[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ragflow-open-source-rag-agent-engine-zh":3,"tags-ragflow-open-source-rag-agent-engine-zh":37,"related-lang-ragflow-open-source-rag-agent-engine-zh":46,"related-posts-ragflow-open-source-rag-agent-engine-zh":50,"series-tools-e60e5a80-ca58-46fb-be85-5d51d7f3d2df":87},{"id":4,"title":5,"content":6,"summary":7,"source":8,"source_url":9,"author":10,"image_url":11,"keywords":12,"language":21,"translated_content":10,"views":22,"is_premium":23,"created_at":24,"updated_at":24,"cover_image":11,"published_at":25,"rewrite_status":26,"rewrite_error":10,"rewritten_from_id":27,"slug":28,"category":29,"related_article_id":30,"status":31,"google_indexed_at":32,"x_posted_at":10,"tweet_text":10,"title_rewritten_at":10,"title_original":10,"key_takeaways":33,"topic_cluster_id":10,"embedding":10,"is_canonical_seed":23},"e60e5a80-ca58-46fb-be85-5d51d7f3d2df","RAGFlow 加入 Agent 與自架部署","\u003Cp data-speakable=\"summary\">RAGFlow 是一個開源 RAG 引擎，現在把 Agent 功能和自架部署一起做進來。\u003C\u002Fp>\u003Cp>說真的，這東西蠻猛的。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Fragflow\" target=\"_blank\" rel=\"noopener\">RAGFlow\u003C\u002Fa> 的 \u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa> 現在有 \u003Cstrong>80.3k stars\u003C\u002Fstrong>、\u003Cstrong>9.1k forks\u003C\u002Fstrong>、\u003Cstrong>6,155 commits\u003C\u002Fstrong>。這不是玩票專案，是很多人真的在用。\u003C\u002Fp>\u003Cp>它的方向也很直白。把 retrieval-augmented generation 做好，再加上 Agent 能力。對常碰 PDF、表格、掃描檔、簡報的人來說，這比純聊天機器人實用很多。官方也提供 \u003Ca href=\"https:\u002F\u002Fcloud.ragflow.io\" target=\"_blank\" rel=\"noopener\">RAGFlow Cloud\u003C\u002Fa>，想自己控資料的人則可以走 \u003Ca href=\"\u002Ftag\u002Fdocker\">Docker\u003C\u002Fa> 自架。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003Cth>意義\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>GitHub stars\u003C\u002Ftd>\u003Ctd>80.3k\u003C\u002Ftd>\u003Ctd>代表開發者採用度高\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GitHub forks\u003C\u002Ftd>\u003Ctd>9.1k\u003C\u002Ftd>\u003Ctd>表示有人在改、在接、在試\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Commits\u003C\u002Ftd>\u003Ctd>6,155\u003C\u002Ftd>\u003Ctd>顯示專案還在持續動\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>最低 CPU\u003C\u002Ftd>\u003Ctd>4 cores\u003C\u002Ftd>\u003Ctd>自架門檻不算低\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>最低 RAM\u003C\u002Ftd>\u003Ctd>16 GB\u003C\u002Ftd>\u003Ctd>本機或伺服器要有點料\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>最低磁碟\u003C\u002Ftd>\u003Ctd>50 GB\u003C\u002Ftd>\u003Ctd>文件索引和資料會吃空間\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>RAGFlow 想解的問題\u003C\u002Fh2>\u003Cp>很多 RAG 系統，一碰到真實文件就翻車。PDF 有表格、掃描檔有 OCR、簡報有圖片、Excel 有欄位，最後模型只會亂猜。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Fragflow\" target=\"_blank\" rel=\"noopener\">RAGFlow\u003C\u002Fa> 就是想處理這種髒資料場景。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778526664887-ynxt.png\" alt=\"RAGFlow 加入 Agent 與自架部署\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>它把自己定位成 converged context engine。白話講，就是不只切 chunk、做 embedding，還要盡量看懂文件結構，讓引用來源能追得到。這點對企業很重要，因為你總不能讓 AI 一本正經地胡說八道。\u003C\u002Fp>\u003Cp>講白了，\u003Ca href=\"\u002Ftag\u002F企業-ai\">企業 AI\u003C\u002Fa> 最常死在 context。模型本身不一定差，資料前處理一亂，答案就會看起來很像對的，其實全錯。\u003C\u002Fp>\u003Cul>\u003Cli>支援 PDF、Word、簡報、Excel、圖片、掃描檔、網頁\u003C\u002Fli>\u003Cli>有模板化切分流程，引用路徑也比較好查\u003C\u002Fli>\u003Cli>支援多路召回，再做 re-ranking\u003C\u002Fli>\u003Cli>適合文件量大、格式雜的團隊\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>最近更新在忙什麼\u003C\u002Fh2>\u003Cp>RAGFlow 最近的更新很密。這通常是好事，代表團隊還在磨產品，不是發完版就裝死。從更新紀錄看，它已經開始跟新模型和新資料源對接。\u003C\u002Fp>\u003Cp>像是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepseek-ai\u002FDeepSeek-V4\" target=\"_blank\" rel=\"noopener\">DeepSeek v4\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgpt-5\" target=\"_blank\" rel=\"noopener\">GPT-5\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Gemini 3 Pro\u003C\u002Fa> 都在支援清單裡。它也加了 agent memory、MCP，還能從 Confluence、S3、Notion、Discord、\u003Ca href=\"\u002Ftag\u002Fgoogle\">Google\u003C\u002Fa> Drive 同步資料。\u003C\u002Fp>\u003Cp>這裡有個重點。它不是只做檢索，而是往 agent workflow 靠。也就是說，模型拿到 context 後，不只是回答，還可能接著做下一步動作。\u003C\u002Fp>\u003Cblockquote>「The most important thing about AI is that we need to understand that it is not magic.」— \u003Ca href=\"https:\u002F\u002Fwww.nytimes.com\u002F2016\u002F12\u002F03\u002Fopinion\u002Fsundar-pichai-artificial-intelligence.html\" target=\"_blank\" rel=\"noopener\">Sundar Pichai\u003C\u002Fa>\u003C\u002Fblockquote>\u003Cp>這句話放在 RAGFlow 很貼切。它賣的不是魔法，是把資料管線做好。對企業來說，這通常比模型口號更有用。\u003C\u002Fp>\u003Cp>下面這些更新，對評估導入很有參考價值：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>2026-04-24：\u003C\u002Fstrong>支援 DeepSeek v4\u003C\u002Fli>\u003Cli>\u003Cstrong>2026-03-24：\u003C\u002Fstrong>推出 RAGFlow Skill on OpenClaw\u003C\u002Fli>\u003Cli>\u003Cstrong>2025-12-26：\u003C\u002Fstrong>加入 agent memory\u003C\u002Fli>\u003Cli>\u003Cstrong>2025-11-19：\u003C\u002Fstrong>支援 Gemini 3 Pro\u003C\u002Fli>\u003Cli>\u003Cstrong>2025-11-12：\u003C\u002Fstrong>可同步 Confluence、S3、Notion、Discord、Google Drive\u003C\u002Fli>\u003Cli>\u003Cstrong>2025-10-23：\u003C\u002Fstrong>加入 MinerU 和 Docling parsing\u003C\u002Fli>\u003Cli>\u003Cstrong>2025-10-15：\u003C\u002Fstrong>支援可編排 ingestion pipeline\u003C\u002Fli>\u003Cli>\u003Cstrong>2025-08-08：\u003C\u002Fstrong>支援 GPT-5 系列\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>自架部署到底麻不麻煩\u003C\u002Fh2>\u003Cp>先講結論，不是玩具等級。官方文件要求 \u003Cstrong>4 CPU cores\u003C\u002Fstrong>、\u003Cstrong>16 GB RAM\u003C\u002Fstrong>、\u003Cstrong>50 GB disk\u003C\u002Fstrong>，還要 \u003Cstrong>Docker 24.0.0\u003C\u002Fstrong> 和 \u003Cstrong>Docker Compose v2.26.1\u003C\u002Fstrong>。如果你要跑 sandboxed agent flow，還得加上 \u003Ca href=\"https:\u002F\u002Fgvisor.dev\" target=\"_blank\" rel=\"noopener\">gVisor\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778526666838-c8q6.png\" alt=\"RAGFlow 加入 Agent 與自架部署\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這代表\u003Ca href=\"\u002Fnews\u002Fopenai-cyber-model-anthropic-mythos-zh\">什麼\u003C\u002Fa>？代表它真的把自己放在能進 production 的位置，不是只給 demo 看。代價就是部署比較重，對小團隊來說，維運成本會比一般 RAG 套件高一截。\u003C\u002Fp>\u003Cp>還有一個常被忽略的坑。官方 Docker image 是給 x86 用的。你如果用 Apple Silicon，或是 ARM 伺服器，很多時候得自己 build。這種事最容易在最後一刻才爆。\u003C\u002Fp>\u003Cp>儲存層也很實際。RAGFlow 預設用 \u003Ca href=\"https:\u002F\u002Fwww.elastic.co\u002Felasticsearch\" target=\"_blank\" rel=\"noopener\">Elasticsearch\u003C\u002Fa> 做全文和向量搜尋，也能切到 \u003Ca href=\"https:\u002F\u002Finfiniflow.org\u002Finfinity\" target=\"_blank\" rel=\"noopener\">Infinity\u003C\u002Fa>。這種設計很務實，因為不同團隊對成本和效能的取捨真的不一樣。\u003C\u002Fp>\u003Cp>如果你在比對其他 RAG stack，可以先看這幾點：\u003C\u002Fp>\u003Cul>\u003Cli>RAGFlow 比輕量方案更重，但文件理解更完整\u003C\u002Fli>\u003Cli>它對引用與追溯比較友善\u003C\u002Fli>\u003Cli>自架門檻比純 SaaS 高\u003C\u002Fli>\u003Cli>適合文件量大、資料源多的團隊\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>跟其他方案比，差在哪\u003C\u002Fh2>\u003Cp>市面上很多 RAG 工具，都卡在「能跑」跟「能上線」之間。能跑，代表你塞一份 PDF 它會回你答案。能上線，代表你要處理權限、引用、資料同步、版本更新，還要讓工程師少掉坑。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Fragflow\" target=\"_blank\" rel=\"noopener\">RAGFlow\u003C\u002Fa> 比較像後者。它把文件解析、召回、重排、引用、Agent、部署都包進來。優點是整合度高，缺點是學習成本也高。\u003C\u002Fp>\u003Cp>如果跟 LlamaIndex 或 \u003Ca href=\"\u002Ftag\u002Flangchain\">LangChain\u003C\u002Fa> 這類框架相比，RAGFlow 更像完整產品。那些框架偏向組件層，你要自己拼很多東西。RAGFlow 則把常見需求先包好，適合想少踩坑的人。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.llamaindex.ai\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>：彈性高，但要自己組很多流程\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>：生態廣，但工程整合工作多\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Fragflow\" target=\"_blank\" rel=\"noopener\">RAGFlow\u003C\u002Fa>：偏完整方案，文件場景更集中\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.elastic.co\u002Felasticsearch\" target=\"_blank\" rel=\"noopener\">Elasticsearch\u003C\u002Fa>：搜尋強，但不是完整 RAG 應用層\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你只想做一個簡單問答，RAGFlow 可能太重。可是一旦你要處理公司知識庫、法務文件、客服知識、內部 SOP，它的價值就會跑出來。\u003C\u002Fp>\u003Ch2>這個專案的產業脈絡\u003C\u002Fh2>\u003Cp>現在很多公司都在做 AI 搜尋、內部知識助理、文件問答。問題是，資料都很亂。文件散在 Google Drive、Notion、S3、Confluence，還有一堆掃描檔和舊版 Excel。這種環境下，單純靠 LLM 不夠。\u003C\u002Fp>\u003Cp>RAG 的重點，本來就不是「讓模型更會講」。重點是讓模型拿到對的資料，再把來源講清楚。Agent 功能加進來後，系統還能往任務執行走，像是查資料、整理內容、接下一個工具。\u003C\u002Fp>\u003Cp>我覺得這類工具會越來越像基礎建設。前端可以換，模型可以換，真正難的是 context layer。誰能把資料接好、切好、排好，誰就比較有機會做出能用的 AI 產品。\u003C\u002Fp>\u003Cp>如果你是台灣團隊，這個趨勢也很現實。很多公司不想把文件丟到外部 API，或者資料合規有要求。這時候可自架、可追溯、可控權限的方案，就比單純雲端聊天介面更有吸引力。\u003C\u002Fp>\u003Ch2>結尾：值不值得試\u003C\u002Fh2>\u003Cp>我的建議很直接。只要你的資料不是乾乾淨淨的 Mark\u003Ca href=\"\u002Fnews\u002Fwhy-windows-users-should-stop-treating-claude-code-as-mac-on-zh\">dow\u003C\u002Fa>n，而是 PDF、表格、掃描檔混在一起，RAGFlow 就值得試。它不是最輕的方案，但很可能比你自己東拼西湊省事。\u003C\u002Fp>\u003Cp>如果你已經有成熟的資料管線，先拿一個內部文件集做測試。看它的引用準不準、同步穩不穩、ARM 環境好不好跑。這三件事，比看 demo \u003Ca href=\"\u002Fnews\u002Fwei-shen-me-rong-qi-she-ji-mo-shi-bi-bian-pai-geng-zhong-yao-zh\">更重要\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>接下來我會盯兩件事。第一，它能不能把 Agent 功能做穩。第二，它會不會繼續把部署門檻壓低。這兩個答案，會決定它是工具，還是團隊真的會拿來當底層系統。\u003C\u002Fp>","RAGFlow 把開源 RAG、Agent、自架部署和新模型支援整合在一起，適合處理 PDF、表格和多來源文件的團隊。","github.com","https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Fragflow",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778526664887-ynxt.png",[13,14,15,16,17,18,19,20],"RAGFlow","RAG","Agent","開源","自架部署","LLM","文件搜尋","AI 知識庫","zh",1,false,"2026-05-11T19:10:35.308559+00:00","2026-05-11T19:10:35.227+00:00","done","07936925-f5fc-4fff-b003-9f6e7e420550","ragflow-open-source-rag-agent-engine-zh","tools","2834efcd-6c3d-424b-8436-68dbfade265b","published","2026-05-12T09:00:13.366+00:00",[34,35,36],"RAGFlow 把開源 RAG、Agent 和自架部署整合在一起。","它特別適合 PDF、表格、掃描檔這類髒資料場景。","自架門檻不低，但引用與資料控制做得比較完整。",[38,40,42,43,45],{"name":15,"slug":39},"agent",{"name":14,"slug":41},"rag",{"name":17,"slug":17},{"name":13,"slug":44},"ragflow",{"name":16,"slug":16},{"id":30,"slug":47,"title":48,"language":49},"ragflow-open-source-rag-agent-engine-en","RAGFlow adds agents to open-source RAG","en",[51,57,63,69,75,81],{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":29},"68e4be16-dc38-4524-a6ea-5ebe22a6c4fb","why-vidhub-huiyuan-hutong-bushi-quan-shebei-tongyong-zh","為什麼 VidHub 會員互通不是「買一次全設備通用」","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778789450987-advz.png","2026-05-14T20:10:24.048988+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":29},"7a1e174f-746b-4e82-a0e3-b2475ab39747","why-buns-zig-to-rust-experiment-is-right-zh","為什麼 Bun 的 Zig-to-Rust 實驗是對的","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778767879127-5dna.png","2026-05-14T14:10:26.886397+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":29},"e742fc73-5a65-4db3-ad17-88c99262ceb7","why-openai-api-pricing-is-product-strategy-zh","為什麼 OpenAI API 定價是產品策略，不是註腳","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778749859485-chvz.png","2026-05-14T09:10:26.003818+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":29},"c757c5d8-eda9-45dc-9020-4b002f4d6237","why-claude-code-prompt-design-beats-ide-copilots-zh","為什麼 Claude Code 的提示設計贏過 IDE Copilot","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778742645084-dao9.png","2026-05-14T07:10:29.371901+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":29},"4adef3ab-9f07-4970-91cf-77b8b581b348","why-databricks-model-serving-is-right-default-zh","為什麼 Databricks Model Serving 是生產推論的正確預設","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778692245329-a2wt.png","2026-05-13T17:10:30.659153+00:00",{"id":82,"slug":83,"title":84,"cover_image":85,"image_url":85,"created_at":86,"category":29},"b3305057-451d-48e4-9fb9-69215f7effad","why-ibm-bob-right-kind-ai-coding-assistant-zh","為什麼 IBM 的 Bob 才是對的 AI 寫碼助手","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778664653510-64hc.png","2026-05-13T09:30:21.881547+00:00",[88,93,98,103,108,113,118,123,128,133],{"id":89,"slug":90,"title":91,"created_at":92},"de769291-4574-4c46-a76d-772bd99e6ec9","googles-biggest-gemini-launches-in-2026-zh","Google 2026 最大 Gemini 盤點","2026-03-26T07:26:39.21072+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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":129,"slug":130,"title":131,"created_at":132},"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":134,"slug":135,"title":136,"created_at":137},"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"]