[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-codex-chat-to-delivery-ai-coding-en":3,"article-related-codex-chat-to-delivery-ai-coding-en":30,"series-tools-085ac94a-88e1-4123-99b5-c0aef367c746":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},"085ac94a-88e1-4123-99b5-c0aef367c746","codex-chat-to-delivery-ai-coding-en","Codex把聊天改成交付，AI编程就顺了","\u003Cp data-speakable=\"summary\">把 \u003Ca href=\"\u002Ftag\u002Fcodex\">Codex\u003C\u002Fa> 从聊天工具改成交付引擎的工作流模板。\u003C\u002Fp>\u003Cp>我用 AI 编程工具已经有一阵子了。\u003Ca href=\"\u002Ftag\u002Fchatgpt\">ChatGPT\u003C\u002Fa>、\u003Ca href=\"\u002Ftag\u002Fgithub-copilot\">GitHub Copilot\u003C\u002Fa>、\u003Ca href=\"\u002Ftag\u002Fcursor\">Cursor\u003C\u002Fa>、Qoder、Trae，能试的我基本都试过。问题也很一致：一开始很爽，几轮对话之后就开始飘。它会给我一段看起来挺像样的代码，或者顺着我说的方向继续补，但真到要交付的时候，事情就变味了。需求边界没收住，改动散，测试没补齐，文档没更新，最后我还是得自己把所有碎片拼回一个能上线的东西。说白了，很多 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>都被我用成了“高级补全器”，不是“交付助手”。\u003C\u002Fp>\u003Cp>最烦的是，这种误用很容易让人误判工具本身。我以前也怪过模型：为什么它老是迎合我，为什么不直接指出风险，为什么不主动把任务拆开。后来我才发现，问题不全在模型，更多在我给它的工作方式。你把它当聊天机器人，它就回你聊天机器人的结果；你把它放进一个明确的交付流程，它才会开始像个干活的人。\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2055213042867106253\">这篇知乎文章\u003C\u002Fa>正好把这个问题说透了：别再盯着“生成代码片段”，要盯着“完成任务”。\u003C\u002Fp>\u003Cp>我读完之后最大的感觉不是“哦，原来还能这样”，而是“对，我之前就是卡在这儿”。它不是在教你多会问几个 prompt，而是在逼你换一种工程组织方式。这个差别很大。前者只是让你更会聊天，后者才是真的让 AI 进入开发流程。\u003C\u002Fp>\u003Ch2>你不是缺代码，你缺的是任务闭环\u003C\u002Fh2>\u003Cblockquote>如果你已经用过 ChatGPT、GitHub Copilot、Cursor、Qoder、Trae 或其他 AI 编程工具，但仍然觉得它们停留在“给代码片段”的层面，这本书会帮你把使用方式升级到“交付任务”的层面。\u003C\u002Fblockquote>\u003Cp>这句话我很认同。它其实把问题切得很准：大多数人对 AI 编程的期待，还停留在“帮我写点东西”。但真正麻烦的地方，从来不是那几行代码，而是从需求到上线之间那一整串脏活累活。拆需求、定边界、补测试、改接口、处理回归、写说明，这些才是交付。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783087396810-x78z.png\" alt=\"Codex把聊天改成交付，AI编程就顺了\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前让 AI 帮我重构一个模块，结果它直接开始改实现，改得挺快，但上下游接口全没顾上。等我回头看，发现它解决的是“代码局部”，不是“任务整体”。这就是典型的片段思维。你如果只给它一个函数，它就只会还你一个函数；你如果给它一个任务，它才有机会把上下文、约束和验收条件一起处理掉。\u003C\u002Fp>\u003Cp>这篇文章的价值就在这里：它不是在吹 AI 能写代码，而是在提醒你，交付本来就是一个系统问题。AI 真正能帮上忙的，不是把你从工程里解放出去，而是让你少做那些重复且机械的协调工作。\u003C\u002Fp>\u003Cp>怎么应用？我自己的做法是先把任务写成三层：\u003C\u002Fp>\u003Cul>\u003Cli>目标：最终要交付什么，给谁用。\u003C\u002Fli>\u003Cli>约束：不能碰什么，必须兼容什么。\u003C\u002Fli>\u003Cli>验收：什么算完成，怎么检查。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这三层一清楚，AI 才不会一上来就乱写。你也会少掉很多“它怎么又猜错了”的火气。\u003C\u002Fp>\u003Ch2>别让 AI 直接写，先让它把问题拆开\u003C\u002Fh2>\u003Cp>我最不喜欢的用法，就是一上来扔一句“帮我实现这个功能”。这类 prompt 看着省事，实际上最浪费时间。因为你把最难的部分，也就是问题定义，直接跳过去了。AI 当然会补，但它补出来的往往是你没想清楚的那一版。\u003C\u002Fp>\u003Cp>文章的核心思路之一，是把 AI 放到任务分解的位置上，而不是只放到实现位置上。也就是说，先让它帮你明确输入、输出、依赖、风险和顺序，再进入编码。这个顺序一变，结果就会完全不同。它不再只是写代码，而是在帮你把“该做什么”这件事先定住。\u003C\u002Fp>\u003Cp>我自己碰到过一个特别典型的场景：做一个接口改造，表面上只是换一个字段名。但如果直接让 AI 改代码，它会很快给你一堆替换结果。问题是，这个字段在多个服务里都有兼容逻辑，测试数据也要同步调整，前端还会受影响。后来我改成先让 AI 输出任务拆解，它反而能把这些依赖点列得更完整。虽然不是百分百准确，但至少不会一头扎进实现细节里。\u003C\u002Fp>\u003Cp>这一步的实战写法很简单：\u003C\u002Fp>\u003Cul>\u003Cli>先让 AI 复述任务，确认它理解的是不是同一件事。\u003C\u002Fli>\u003Cli>再让它列出依赖、风险、边界条件。\u003C\u002Fli>\u003Cli>最后才让它给实现方案。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你会发现，很多“AI 不够聪明”的问题，其实是你没先让它把问题说清楚。\u003C\u002Fp>\u003Ch2>交付不是写完就算，验收才是分水岭\u003C\u002Fh2>\u003Cp>这篇文章让我最有共鸣的一点，是它把“交付”当成核心，而不是“写出代码”当成核心。这个差别太大了。写出代码只是中间动作，交付才是结果。没有验收标准，AI 产出的东西再多也只是草稿。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783087397898-khze.png\" alt=\"Codex把聊天改成交付，AI编程就顺了\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前特别容易掉进一个坑：看到 AI 很快给出了一个可运行版本，就默认事情差不多了。结果一跑测试，边界条件炸了；再一看日志，异常处理也不完整；再一查文档，接口说明根本没更新。最后我做的事情不是用 AI 省时间，而是把 AI 生成的东西再人工修一遍。那种感觉很像“我本来想省力，结果给自己找了个实习生还得带”。\u003C\u002Fp>\u003Cp>所以我现在会把验收条件写得很硬。比如不是“实现登录功能”，而是“支持邮箱登录、失败提示一致、单元测试覆盖核心分支、文档补齐、回滚方案明确”。这样 AI 才知道任务不是写一段逻辑，而是交一份可用的结果。\u003C\u002Fp>\u003Cp>如果你想把这套方法落地，我建议你每次都要求 AI 输出这四样东西：\u003C\u002Fp>\u003Cul>\u003Cli>实现清单\u003C\u002Fli>\u003Cli>测试清单\u003C\u002Fli>\u003Cli>风险清单\u003C\u002Fli>\u003Cli>验收清单\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这四个清单一出来，你就能很快看出它是在做“交付”，还是只是在做“生成”。\u003C\u002Fp>\u003Ch2>别把 AI 当同事聊天，把它当能被约束的执行器\u003C\u002Fh2>\u003Cp>很多人用 AI 编程，语气特别像在和一个很聪明的同事闲聊。问题是，闲聊式协作最容易丢边界。你说一句，它接一句；你改一点，它跟一点。看起来很配合，实际上没有约束。最后产物东一块西一块，全靠你收尾。\u003C\u002Fp>\u003Cp>这篇文章的思路更接近“把 AI 变成一个受约束的执行器”。不是让它自由发挥，而是给它明确角色、输入格式、输出格式和禁止项。说得直白点，AI 不是来表达创意的，至少在大多数工程任务里不是。它是来按规则干活的。\u003C\u002Fp>\u003Cp>我自己最常用的方式，是把任务拆成“角色 + 目标 + 约束 + 输出格式”。比如：你是后端工程师，你要修改某个接口，你不能改数据库结构，你必须保留旧字段兼容，你的输出必须包含代码、测试和变更说明。这样一来，AI 的输出会稳定很多。你不是在赌它这次会不会理解你，而是在逼它按格式交付。\u003C\u002Fp>\u003Cp>这里有个很现实的小技巧：输出格式越具体，返工越少。你让它“详细说明”，它就会写一堆空话；你让它“按表格列出改动、风险、测试点”，它就会开始像个干活的人。\u003C\u002Fp>\u003Cp>我建议你至少固定一个输出模板，别每次都临时发挥。临时发挥最耗脑子，而且很容易把 AI 带歪。\u003C\u002Fp>\u003Ch2>真正值钱的不是生成，是把上下文管住\u003C\u002Fh2>\u003Cp>很多人把 AI 编程的难点理解成“怎么让模型写得更好”。我现在越来越觉得，难点其实是“怎么把上下文管住”。上下文一乱，模型再强也会跑偏。上下文一稳，哪怕模型一般，也能干出能用的活。\u003C\u002Fp>\u003Cp>文章里虽然没有把这件事写成术语，但它的意思很明显：从片段到交付，靠的不是更花哨的问法，而是更完整的任务信息。你得让 AI 知道项目背景、代码边界、历史包袱、兼容要求、验收方式。少一个，它就可能在你没注意的地方乱改。\u003C\u002Fp>\u003Cp>我之前做过一次老系统升级，最头疼的不是新逻辑，而是旧逻辑太多，任何一个改动都可能牵一发动全身。那时候如果直接让 AI 写代码，结果一定惨。后来我先把上下文整理成一页说明，再让 AI 基于说明去提方案，效果立刻不一样。它开始会问我哪些模块不能动，哪些接口要保留，哪些测试要补，这就说明它终于开始理解“交付环境”了。\u003C\u002Fp>\u003Cp>你可以这么做：\u003C\u002Fp>\u003Cul>\u003Cli>把项目背景写成固定摘要，别每次口头补充。\u003C\u002Fli>\u003Cli>把不可变约束列成黑名单。\u003C\u002Fli>\u003Cli>把常见上下文放进可复用模板。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这不是麻烦，这是省事。上下文整理一次，后面每次都能复用。你越懒得整理，后面返工越多。\u003C\u002Fp>\u003Ch2>最实用的用法，是让 AI 先写计划，再写代码\u003C\u002Fh2>\u003Cp>我现在最讨厌的一种 AI 用法，就是直接进入编码。不是不能写，而是太早写。很多任务在没想清楚前，写得越快，返工越重。先计划，再实现，往往才是省时间的路。\u003C\u002Fp>\u003Cp>这篇文章的底层逻辑，其实也是这个顺序：先把任务从“想法”变成“可执行步骤”，再让 AI 去执行。这样你就不会被它的输出节奏带跑。你手里有计划，AI 只是帮你加速。\u003C\u002Fp>\u003Cp>我一般会让 AI 先输出三段内容：实施步骤、风险点、待确认问题。这个顺序很有用。步骤让我知道它有没有理解任务路径，风险点让我知道它有没有意识到坑，待确认问题则能逼出我自己没说明白的地方。很多时候，AI 问出来的问题，比它写出来的代码更值钱。\u003C\u002Fp>\u003Cp>如果你是技术负责人或者架构师，这一招尤其有用。因为你真正要管的不是某一段代码，而是团队怎么稳定地把事情做完。AI 在这里不是替代开发者，而是帮你把计划、执行和验收串起来。\u003C\u002Fp>\u003Cp>我会建议你把“计划优先”做成固定习惯：\u003C\u002Fp>\u003Cul>\u003Cli>先要方案，不要代码。\u003C\u002Fli>\u003Cli>先要风险，不要乐观答案。\u003C\u002Fli>\u003Cli>先要验收标准，不要模糊结果。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你一旦习惯这个顺序，AI 编程就会从“陪聊”变成“干活”。\u003C\u002Fp>\u003Ch2>这篇文章真正想推的，是一套交付心智\u003C\u002Fh2>\u003Cp>我读完之后的结论很简单：这不是在教你怎么更会用 Codex，而是在逼你换脑子。AI 编程最难的地方，从来不是让模型吐出代码，而是让它参与交付。交付意味着任务边界、过程控制、结果验收、风险管理，这些都得进来。\u003C\u002Fp>\u003Cp>如果你只把 AI 当灵感工具，它就只能给你灵感碎片。如果你把它放进工程流程，它才会开始像一个有用的执行层。这个差别，我踩过太多坑才明白。现在我更愿意把 AI 看成“可编排的工程能力”，而不是“会说话的代码搜索框”。\u003C\u002Fp>\u003Cp>所以我现在不会再问“你能不能帮我写这个函数”，我会问“你能不能把这个任务拆成可交付的步骤，并按验收标准完成”。这句话一改，整个使用方式都变了。\u003C\u002Fp>\u003Ch2>你可以直接复制的工作流模板\u003C\u002Fh2>\u003Cpre>\u003Ccode>## AI 编程交付模板（适合 Codex \u002F Cursor \u002F ChatGPT \u002F Copilot \u002F Qoder \u002F Trae）\n\n### 1) 任务描述\n- 目标：\n- 背景：\n- 用户影响：\n- 现状问题：\n\n### 2) 约束条件\n- 不能修改：\n- 必须兼容：\n- 性能要求：\n- 安全要求：\n- 代码风格 \u002F 项目规范：\n\n### 3) 让 AI 先做任务拆解\n请先不要写代码，先输出：\n1. 你理解的任务目标\n2. 任务拆解步骤\n3. 依赖项\n4. 风险点\n5. 需要我确认的问题\n6. 建议的实现顺序\n\n### 4) 让 AI 输出实施计划\n请基于上面的信息，输出一份实施计划，要求包含：\n- 变更范围\n- 文件列表\n- 接口影响\n- 测试策略\n- 回滚方案\n- 验收标准\n\n### 5) 再让 AI 写代码\n请按以下格式输出：\n- 先给修改说明\n- 再给代码\n- 再给测试用例\n- 再给需要同步修改的文档\n\n### 6) 验收清单\n- 功能是否完整\n- 边界条件是否覆盖\n- 是否破坏现有兼容性\n- 是否补齐测试\n- 是否更新文档\n- 是否给出回滚方案\n\n### 7) 返工规则\n如果信息不足，请先提问，不要猜。\n如果存在多种实现方案，请先对比，再给推荐方案。\n如果改动会影响其他模块，请先列出影响面。\n\n### 8) 可直接粘贴给 AI 的提示词\n你是一个资深工程师。请把我给你的任务当成交付任务，而不是代码片段任务。\n先输出任务拆解、风险、依赖、验收标准，再给实施计划，最后再写代码。\n如果信息不足，先提问，不要猜。\n输出必须包含：\n- 任务理解\n- 拆解步骤\n- 风险点\n- 实施计划\n- 测试建议\n- 验收标准\n- 代码与说明\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>这套模板的重点不是“更会问”，而是“更会控”。你把任务、约束、验收都写进去，AI 的输出质量通常会稳定很多。别指望它自己懂流程，流程得你给。\u003C\u002Fp>\u003Cp>我建议你先拿一个小任务试这个模板，比如改一个接口、补一个测试、整理一段文档。别一上来就拿最复杂的项目开刀。你先把小任务跑顺，再慢慢把这套方式推广到更大的交付里。\u003C\u002Fp>\u003Cp>原文来自知乎专栏文章 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2055213042867106253\">《别再把 Codex 当聊天机器人用了：AI 编程真正难的，是交付》\u003C\u002Fa>，我这里做的是基于原观点的拆解和可复制化整理，不是原文复刻。文中提到的工具包括 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Fcodex\u002F\">Codex\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fchatgpt.com\u002F\">ChatGPT\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffeatures\u002Fcopilot\">GitHub Copilot\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fcursor.com\u002F\">Cursor\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fqoder.com\u002F\">Qoder\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Ftrae.ai\u002F\">Trae\u003C\u002Fa>。\u003C\u002Fp>","把 Codex 从聊天工具改成交付引擎：我拆了这篇知乎文的工作流、分工和可复制模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2055213042867106253",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783087396810-x78z.png","tools","en","5de8c9bb-60f5-40f5-93a1-23f524010620",[17,18,19,20,21],"Codex","AI编程","交付","工作流","prompt模板",[23,24,25],"AI 编程的核心不是写代码，而是把任务交付完整。","先拆解、再计划、最后写代码，能显著减少返工。","把约束和验收标准写进 prompt，模型输出会更稳定。",0,"2026-07-03T14:02:50.828778+00:00","2026-07-03T14:02:50.823+00:00","0c42cb32-a243-4a33-92ed-0549a19cbd89",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":17,"slug":33},"codex",{"id":15,"slug":35,"title":36,"language":37},"codex-chat-to-delivery-ai-coding-zh","Codex把聊天改成交付","zh",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"fa7e59ac-8216-4826-84a1-3ae5a7fc4f57","gpu-vram-needed-llm-fine-tuning-2026-en","GPU VRAM Needed for LLM Fine-Tuning in 2026","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783128777001-pdg7.png","2026-07-04T01:32:34.039474+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"f8c5ce9b-047c-42ee-bc74-66efa81c4177","claude-sonnet-5-shangshou-bushu-yu-pinggu-en","Claude Sonnet 5 上手部署与评估","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783125166441-691z.png","2026-07-04T00:32:19.725711+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"2a5524ae-8c50-4c55-98fc-d03da56148c8","mistral-ocr-4-prices-document-ai-enterprise-en","Mistral OCR 4 Prices Document AI for Enterprise","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783022585301-dy6x.png","2026-07-02T20:02:35.122567+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"f838287c-f8af-4ec4-a878-f3b6c79ed23d","cloudflare-policy-turns-crawlers-into-paid-access-en","Cloudflare’s policy turns crawlers into paid access","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782981207478-nb6c.png","2026-07-02T08:32:58.201611+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"a949ff81-eb00-4efe-9939-15e793b3dc0a","visual-studio-copilot-ide-workflow-en","Visual Studio turns Copilot into an IDE workflow","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782957804065-u2vz.png","2026-07-02T02:02:51.524367+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"610d3dfe-c451-42a0-a51a-adbee93932f5","databricks-ai-gateway-inference-tables-served-models-en","Databricks adds AI Gateway inference tables for served models","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782939767961-3jwr.png","2026-07-01T21:02:21.075884+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"8008f1a9-7a00-4bad-88c9-3eedc9c6b4b1","surepath-ai-mcp-policy-controls-en","SurePath AI's New MCP Policy Controls Enhance AI Security","2026-03-26T01:26:52.222015+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"27e39a8f-b65d-4f7b-a875-859e2b210156","mcp-standard-ai-tools-2026-en","MCP Standard in 2026: Integrating AI Tools","2026-03-26T01:27:43.127519+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"165f9a19-c92d-46ba-b3f0-7125f662921d","rag-2026-transforming-enterprise-ai-en","How RAG in 2026 is Transforming Enterprise AI","2026-03-26T01:28:11.485236+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"6a2a8e6e-b956-49d8-be12-cc47bdc132b2","mastering-ai-prompts-2026-guide-en","Mastering AI Prompts: A 2026 Guide for Developers","2026-03-26T01:29:07.835148+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"3ab2c67e-4664-4c67-a013-687a2f605814","garry-tan-open-sources-claude-code-toolkit-en","Garry Tan Open-Sources a Claude Code Toolkit","2026-03-26T08:26:20.245934+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"66a7cbf8-7e76-41d4-9bbf-eaca9761bf69","github-ai-projects-to-watch-in-2026-en","20 GitHub AI Projects to Watch in 2026","2026-03-26T08:28:09.752027+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"9f332fda-eace-448a-a292-2283951eee71","practical-github-guide-learning-ml-2026-en","A Practical GitHub Guide to Learning ML in 2026","2026-03-27T01:16:50.125678+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"1b1f637d-0f4d-42bd-974b-07b53829144d","aiml-2026-student-ai-ml-lab-repo-review-en","AIML-2026 Is a Bare-Bones Student Lab Repo","2026-03-27T01:21:51.661231+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"6d1bf3f6-e191-4d30-b55b-8a0722fa6afe","ai-trending-github-repos-and-research-feeds-en","AI Trending Tracks Repos and Research Feeds","2026-03-27T01:31:35.709532+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"010539a1-4c3a-4bd3-937a-26616422ee0d","awesome-ai-for-science-research-tools-map-en","Awesome AI for Science Is Becoming a Real Research Map","2026-03-27T01:46:50.89513+00:00"]