，是讀文件結構\u003C\u002Fh2>\u003Cblockquote>“Mistral OCR 4 leads document parsing at $2 per 1,000 pages (batch) with 85.2% accuracy on benchmarks.”\u003C\u002Fblockquote>\u003Cp>這段我很有感。很多人以為 OCR 就是把圖上的字抓出來，實際上根本不是。真正麻煩的是版面、欄位、表格、座標、置信度，還有那些掃描爛到不行的 PDF。你如果只看「有沒有讀到字」，後面資料結構會爛給你看。\u003C\u002Fp>\u003Cp>我以前做文件流程時，最常踩的雷就是 demo 時都正常，真實客戶一上傳，整個格式就歪掉。問題從來不是「看不看得懂文字」，而是「能不能把文件長相保留下來，讓下一步還能用」。這是兩件事。\u003C\u002Fp>\u003Cp>實操上，我會先把文件分類。發票、收據、履歷、合約、掃描表單，這些不要混成一類。你可以用不同的 parser，或至少用不同的規則。若是批次任務，就走 batch；若是要輸出座標與信心分數，這兩個欄位就要變成強制輸出，不然後面人工校對會累死。\u003C\u002Fp>\u003Cul>\u003Cli>發票與收據：優先用專用解析器\u003C\u002Fli>\u003Cli>長篇 PDF：選能處理多頁文件的引擎\u003C\u002Fli>\u003Cli>要人工複核：一定要把信心分數吐出來\u003C\u002Fli>\u003C\u002Ful>\u003Cp>OCR 在很多產品裡不是主角，但它常常是整條資料管線能不能活下去的地基。地基歪了，後面都白搭。\u003C\u002Fp>\u003Ch2>語音要拆成聽與說兩條線\u003C\u002Fh2>\u003Cblockquote>“Deepgram Nova-3 offers the lowest latency.”\u003C\u002Fblockquote>\u003Cp>語音這塊我最討厭大家混著講，因為「語音」其實是兩個問題：語音轉文字，跟文字轉語音。這兩條線的指標完全不同。轉錄在乎準確率、延遲、說話人分離；輸出在乎自然度、控制性、回應速度。你把它們當同一件事，選型一定會歪。\u003C\u002Fp>\u003Cp>這篇指南把 Deepgram Nova-3 放在即時轉錄的位置，把 ElevenLabs 放在語音輸出的位置，我覺得這個拆法很對。做語音助理、電話機器人、即時字幕，這些場景本來就該分開看。你不能拿一個「聽得懂」的工具，硬要求它同時「說得自然」。\u003C\u002Fp>\u003Cp>實操寫法是先定義語音路徑。如果你做的是即時場景，就量 p50、p95、p99 延遲；如果你做的是播放型語音，就量自然度、出音時間、失敗率。別讓「語音」這個詞把兩個工程問題糊在一起。\u003C\u002Fp>\u003Cul>\u003Cli>Deepgram Nova-3：即時轉錄\u003C\u002Fli>\u003Cli>OpenAI Whisper Large v4：批次與多語系辨識\u003C\u002Fli>\u003Cli>ElevenLabs：自然語音輸出\u003C\u002Fli>\u003Cli>OpenAI TTS：成本優先時的替代方案\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我現在看語音產品，很少先問你用哪家。我先問你，是聽的問題，還是說的問題。這兩個答案不一樣，供應商也不會一樣。\u003C\u002Fp>\u003Ch2>翻譯與審核是最無聊，卻最省命的 API\u003C\u002Fh2>\u003Cblockquote>“DeepL leads translation APIs with $25 per million characters (Pro plan) and the highest BLEU scores for European languages.”\u003C\u002Fblockquote>\u003Cp>翻譯跟內容審核這兩類通常最不吸睛，但它們常常決定產品能不能真的上國際市場。這篇把 DeepL 放在歐洲語言品質優先的位置，把 Hive AI 放在多模態審核的位置，我覺得這個切法很務實。\u003C\u002Fp>\u003Cp>翻譯這件事，最容易犯的錯就是只看語言數量，不看品質。如果你的產品主要是英文、德文、法文，品質通常比覆蓋範圍更重要；如果你真的要做很多語言，\u003Ca href=\"\u002Ftag\u002Fgoogle-cloud\">Google Cloud\u003C\u002Fa> Translation 這種覆蓋廣的方案才比較合理。審核也是一樣，文字、圖片、影片是不同風險面，不能拿單一文字過濾器混過去。\u003C\u002Fp>\u003Cp>我看過太多團隊一開始只做文字內容審核，等到平台開始收圖片或短影音，才發現整條風險鏈根本沒補齊。那時候再補，真的很痛，而且很吵。\u003C\u002Fp>\u003Cp>實操上，你應該在需求文件裡把「翻譯品質」跟「翻譯覆蓋」分開寫，把「文字審核」、「圖片審核」、「影片審核」也分開寫。你只要講不清楚，就代表你還沒準備好選供應商。\u003C\u002Fp>\u003Cul>\u003Cli>DeepL：歐洲語言品質優先\u003C\u002Fli>\u003Cli>Google Cloud Translation：語言覆蓋廣\u003C\u002Fli>\u003Cli>Hive AI：多模態審核\u003C\u002Fli>\u003Cli>OpenAI Moderation：輕量文字審核\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這些選擇都不花俏，但它們會在你產品長大之後，幫你少掉很多很醜的事故。\u003C\u002Fp>\u003Ch2>真正該做的是一層 AI 閘道\u003C\u002Fh2>\u003Cblockquote>“A unified API gateway removes the need to manage separate SDKs, billing accounts, and keys for each provider.”\u003C\u002Fblockquote>\u003Cp>這句我最想直接貼在牆上。因為整篇文章真正有價值的地方，不是它列了哪些 API，而是它把思路拉回到路由層。也就是說，你要管的不是「哪個模型最強」，而是「怎麼不要每換一個模型就重做一次整合」。\u003C\u002Fp>\u003Cp>翻譯一下就是：一個統一閘道，會把供應商差異關在裡面。你的應用只面對一個入口、一個格式、一組備援規則、一套紀錄方式。這不只是方便而已，還能少掉很多密鑰管理、帳單對帳、故障切換的麻煩。\u003C\u002Fp>\u003Cp>我做過夠多系統了，知道真正吃人的從來不是 API 呼叫本身，而是重試邏輯、不同供應商的 payload 差異、驗證方式、監控、還有那些只在某一家廠商身上會出現的怪 bug。閘道不會讓複雜消失，但它會把複雜圈起來。\u003C\u002Fp>\u003Cp>實操寫法很簡單：把閘道當成你產品和 AI 供應商之間的契約。內部只保留一個介面，所有 provider-specific 的東西都包在後面。每次請求都記錄實際走了哪一家，備援是否啟動，失敗碼是什麼。不要等出事才問「剛剛到底走哪家」。\u003C\u002Fp>\u003Cul>\u003Cli>應用只對接一個內部 API\u003C\u002Fli>\u003Cli>後面掛多個供應商\u003C\u002Fli>\u003Cli>備援規則要明寫，不要臨場猜\u003C\u002Fli>\u003Cli>監控要看每個供應商，不只看 endpoint\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這就是差別：你不是在「接 AI」，你是在做一個能撐住供應商更換的系統。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI API 路由模板：把多家供應商收成一套\n\n## 1) 先拆任務\n- 文字生成\n- 影像\n- 語音轉文字\n- 文字轉語音\n- OCR\n- 翻譯\n- 內容審核\n\n## 2) 定義供應商層級\n### 文字生成\n- primary: openai\u002Fgpt-5\n- value: google\u002Fgemini-2.5-pro\n- budget: deepseek-v3\n\n### 影像\n- primary: google-cloud-vision\n- fallback: aws-rekognition\n- fallback_2: azure-computer-vision\n\n### 語音轉文字\n- primary: deepgram\u002Fnova-3\n- batch: openai\u002Fwhisper-large-v4\n- fallback: assemblyai\u002Funiversal-2\n\n### 文字轉語音\n- primary: elevenlabs\n- budget: openai-tts\n- realtime: cartesia\n\n### OCR\n- primary: mistral-ocr-4\n- fallback: google-document-ai\n- specialized: mindee\n\n### 翻譯\n- primary: deepl\n- coverage: google-cloud-translation\n- budget: azure-translator\n\n### 內容審核\n- primary: hive-ai\n- text_only: openai-moderation\n- image_only: aws-rekognition-moderation\n\n## 3) 路由規則\n- 如果 latency_sla \u003C 500ms，就不要走只支援批次的供應商\n- 如果 task == document_parsing 且 pages > 50，優先選 batch OCR\n- 如果 task == translation 且語言對是 en-de、en-fr、en-es，先用 DeepL\n- 如果 task == moderation 且輸入包含影片，必須用多模態供應商\n- 如果請求不急，就走最便宜且可接受的方案\n- 如果 primary 失敗，重試一次後自動切換備援\n\n## 4) 內部介面只留一個\n\ntype AIRequest = {\n  task: \"文字生成\" | \"影像\" | \"語音轉文字\" | \"文字轉語音\" | \"OCR\" | \"翻譯\" | \"內容審核\";\n  input: unknown;\n  constraints?: {\n    latencyMs?: number;\n    maxCostUsd?: number;\n    language?: string;\n    region?: \"us\" | \"eu\" | \"global\";\n    requireFallback?: boolean;\n  };\n};\n\n## 5) 紀錄要完整\n- task\n- 實際選到的供應商\n- 是否啟用備援\n- latency p50\u002Fp95\u002Fp99\n- token 或頁數\n- error code\n- 每次請求成本\n\n## 6) 上線前先測\n- 每個任務的準確率\n- 每個供應商的延遲\n- 每 1000 次請求成本\n- 備援成功率\n- 區域合規檢查\n\n## 7) 預設策略\n- 難題走高階模型\n- 一般請求走性價比模型\n- 批次工作走便宜模型\n- 閘道負責切換供應商\n\n## 8) 範例路由設定\nrouting:\n  文字生成:\n    default: openai\u002Fgpt-5\n    fallback: google\u002Fgemini-2.5-pro\n    bulk: deepseek-v3\n  OCR:\n    default: mistral-ocr-4\n    fallback: google-document-ai\n  語音轉文字:\n    realtime: deepgram\u002Fnova-3\n    batch: openai\u002Fwhisper-large-v4\n  翻譯:\n    european_languages: deepl\n    global_languages: google-cloud-translation\n  內容審核:\n    multimodal: hive-ai\n    text_only: openai-moderation\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>你可以直接把這份模板拿去改成自己的版本。重點不是供應商名字，而是結構：先分任務，再定規則，再留備援，再做監控。這四件事少一個，後面就會開始補洞。\u003C\u002Fp>\u003Cp>我看完 Eden AI 這篇之後，最大的收穫不是「哪家最好」，而是更確定一件事：AI API 的選型，最後會變成架構問題。你如果一開始就把閘道和路由做好，後面換模型、換供應商、換價格，都只是政策調整，不會變成重寫專案。\u003C\u002Fp>\u003Cp>來源致謝：原始觀點來自 Eden AI 的 \u003Ca href=\"https:\u002F\u002Fwww.edenai.co\u002Fpost\u002Fbest-ai-apis-for-developers-complete-guide\">Best AI APIs for Developers in 2026: Complete Guide\u003C\u002Fa>。本文的拆解、白話翻譯與可抄模板是我根據該文整理後重新寫成的繁體中文版本。\u003C\u002Fp>","我把六個 AI API 亂接一輪後，最後學到的是：先做路由層，再挑模型，整個系統會乾淨很多。","www.edenai.co","https:\u002F\u002Fwww.edenai.co\u002Fpost\u002Fbest-ai-apis-for-developers-complete-guide",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783883027640-gz6i.png","tools","zh","c76b9129-a81c-4a4b-b091-9489ffe829f6",[17,18,19,20,21,22],"AI API 路由","API 閘道","模型選型","OCR","語音 API","內容審核",[24,25,26],"先按任務拆 API，再挑供應商，整體會比單押一家穩很多。","把高階模型當基準，把性價比模型當日常主力，成本才壓得住。","一層統一閘道能把供應商差異關在後面，減少維護與故障切換成本。",1,"2026-07-12T19:03:22.171684+00:00","2026-07-12T19:03:22.161+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":32,"relatedLang":33,"relatedPosts":37},[],{"id":15,"slug":34,"title":35,"language":36},"one-api-gateway-turns-six-ai-apis-into-one-en","One API gateway turns six AI APIs into one","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"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":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"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":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"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":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"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":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"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":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"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",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"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":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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"]