[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ai-security-capability-template-zh":3,"article-related-ai-security-capability-template-zh":30,"series-industry-28295ef3-6120-43b5-98d2-7cf4688b34a5":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},"28295ef3-6120-43b5-98d2-7cf4688b34a5","ai-security-capability-template-zh","把 AI 安全能力做成模板","\u003Cp data-speakable=\"summary\">我把周鸿祎 ISC 的 AI 安全思路\u003Ca href=\"\u002Fnews\u002Fcodex-app-april-upgrade-agent-work-units-zh\">拆成\u003C\u002Fa>了一份可直接改的能力模板。\u003C\u002Fp>\u003Cp>我盯着这类「AI 安全能力」方案看了很久，越看越别扭。很多团队一上来就说要做「安全大模型」「安全智能体」「AI 赋能防护」，听起来都挺猛，落到实际却经常是两张皮：一边是模型演示，一边是安全运营，彼此根本接不上。模型能聊，安全团队能干活，但它们不像同一个系统。最烦的是，大家还会把「能发现漏洞」直接等同于「能防住风险」，这中间差着十万八千里。你让模型会找问题，不等于它知道什么时候该停、该报、该复核、该隔离。\u003C\u002Fp>\u003Cp>我后来开始关注周鸿祎在 ISC 里提的「倚天屠龙」AI 安全能力，才发现这套东西真正有意思的地方，不是口号，而是它试图把「AI 能理解安全」这件事，变成「AI 能参与安全生产」。这条线和 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">Anthropic\u003C\u002Fa> 做 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-3-5-sonnet\" target=\"_blank\" rel=\"noopener noreferrer\">Claude 3.5 Sonnet\u003C\u002Fa> 时强调代码理解、漏洞分析的路径很像，但目标不一样。前者更像能力演化，后者更像落地打法。\u003C\u002Fp>\u003Cp>我下面不是复述新闻，我是把这套思路拆开，告诉你为什么它成立，哪里容易翻车，以及你怎么把它改成自己团队能用的模板。原始触发点来自这篇知乎专栏：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457\" target=\"_blank\" rel=\"noopener noreferrer\">周鸿祎ISC发布“倚天屠龙”AI安全能力，打造中国版Mythos应对网络安全新挑战\u003C\u002Fa>。我第一次看到它时，最想抠的不是标题，而是那条逻辑链：先让模型理解代码和漏洞，再让它参与安全判断，最后把能力沉到场景里。\u003C\u002Fp>\u003Ch2>先别急着做「安全大模型」，先做会判别的模型\u003C\u002Fh2>\u003Cblockquote>Anthropic 训练 Mythos 的本意，并不是为了打击网络安全行业。它最初的目标很简单，就是让 AI 帮程序员写代码、改代码、维护代码、理解代码。\u003C\u002Fblockquote>\u003Cp>翻译一下就是：一开始别把目标定成「替代安全团队」，那基本是给自己挖坑。先把模型训练成能看懂代码、看懂规则、看懂上下文的判别器，才有后面的安全动作。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691411752-zxee.png\" alt=\"把 AI 安全能力做成模板\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我见过太多安全 AI 项目，一上来就想做「全能助手」，结果什么都能说一点，什么都不敢拍板。安全场景和普通问答不一样，你不是在回答「这是什么」，而是在回答「这是不是问题」「问题有多大」「该不该现在处理」。如果模型连边界都分不清，它就只是在\u003Ca href=\"\u002Fnews\u002Fkrea-2-two-second-image-generation-teams-zh\">生成\u003C\u002Fa>漂亮废话。\u003C\u002Fp>\u003Cp>\u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 的路径其实很务实。先从代码这个大模型最强的应用场景切进去，因为代码天然结构化，语义明确，反馈也更容易闭环。你让模型理解函数、依赖、调用链、异常处理、权限边界，它就开始具备「判别能力」。这一步很枯燥，但没有这一步，后面所有「安全智能」都只是 PPT。\u003C\u002Fp>\u003Cp>我自己在做安全规则辅助时也踩过这个坑。早期我总想让模型直接给结论，后来发现不行。它必须先学会把输入拆成几个维度：资产、行为、上下文、历史、风险等级。拆不开，就只能瞎猜。安全不是语气问题，是证据问题。\u003C\u002Fp>\u003Cp>怎么应用？我建议你把第一阶段目标写成三件事：\u003C\u002Fp>\u003Cul>\u003Cli>让模型识别对象：代码、配置、告警、日志、策略、工单。\u003C\u002Fli>\u003Cli>让模型识别关系：谁调用了谁，谁改了谁，谁触发了谁。\u003C\u002Fli>\u003Cli>让模型识别异常：和基线相比哪里不一样，差异是不是危险。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果这三件事做不稳，别急着上「自动响应」。先把判别做准，才有资格谈自动化。你要的是安全判断，不是聊天机器人装懂。\u003C\u002Fp>\u003Ch2>漏洞不是副产品，漏洞会被规模化放大\u003C\u002Fh2>\u003Cp>文章里有个数字很扎眼：人类写代码每千行大概有 4 到 6 个漏洞，而 AI 的产能是人类几十倍，漏洞也会跟着放大几十倍。这个说法我不会把它当成精确统计，但它提醒的事情很直接：当生产速度暴涨，安全债务也会一起暴涨。\u003C\u002Fp>\u003Cp>翻译一下就是：AI 不是把问题消灭了，它只是把问题的生产速度也一起拉满了。你以前一个月修十个坑，现在一天能产出一百个坑，表面上是效率高了，实际上是风险堆积更快了。\u003C\u002Fp>\u003Cp>我很讨厌那种「先上线再说」的 AI 叙事。因为在安全领域，先上线再说通常意味着「先把锅埋好」。如果模型生成代码、生成策略、生成配置，结果没人审、没人测、没人回滚，那不是智能化，那是批量制造事故。\u003C\u002Fp>\u003Cp>这里最关键的不是「AI 会不会写错」，而是「AI 写错以后，你有没有办法及时发现」。这就是为什么安全能力不能只停在发现漏洞，还要覆盖验证、分级、修复建议和复核流程。模型如果只会报问题，不会说明证据，不会给最小修复路径，不会告诉你影响面，那它对生产系统没什么帮助。\u003C\u002Fp>\u003Cp>我建议你把风险拆成四层：\u003C\u002Fp>\u003Cul>\u003Cli>生成风险：模型产出的代码、规则、策略本身有问题。\u003C\u002Fli>\u003Cli>传播风险：错误内容被复制到更多系统里。\u003C\u002Fli>\u003Cli>执行风险：错误被直接部署或自动执行。\u003C\u002Fli>\u003Cli>治理风险：团队不知道谁批准的、谁改的、谁回滚的。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这四层里，很多团队只盯着第一层，结果后面三层把前面的努力全冲掉了。你要做 AI 安全能力，必须把「生成」当作起点，\u003Ca href=\"\u002Fnews\u002Fopenclaw-openai-realtime-paid-api-not-subscription-perk-zh\">而不是\u003C\u002Fa>终点。\u003C\u002Fp>\u003Ch2>真正值钱的不是找洞，是把洞变成可处理的证据\u003C\u002Fh2>\u003Cp>Anthropic 这条线最有意思的地方，在于模型理解代码逻辑之后，不只是会分析漏洞，还会进一步学会生成攻击代码。这个结论听上去吓人，但从工程角度看并不意外。模型一旦真的理解了系统，它就不只是知道「哪里可能出问题」，还会知道「怎么证明它有问题」。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691416061-tm1f.png\" alt=\"把 AI 安全能力做成模板\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻译一下就是：安全能力的高级形态，不是「提醒你有风险」，而是「给你一份能复现、能验证、能复核的证据包」。\u003C\u002Fp>\u003Cp>我在安全运营里最怕一种告警：说得很严重，但你没法复现。这样的东西最消耗团队。分析师得反复追问，研发得反复解释，最后大家都烦。模型如果能把漏洞位置、触发条件、影响范围、复现步骤、修复建议一起给出来，它才算真正帮上忙。\u003C\u002Fp>\u003Cp>但这里也有边界。模型能生成攻击思路，不代表你要把它开放成「自动攻击器」。这条线必须卡得很死。你需要的是验证能力，不是武器化能力。把它理解成「红队辅助」更合适：帮助你在授权环境里复现问题、评估暴露面、生成测试样例，而不是让它自由发挥。\u003C\u002Fp>\u003Cp>怎么落地？我建议每条安全结论都强制附带这五项：\u003C\u002Fp>\u003Cul>\u003Cli>证据来源：日志、代码片段、配置项、调用链。\u003C\u002Fli>\u003Cli>触发条件：什么输入、什么状态、什么权限下会出问题。\u003C\u002Fli>\u003Cli>影响范围：单点、横向、持久化、数据泄露、权限提升。\u003C\u002Fli>\u003Cli>复现方式：最小步骤，不要长篇大论。\u003C\u002Fli>\u003Cli>修复建议：优先级、回滚方式、验证方法。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>没有这五项，结论就别急着进工单，更别急着自动执行。先把证据做扎实，后面才有治理空间。\u003C\u002Fp>\u003Ch2>「中国版 Mythos」这类说法，重点不在名字，在场景\u003C\u002Fh2>\u003Cp>标题里提到「打造中国版 Mythos」，我不太在意这个命名本身。名字很容易让人跑偏，最后讨论成「像不像」「是不是对标」「算不算国产替代」。这些都不重要。重要的是，你有没有把模型能力塞进中国企业真实的安全场景里。\u003C\u002Fp>\u003Cp>翻译一下就是：别拿国外模型能力的抽象描述，硬套到国内安全团队的工作流里。你得看的是资产结构、合规要求、告警密度、审批链路、部署环境和人力配置。\u003C\u002Fp>\u003Cp>中国企业做安全，常见问题不是「没有模型」，而是「流程太碎」。安全团队、研发团队、运维团队、合规团队各管一段，数据也散，权限也散，责任也散。模型如果不能跨这些边界工作，它就只会停留在某个孤岛里。\u003C\u002Fp>\u003Cp>我见过最实用的做法不是直接做一个「大安全脑」，而是把模型嵌进几个固定动作里：\u003C\u002Fp>\u003Cul>\u003Cli>告警去重和归并。\u003C\u002Fli>\u003Cli>漏洞优先级排序。\u003C\u002Fli>\u003Cli>配置变更审查。\u003C\u002Fli>\u003Cli>工单自动补全。\u003C\u002Fli>\u003Cli>红队演练复盘。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这些动作都不性感，但特别值钱。因为它们直接影响安全团队每天花多少时间在低价值重复劳动上。模型只要能把这些动作做快一点、准一点、少一点误报，价值就出来了。\u003C\u002Fp>\u003Cp>我自己的经验是，安全 AI 的落地不要从「最难的攻击检测」开始，先从「最烦的人工整理」开始。先让模型帮你整理、归并、解释、补全，再逐步上判断和建议。这样团队更容易接受，也更容易验证效果。\u003C\u002Fp>\u003Ch2>别把「会做攻击」误读成「应该做攻击」\u003C\u002Fh2>\u003Cp>文章里最容易引起误读的点，就是模型在理解代码后，可能学会自动编写攻击代码。这个现象本身说明模型真的学到了系统结构，但产品设计上，你不能顺着这条路一路滑下去。\u003C\u002Fp>\u003Cp>翻译一下就是：能力上限可以很高，产品权限必须很低。模型可以知道怎么打，但默认不该让它打。模型可以模拟攻击，但必须在授权、隔离、审计的环境里做。\u003C\u002Fp>\u003Cp>我特别反感那种为了炫技，故意把模型包装成「自动渗透神器」的做法。那种东西短期很吸睛，长期就是给自己和客户找麻烦。真正靠谱的安全能力，应该把危险能力关在笼子里，只在受控场景中使用。\u003C\u002Fp>\u003Cp>你可以把这件事拆成三个层级：\u003C\u002Fp>\u003Cul>\u003Cli>公开层：只做风险解释、策略建议、结果摘要。\u003C\u002Fli>\u003Cli>受控层：在授权环境里做复现、验证、演练。\u003C\u002Fli>\u003Cli>隔离层：攻击样例、利用链、敏感 payload 严格限制访问。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这个分层很重要。很多团队一开始没做边界，后来一旦接入自动化，就会出现「谁都能点、谁都能跑、谁都不知道跑了什么」的局面。安全系统最怕这个。\u003C\u002Fp>\u003Cp>如果你真要做类似能力，我建议把「攻击」这个词从产品文档里尽量换成「验证」「复现」「演练」。不是玩文字游戏，而是帮团队把目标钉在防御上。你要的是减少真实风险，不是制造新的风险。\u003C\u002Fp>\u003Ch2>我会怎么把这套思路改成团队能用的方案\u003C\u002Fh2>\u003Cp>如果是我来做，我不会先画一个特别大的架构图。我会先定一个很小的闭环：输入什么、模型判断什么、输出什么、人怎么审、系统怎么记、结果怎么回流。没有闭环，再好的模型也只是演示机。\u003C\u002Fp>\u003Cp>翻译一下就是：先做一个能跑通的安全工作流，再谈平台化。别一上来就想把所有安全能力都塞进一个入口。\u003C\u002Fp>\u003Cp>我会优先做这五件事：\u003C\u002Fp>\u003Cul>\u003Cli>统一输入：代码、日志、告警、配置、工单，先标准化。\u003C\u002Fli>\u003Cli>统一输出：风险等级、证据、建议、复核状态，格式固定。\u003C\u002Fli>\u003Cli>统一审计：每次模型判断都留痕。\u003C\u002Fli>\u003Cli>统一回流：人工修改结果要回到训练或规则库。\u003C\u002Fli>\u003Cli>统一边界：哪些能自动，哪些必须人工确认，提前写死。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这套东西看起来朴素，但它比「我们也有 AI 安全能力」这种空话强太多。因为它能真的进流程，真的被追踪，真的被复盘。\u003C\u002Fp>\u003Cp>我再说句实话，安全团队不缺「聪明点子」，缺的是稳定执行。模型最适合补的不是人的智商，而是人的耐心。它可以帮你处理重复、归并、比对、解释这些脏活累活，让人把精力放在判断和决策上。这个方向对了，AI 安全能力才算有价值。\u003C\u002Fp>\u003Ch2>你可以直接改的安全能力模板\u003C\u002Fh2>\u003Cp>下面这份模板不是新闻稿，不是概念图，是我会拿去改成内部方案的骨架。你可以直接复制，然后按自己的业务替换字段。\u003C\u002Fp>\u003Cpre>\u003Ccode># AI 安全能力模板（可直接改造版）\n\n## 1. 目标\n让模型先具备「识别、归并、解释、验证」的能力，再进入「建议、辅助处置、受控复现」的阶段。\n\n## 2. 输入\n- 代码片段 \u002F 仓库变更\n- 安全告警 \u002F 日志\n- 配置文件 \u002F 基线\n- 工单 \u002F 处置记录\n- 红队演练结果 \u002F 漏洞复现记录\n\n## 3. 模型任务\n### A. 识别\n- 识别对象：资产、接口、权限、依赖、告警类型\n- 识别关系：调用链、变更链、影响链、权限链\n- 识别异常：与基线差异、危险配置、异常行为\n\n### B. 判断\n- 风险等级：低 \u002F 中 \u002F 高 \u002F 严重\n- 证据充分度：足 \u002F 不足 \u002F 需人工复核\n- 处置建议：观察、阻断、隔离、修复、回滚\n\n### C. 验证\n- 给出最小复现步骤\n- 给出影响范围说明\n- 给出修复后验证方法\n- 在授权环境中生成测试样例\n\n## 4. 输出格式\n\n{\n  \"risk_level\": \"high\",\n  \"confidence\": 0.86,\n  \"evidence\": [\"log-1\", \"config-3\", \"diff-2\"],\n  \"impact\": \"可能导致权限提升或数据泄露\",\n  \"repro_steps\": [\"step1\", \"step2\", \"step3\"],\n  \"fix\": [\"patch A\", \"patch B\"],\n  \"review_required\": true,\n  \"audit_note\": \"需要安全负责人复核后再执行\"\n}\n\n## 5. 边界控制\n- 禁止默认执行高危动作\n- 禁止输出可直接滥用的攻击细节到公开层\n- 所有结论必须留痕\n- 所有自动化动作必须可回滚\n- 敏感样例仅限授权环境\n\n## 6. 人工介入点\n- 风险等级为高或严重时必须人工确认\n- 证据不足时必须人工补充上下文\n- 影响范围跨系统时必须升级审批\n- 修复动作涉及生产变更时必须走变更流程\n\n## 7. 回流机制\n- 人工修正结果回写规则库\n- 误报、漏报、复现失败样本进入训练集\n- 每周复盘一次输出质量和处置时延\n\n## 8. 成功指标\n- 告警归并耗时下降\n- 漏洞分级准确率提升\n- 人工复核比例下降\n- 修复闭环时间缩短\n- 高危误报率下降\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>这份模板的核心不是「模型多强」，而是「流程多清楚」。我一直觉得，真正能落地的 AI 安全能力，最后都会长得很像流程工程，而不是炫技工程。\u003C\u002Fp>\u003Cp>如果你愿意，我建议你下一步就做两件事：先选一个最烦的安全场景，比如告警归并或漏洞分级，然后把上面模板里的「输入、判断、输出、边界、回流」五块填满。别贪多。先把一个闭环跑起来，再扩第二个。\u003C\u002Fp>\u003Cp>这篇文章里最值得我记住的，不是「倚天屠龙」这个名字，而是它背后的判断：AI 安全不是把模型摆到安全旁边，而是让模型真的进入安全工作流。你要的是可控、可审、可回滚的能力，不是一个会说话的演示。\u003C\u002Fp>\u003Cp>来源说明：本文基于知乎专栏原文 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457\" target=\"_blank\" rel=\"noopener noreferrer\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457\u003C\u002Fa> 做了结构化拆解和模板化改写。原文提供了核心观点，我这里补的是工程化拆法和可复制模板。\u003C\u002Fp>","我拆解周鸿祎 ISC 的 AI 安全思路，整理成一份能直接套进团队流程的能力模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053452798159753457",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691411752-zxee.png","industry","zh","b10a08e5-814a-4434-b4cc-7f4e05caa0f6",[17,18,19,20,21],"AI安全","安全大模型","漏洞验证","安全运营","模板",[23,24,25],"先做判别能力，再谈自动响应，别一上来就做全能助手。","安全结论必须带证据、复现、影响范围、修复建议，才能进流程。","把模型嵌进告警归并、漏洞分级、工单补全这些固定动作，最容易落地。",0,"2026-06-29T00:02:57.583938+00:00","2026-06-29T00:02:57.571+00:00","caa87b65-9bbc-46fe-bba8-4f4158dd2d8b",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":17,"slug":33},"ai安全",{"id":15,"slug":35,"title":36,"language":37},"ai-security-capability-template-mythos-en","把 AI 安全能力做成可落地模板","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"4992eba1-ad65-4a3c-be00-d0a88c601a40","ai-weekly-2026-w27-zh","AI 週報：2026-06-22 ~ 2026-06-29","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782705795375-bg58.png","2026-06-29T04:00:28.727857+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"c2c63e4c-0139-445b-9f8a-9c4e79065d0b","anthropic-965b-valuation-ai-stocks-exposure-zh","Anthropic 9650億估值，公股怎麼押","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782698576604-ge3s.png","2026-06-29T02:02:28.915806+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"e3dc37dc-98f6-4ca7-b42c-7233dbfb65b3","openmontage-one-prompt-to-full-video-zh","OpenMontage：一句话拼成整条视频","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782695862246-sudj.png","2026-06-29T01:17:17.025558+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"4618bdec-2d8e-4005-ac83-1e3d6a12cfd6","anthropic-mythos-ai-access-by-permit-zh","Anthropic Mythos 把 AI 變成許可制","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782694981005-nuxw.png","2026-06-29T01:02:37.678506+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"f3ee7f58-9ef7-4846-95c3-839462c0347d","openclaw-openai-realtime-paid-api-not-subscription-perk-zh","OpenClaw 應把 OpenAI Realtime 當付費 API，而不是…","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782674270289-mop4.png","2026-06-28T19:17:24.429354+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"b90d3831-5109-404e-89a5-50c4890910ed","krea-2-two-second-image-generation-teams-zh","Krea 2 的 2 秒生成，適合團隊部署嗎","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782673366702-fv0o.png","2026-06-28T19:02:22.494136+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]