[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-openai-pricing-turns-token-math-into-budgets-zh":3,"article-related-openai-pricing-turns-token-math-into-budgets-zh":30,"series-tools-4e519cd3-4dcd-41b6-8ff1-66a58921acf7":82},{"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},"4e519cd3-4dcd-41b6-8ff1-66a58921acf7","openai-pricing-turns-token-math-into-budgets-zh","OpenAI 定價把 token 算成預算","\u003Cp data-speakable=\"summary\">這篇把 \u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 定價拆成可直接貼進試算表的預算模板。\u003C\u002Fp>\u003Cp>我用 OpenAI 一陣子了，但定價頁每次都還是看得我火大。不是看不懂，是你以為自己懂了，結果一上線才發現 cache、batch、priority、realtime 全都在偷偷改你的帳單。第一次把產品真的接上 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa>，我還天真地以為 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 算一算就好，結果月底一看，才知道「模型價格」只是門票，真正燒錢的是你怎麼用它。\u003C\u002Fp>\u003Cp>我想要的其實很單純：每個 token 到底多少錢、什麼情況該改成 batch、哪個模型適合大面積用、哪個模式只是讓你在財務會議上被問到冒汗。原始來源是 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing\">OpenAI pricing\u003C\u002Fa>，我也一路對照了 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fprompt-caching\">prompt caching\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fbatch\">batch\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime\">realtime\u003C\u002Fa>，因為不把這些\u003Ca href=\"\u002Fnews\u002Fwhite-house-ai-action-plan-bitcoin-stablecoins-zh\">一起\u003C\u002Fa>看，根本沒法算預算。\u003C\u002Fp>\u003Cp>這篇不是在講「OpenAI 很貴」這種廢話。我是把它拆成一個我自己會拿去用的成本框架，讓你在做功能規劃時，先知道哪裡會爆、哪裡可以省、哪裡只是你自己寫太肥。\u003C\u002Fp>\u003Ch2>別把價格表當成單一數字看\u003C\u002Fh2>\u003Cblockquote>Prices per 1M tokens.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是，OpenAI 不是在跟你收「一次請求多少錢」，而是在跟你收「你送多少 token、吐多少 token、用什麼模式」的錢。這差很多。很多人只看模型名字，覺得選了便宜模型就安全了，結果 prompt 長到像論文，output 又放飛，帳單還是會來打臉。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781436795172-y91a.png\" alt=\"OpenAI 定價把 token 算成預算\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前做過一個看起來很小的功能：短 prompt、短回覆、UI 也沒什麼花樣。結果一算才發現，system message 超長、上下文一直重送、輸出又比我預期多。產品看起來很輕，帳單一點都不輕。這就是 token math 的殘酷：使用者看到的是一個按鈕，你看到的是一串會累積的成本。\u003C\u002Fp>\u003Cp>實操寫法很簡單：我現在都先把成本拆成三塊，而不是直接問「這個模型貴不貴」。\u003C\u002Fp>\u003Cul>\u003Cli>input cost：我送進去的內容\u003C\u002Fli>\u003Cli>output cost：模型回給我的內容\u003C\u002Fli>\u003Cli>execution mode：batch、flex、priority、realtime 會不會改價\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要你還把價格表當成單一數字，你就永遠只能做粗估，不能做預算。這不是財務問題，是產品規劃問題。\u003C\u002Fp>\u003Ch2>旗艦模型不是萬用預設值\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>gpt-5.5 $5.00 $0.50 $30.00\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>OpenAI 在 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-5-5\u002F\">gpt-5.5\u003C\u002Fa> 這列給的標準價格很直白：input $5.00 \u002F 1M tokens、cached input $0.50、output $30.00。你只要看 output 那欄就知道，這不是拿來無腦灌所有請求的。尤其是 output 這種最容易失控的地方，一旦你讓模型長篇大論，成本會比你想像快很多。\u003C\u002Fp>\u003Cp>白話講，gpt-5.5 比較像我會留給「真的需要它」的地方：最後整合、複雜推理、對外輸出的關鍵回答。不是每個 request 都該上旗艦。很多團隊犯的錯就是把最強模型當預設，然後再去解釋為什麼流量不大，帳單卻很像在跑廣告投放。\u003C\u002Fp>\u003Cp>我自己踩過這個坑。以前我也覺得「用最好的總沒錯」，結果整個系統都跑在高成本模型上，功能看起來沒什麼，財務卻一直皺眉。後來我才認真做路由：簡單工作丟便宜模型，難題才升級，別每件事都拿 premium 來處理。\u003C\u002Fp>\u003Cp>實操寫法我會這樣定：\u003C\u002Fp>\u003Cul>\u003Cli>抽取、分類、摘要草稿：便宜模型先做\u003C\u002Fli>\u003Cli>一般使用者互動：中階模型處理\u003C\u002Fli>\u003Cli>最後定稿、複雜推理、風險高的回答：旗艦模型才上\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你要把這件事做對，先把 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fmodels\">models page\u003C\u002Fa> 打開。價格和能力要一起看，不然你會一直拿錯\u003Ca href=\"\u002Fnews\u002Fthree-docker-tools-homelab-upgrade-now-zh\">工具\u003C\u002Fa>。\u003C\u002Fp>\u003Ch2>Cached input 不是魔法，是你少重送廢話的獎勵\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>gpt-5.5 $0.50 cached input\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>cached input 這欄很容易被忽略，但我覺得它其實是在獎勵你不要每次都重送一大坨一模一樣的東西。以 gpt-5.5 來看，standard input 是 $5.00，cached input 只有 $0.50，差了 10 倍。這不是小數字，這是你有沒有把 prompt 結構整理好的差別。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781436794048-gjt0.png\" alt=\"OpenAI 定價把 token 算成預算\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>也就是說，prompt 本身就是成本設計的一部分。你如果每次都把超長 system prompt、政策塊、工具 schema 重新拼一次，cache 命中率就很差。反過來說，只要你把固定內容穩住，這筆錢就會好看很多。\u003C\u002Fp>\u003Cp>我之前做客服 assistant 時就遇過這種事。一開始我一直想著怎麼把 prompt 縮短，後來才發現，真正有用的是把靜態區塊固定住，讓它有機會被 cache。不是每個字都要精簡到極致，而是要讓重複內容真的重複得起來。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把靜態指令和使用者變數分開\u003C\u002Fli>\u003Cli>盡量讓可重用區塊保持 byte-stable\u003C\u002Fli>\u003Cli>上線後看 cache hit rate，不要只看模型品質\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這部分可以直接對照 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fprompt-caching\">prompt caching\u003C\u002Fa>。如果你沒在用，等於每次都在為同樣的字付全價。\u003C\u002Fp>\u003Ch2>Batch 和 flex 是給無聊工作省錢的\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>gpt-5.5 batch $2.50 input $15.00 output\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>價格表把 standard、batch、flex、priority 分開列，不是裝飾。它其實是在提醒你：工作型態不同，該付的錢就不同。像 gpt-5.5 的 batch，在短上下文表裡 input 是 $2.50、output 是 $15.00，跟 standard 比起來已經差很多了。\u003C\u002Fp>\u003Cp>翻譯一下就是，如果你的工作不需要立刻回應，就別硬拿互動式價格。離線摘要、批次分析、報表生成、資料補齊、backfill，這些都很適合 batch。flex 也是同一套邏輯：你能接受排程彈性，通常就能換到比較省的成本。\u003C\u002Fp>\u003Cp>我看過太多團隊把所有事情都當 chat message 來處理，這真的很浪費。夜間分類任務跟即時客服回覆，本來就不是同一種東西，卻常常被塞進同一個 billing mode。這種架構我只能說，方便是方便，帳單也會很有感。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>非即時任務優先走 batch\u003C\u002Fli>\u003Cli>可容忍排程波動就考慮 flex\u003C\u002Fli>\u003Cli>priority 留給真的卡住就會出事的路徑\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你要落地，直接看 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fbatch\">batch guide\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fproduction-best-practices\">production best practices\u003C\u002Fa>。先把工作分類做好，再談省錢，不然只是猜。\u003C\u002Fp>\u003Ch2>Priority 是你在跟等待成本買單\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>gpt-5.5 priority $12.50 input $75.00 output\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>priority pricing 很直接，也很兇。gpt-5.5 在 priority 表裡是 input $12.50、output $75.00。這種價格我不會因為 dashboard 看起來比較順眼就亂開，我只會在「等待本身就是 bug」的時候用它。\u003C\u002Fp>\u003Cp>白話講，有些 request 的成本不是 token，而是延遲。像是使用者正在等一個即時流程、轉換漏斗卡在那裡、客服回應慢到會讓人直接離開，這時候比較高的價格可能比延遲造成的損失還划算。但前提是，你要真的講得出這個理由。\u003C\u002Fp>\u003Cp>我之前處理過一條尾延遲很難看的流程，團隊第一個反應就是「那就全上 priority」。我沒同意。先把慢點找出來，能修的修，真的需要高優先的才用。結果成本下來了，系統也沒那麼依賴暴力加價。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>每個 endpoint 先定 latency budget\u003C\u002Fli>\u003Cli>只對有明確商業影響的路徑用 priority\u003C\u002Fli>\u003Cli>把「延遲成本」跟「token 成本」一起算\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是在做 realtime 或互動式體驗，也可以對照 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime\">realtime\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Flatency-optimization\">latency optimization\u003C\u002Fa>。不然你很容易把「快」跟「貴」混成同一件事。\u003C\u002Fp>\u003Ch2>Mini 和 nano 才是大多數產品的真正常用款\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>gpt-5.4-mini $0.75 input $4.50 output\n gpt-5.4-nano $0.20 input $1.25 output\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>我最信任的，反而常常不是最貴的，而是 mini 跟 nano 這種小模型。OpenAI 在標準表裡列出 gpt-5.4-mini 是 input $0.75、output $4.50；gpt-5.4-nano 更低，input $0.20、output $1.25。這才是大多數產品真的能拿來做大規模使用的區段。\u003C\u002Fp>\u003Cp>也就是說，如果你的工作只是抽欄位、分類、標註、生成第一版草稿，小模型通常就夠了。你不需要每次都請大模型出馬。小模型的好處不是只有便宜，還有比較容易控、比較容易擴、比較不容易把簡單流程搞成財務災難。\u003C\u002Fp>\u003Cp>我很常把小模型當前線工人。先做重複、規則性高的工作，真的不確定的 case 再往上升。這種做法很無聊，但很穩，而且穩本身就是一種優勢。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>結構化任務先從 mini 或 nano 開始\u003C\u002Fli>\u003Cli>只有在信心不足或語意模糊時才升級\u003C\u002Fli>\u003Cli>不要只看品質，還要一起看 spend\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你要把小模型用好，\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fstructured-output\">structured output\u003C\u002Fa> 很值得一起看。限制輸出格式後，小模型會變得更像樣。\u003C\u002Fp>\u003Ch2>Realtime 不能照 token 邏輯硬算，要按分鐘和模態拆\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>gpt-realtime-2 Audio $32.00 input $64.00 output\nrealtime-translate $0.034 \u002F minute\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>realtime 這一段把計價邏輯整個換掉了。像 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-gpt-realtime\u002F\">gpt-realtime-2\u003C\u002Fa>，Audio 是 $32.00 input、$64.00 output per 1M tokens，Text 是 $4.00 input、$24.00 output，Image 也有自己的價格。還有 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime\">gpt-realtime-translate\u003C\u002Fa> 是 $0.034 \u002F minute。這已經不是單純的 token math，而是 usage math。\u003C\u002Fp>\u003Cp>翻譯一下就是，語音、即時互動、翻譯這些東西，不能拿一般 chat 的心智模型去套。你如果還用同一張表去算文字和語音，算出來的結果常常會很荒謬。因為單位不同，成本結構也不同。\u003C\u002Fp>\u003Cp>我之前做 voice feature 時就幹過這件蠢事，把語音和文字硬塞進同一個欄位。結果一開始看不出來差異，後來才發現 session length、audio token、text token 根本是三種不同帳。拆開後，預算才像樣。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>realtime 先按 session 長度估\u003C\u002Fli>\u003Cli>peak 和 average minutes 分開算\u003C\u002Fli>\u003Cli>翻譯、語音生成、文字回覆分成不同 cost center\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你要做\u003Ca href=\"\u002Fnews\u002Fopenai-api-setup-commercial-apps-zh\">實作\u003C\u002Fa>，邊看 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime-voice-agents\">voice agents\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftranscription\">transcription\u003C\u002Fa>，邊算才不會亂。\u003C\u002Fp>\u003Ch2>合規和採購會直接改掉你的數學\u003C\u002Fh2>\u003Cblockquote>\u003Cpre>\u003Ccode>Regional processing ... charged a 10% uplift\u003C\u002Fcode>\u003C\u002Fpre>\u003C\u002Fblockquote>\u003Cp>OpenAI 也寫得很明白：regional processing 對某些符合資料駐留條件的模型，會有 10% uplift。再加上如果你是透過 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002F\">Amazon Bedrock\u003C\u002Fa> 這類平台買，帳單又可能跟直連 API 不一樣。這些都不是細節，這些是會讓你預算失真的東西。\u003C\u002Fp>\u003Cp>白話講，合規不是附加題，它會直接把成本拉高。你如果要資料駐留、要走特定雲端採購、要經過 reseller，最後看到的價格很可能不是公開 pricing page 那一套。這很正常，只是你要早點算進去，不要等財務來問你為什麼 forecast 對不起來。\u003C\u002Fp>\u003Cp>我看過太多團隊以為公開價格就是最終答案，結果一碰到 enterprise 條件就整個歪掉。地區、採購路徑、平台選擇，這三個東西都會改數字。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把 direct API 和 reseller pricing 分開記\u003C\u002Fli>\u003Cli>資料駐留需求要提早標記\u003C\u002Fli>\u003Cli>預算表裡加一條 compliance uplift\u003C\u002Fli>\u003C\u002Ful>\u003Cp>政策面可以先看 \u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fyour-data\">Your data\u003C\u002Fa>。這部分很無聊，但不看會更無聊，因為最後是你去跟採購解釋。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># OpenAI 成本預算模板\n\n## 1) 先定工作類型\n- 工作名稱：\n- 這是即時還是非即時：\n- 延遲目標：\n- 是否需要合規 \u002F 資料駐留：\n- 走直連 API 還是 reseller：\n\n## 2) 選執行模式\n- Standard \u002F Batch \u002F Flex \u002F Priority \u002F Realtime：\n- 為什麼選這個模式：\n- 什麼情況下要切換模式：\n\n## 3) 選模型層級\n- 主模型：\n- 備援模型：\n- 升級規則：\n- 為什麼主模型夠用：\n\n## 4) 估使用量\n- 每日請求數：\n- 每次平均 input tokens：\n- 每次平均 cached input tokens：\n- 每次平均 output tokens：\n- 如果是 realtime，平均 session 分鐘：\n\n## 5) 填價格\n- 每 1M input tokens 價格：\n- 每 1M cached input tokens 價格：\n- 每 1M output tokens 價格：\n- 每分鐘價格（如果適用）：\n- regional uplift（如果適用）：\n- 平台或 reseller 額外加價（如果適用）：\n\n## 6) 算月成本\n- 月 input tokens = 每日請求數 × 30 × 平均 input tokens\n- 月 cached input tokens = 每日請求數 × 30 × 平均 cached input tokens\n- 月 output tokens = 每日請求數 × 30 × 平均 output tokens\n- 月 realtime 分鐘 = sessions\u002Fday × 30 × 平均分鐘數\n\n## 7) 成本公式\n- Input cost = 月 input tokens ÷ 1,000,000 × input price\n- Cached input cost = 月 cached input tokens ÷ 1,000,000 × cached input price\n- Output cost = 月 output tokens ÷ 1,000,000 × output price\n- Realtime cost = 月分鐘數 × 每分鐘價格\n- Subtotal = 上面全部加總\n- Uplift = subtotal × regional uplift（如果需要）\n- Total = subtotal + uplift\n\n## 8) 路由規則\n- 便宜模型先處理：\n- 什麼情況升級到強模型：\n- 什麼工作走 batch：\n- 什麼工作才准用 priority：\n- 什麼工作才准用 realtime：\n\n## 9) 風控\n- 月預算上限：\n- 警戒線：\n- 最大 output tokens：\n- 最大 session 長度：\n- 檢查頻率：\n\n## 10) 備註\n- pricing page：\n- 工作說明文件：\n- prompt caching \u002F batch 文件：\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板我會直接丟給團隊用。它逼你先講工作型態，再講模型，最後才講價格，這樣才不會每次都被「哪個模型最強」帶偏。你如果願意再多做一步，就把第一週的實際成本跟估算值放在同一欄，之後你會很快知道自己是不是在亂猜。\u003C\u002Fp>\u003Cp>來源：\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing\">https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing\u003C\u002Fa>。這篇的拆解是我自己整理的，但價格數字、表格結構和相關模式都來自 OpenAI 官方文件；你真的要拿去做預算，還是得回頭看 live page，因為價格更新這種事，從來不會先通知你。\u003C\u002Fp>","把 OpenAI 定價拆成可直接貼進試算表的預算模板，順手教你怎麼看 token、cache、batch、priority 和 realtime。","developers.openai.com","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781436795172-y91a.png","tools","zh","aad700b5-14b0-4350-83d9-33610b119087",[17,18,19,20,21],"OpenAI pricing","token budget","prompt caching","batch","realtime",[23,24,25],"價格不是單一數字，要拆成 input、output、cache 和執行模式一起算。","旗艦模型不該當預設值，先做路由規則再寫 prompt。","把工作類型分清楚，batch、priority、realtime 才有機會真的省錢。",0,"2026-06-14T11:32:53.757498+00:00","2026-06-14T11:32:53.744+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,35,37,38,40],{"name":33,"slug":34},"Prompt Caching","prompt-caching",{"name":18,"slug":36},"token-budget",{"name":20,"slug":20},{"name":17,"slug":39},"openai-pricing",{"name":21,"slug":21},{"id":15,"slug":42,"title":43,"language":44},"openai-pricing-turns-token-math-into-budgets-en","OpenAI pricing turns token math into budgets","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"736e7c19-d81b-4266-b1ff-6f13295b1608","cursors-latest-update-ide-workflow-tools-zh","Cursor 最新更新證明：IDE 必須升級成工作流程工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781491671914-7wov.png","2026-06-15T02:47:20.32431+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"f4124807-6c95-424a-8d27-4c79020cff1a","cursor-bugbot-before-push-not-pr-zh","Cursor 的 Bugbot 應該先於 push，而不是卡在 PR","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781490766583-u6gl.png","2026-06-15T02:32:16.371174+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"c66ec601-83a5-4f30-933d-9cb6f033d1b1","prompt-engineering-writing-skill-not-magic-trick-zh","提示工程不是魔法，是寫作能力","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781470976122-5307.png","2026-06-14T21:02:27.880576+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"2a3ab73e-e585-42cb-9ee8-1552d1307bb8","open-notebook-turns-notebooklm-into-open-source-zh","Open-Notebook 讓 NotebookLM 變開源","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781450302934-yaye.png","2026-06-14T15:17:50.078985+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"8c54af61-2536-4778-b286-fbc4ba04b5b8","gpu-mag-list-turns-gpu-tests-into-workflow-zh","GPU Mag 清單變成測試流程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781440405583-axcq.png","2026-06-14T12:33:00.102614+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"aea35601-eb53-4d51-9862-fa56354ccf8b","openai-api-setup-commercial-apps-zh","OpenAI API 商用接入實作指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781434976646-glsx.png","2026-06-14T11:02:20.316124+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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":129,"slug":130,"title":131,"created_at":132},"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"]