[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-amazon-rekognition-content-moderation-filter-zh":3,"article-related-amazon-rekognition-content-moderation-filter-zh":30,"series-tools-f44a28d3-2305-43de-b5fa-21217d561054":83},{"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},"f44a28d3-2305-43de-b5fa-21217d561054","amazon-rekognition-content-moderation-filter-zh","Amazon Rekognition把審核變成過濾器","\u003Cp data-speakable=\"summary\">這篇把 Rekognition 的內容審核拆成可直接複製的過濾流程。\u003C\u002Fp>\u003Cp>我碰過太多 moderation pipeline，才知道有些東西看起來很簡單，實際上根本不是。紙面上很美：跑模型、抓壞內容、把邊界案例丟給人。真的上線後就\u003Ca href=\"\u002Fnews\u002Fbook-2-turns-sneaker-drop-into-merch-zh\">變成\u003C\u002Fa>災難。上傳量一多，誤判一堆，review queue 越積越像黑洞。我看過團隊自己手刻分類器、接一堆脆弱規則，最後還是回到原本那些人工\u003Ca href=\"\u002Fnews\u002Fcodex-workspace-limits-tell-you-why-zh\">工作\u003C\u002Fa>。更慘的是，該擋的內容還是會漏進去，所謂自動化很多時候只是裝飾。\u003C\u002Fp>\u003Cp>我這次拆的是 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frekognition\u002Fcontent-moderation\u002F\">Amazon Rekognition Content Moderation\u003C\u002Fa>。\u003Ca href=\"\u002Ftag\u002Faws\">AWS\u003C\u002Fa> 想賣的不是一個單點判斷，而是一整條流程：先機器標記，再讓人處理少數真的需要判斷的案例。這個方向我認同，因為它不神奇，但很務實。大多數團隊缺的不是更炫的 AI，是把髒活收斂掉的流程。\u003C\u002Fp>\u003Cp>我還順手對照了 \u003Ca href=\"https:\u002F\u002Fdocs.aws.amazon.com\u002Frekognition\u002Flatest\u002Fdg\u002Fmoderation.html\">AWS Rekognition moderation docs\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Faugmented-ai\u002F\">Amazon Augmented AI\u003C\u002Fa>，以及 AWS 相關服務。真正值得拆的不是 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 本身，而是它要你接受的工作形狀：機器先篩、人類後判、政策規則放中間。\u003C\u002Fp>\u003Ch2>別把審核當成一個是非題\u003C\u002Fh2>\u003Cblockquote>Amazon Rekognition Content Moderation automates and streamlines your image and video moderation workflows using machine learning (ML), without requiring ML experience.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：AWS 賣的不是「這張圖安全不安全」這種二選一，而是一條可調的 moderation pipeline。這點很重要，因為很多團隊一開始就想錯。他們問的是「模型能不能告訴我這張圖能不能放行」，然後就做成 binary gate，最後再驚訝為\u003Ca href=\"\u002Fnews\u002Fnike-mcdonalds-sneaker-drop-desert-hunt-zh\">什麼\u003C\u002Fa>真實內容那麼髒、那麼模糊、那麼看情境。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517005409-bxfc.png\" alt=\"Amazon Rekognition把審核變成過濾器\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Rekognition 給你的不是單一答案，而是 labels、confidence scores，影片還有 timestamps。這個輸出形狀才有用。你可以把 policy 建在不同類別上，例如 explicit content、violence、drugs、tobacco、alcohol、hate symbols、gambling、disturbing content。不是全部塞進一個「bad」桶子。你可以做這種事：成人裸露直接擋，暴力先進 review，低 confidence 的酒精照片在某些產品情境下只標記不阻擋。\u003C\u002Fp>\u003Cp>我之前做過一個 UGC 系統，團隊很愛一條硬閾值打天下。結果超荒謬：一張正常海邊照，因為模型 confidence 跟某些危險內容接近，就被當成同等級處理。後來我們把 policy 按類別拆開，整個系統才沒那麼智障。\u003C\u002Fp>\u003Cp>實操寫法：先寫 moderation policy，再碰 API。把你在乎的類別列出來，定義每個 confidence band 要做什麼，哪些要 auto-block、哪些要 queue、哪些只記錄不動作。你如果跳過這步，Rekognition 只會變成另一個吵雜訊號。\u003C\u002Fp>\u003Cul>\u003Cli>把 labels 當 policy input，不要當最終真相。\u003C\u002Fli>\u003Cli>每個類別用不同 threshold，不要全站一把尺。\u003C\u002Fli>\u003Cli>輸出要能被 reviewer 和 ops 看懂，不然只是在製造新黑箱。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Confidence score 才是這東西真正值錢的地方\u003C\u002Fh2>\u003Cblockquote>Mark each detected label and video timestamp with confidence scores.\u003C\u002Fblockquote>\u003Cp>這句很樸素，但我覺得它才是核心。confidence score 不是附加資訊，是你能不能把 moderation 調順的分水嶺。如果只有 label，你沒辦法校準自己的業務。如果有 confidence 加 timestamp，你就能把 review 介面直接跳到出事的那一秒。\u003C\u002Fp>\u003Cp>影片尤其明顯。沒人想看 reviewer 在五分鐘影片裡拖來拖去找那一秒的爛內容。那是在浪費錢，也是在消耗 reviewer。timestamped detection 會把長片切成可處理的片段，讓人只看必要部分。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fdocs.aws.amazon.com\u002Frekognition\u002Flatest\u002Fdg\u002Fmoderation.html\">Rekognition moderation docs\u003C\u002Fa> 裡有更細的輸出格式。如果你要上 production，先看文件再假設資料長相。AWS 的 demo 很大方，edge case 常常就沒那麼爽快。\u003C\u002Fp>\u003Cp>我看過團隊把 confidence 當成宇宙真理，這真的很危險。95% 的 explicit flag 在交友 app 裡可能該直接擋；同樣 95%，放到醫療教育平台，也許就該進人審。數字有用，前提是你把它接到自己的 policy 上。\u003C\u002Fp>\u003Cp>實操寫法：做一張簡單的 scoring matrix。每個 category 定義三段：auto-allow、review、auto-block。拿歷史內容回放測試 threshold。如果你沒有標註資料，就先 shadow review，對照模型輸出和人工決策。\u003C\u002Fp>\u003Cul>\u003Cli>影片 review 要能直接跳到 timestamp。\u003C\u002Fli>\u003Cli>threshold 要按類別拆，不要全域共用。\u003C\u002Fli>\u003Cli>誤判和漏判要分開看，別混在一起算。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>人審應該是窄門，不是第二份工作\u003C\u002Fh2>\u003Cblockquote>Enable human reviewers to follow up on smaller subsets of content, and protect them from harmful content exposure by automatically flagging up to 95% of unsafe content.\u003C\u002Fblockquote>\u003Cp>這句如果在你的 workload 上真的成立，那不只是省錢而已，是在減少人每天盯垃圾內容的量。這件事我很在意，因為 reviewer fatigue 不是嘴上說說而已。人看太多爛東西，判斷會鈍，速度會慢，最後品質也會掉。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517004158-z43y.png\" alt=\"Amazon Rekognition把審核變成過濾器\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>AWS 這裡把 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Faugmented-ai\u002F\">Amazon Augmented AI\u003C\u002Fa> 拉進來，意思很清楚：不是要把 reviewer 幹掉，而是把 review 變成例外處理。這才對。人應該處理模糊地帶、政策邊界、申訴，不該拿來做大量第一層篩選。如果軟體能先做，就先做。\u003C\u002Fp>\u003Cp>我自己做過那種「模型有幫忙」的 queue，但 queue 裡還是滿滿顯而易見的垃圾。那種自動化最爛，因為它只增加複雜度，沒有減少痛苦。若 Rekognition 真的能先擋掉大多數 unsafe content，queue 才會小，人也才會做比較像人的工作。\u003C\u002Fp>\u003Cp>實操寫法：把 queue 設計成 exception path。不要每個 upload 都送審，只送低 confidence、政策敏感類別、申訴案件。再把 queue 指標打開，看 auto-decide 和 escalated 的比例。如果 escalations 太高，不是 threshold 有問題，就是你的 category 切太粗。\u003C\u002Fp>\u003Ch2>自訂規則比模型 demo 更重要\u003C\u002Fh2>\u003Cblockquote>Use a hierarchical taxonomy to create granular business rules for different geographies, target audiences, time of day, and more.\u003C\u002Fblockquote>\u003Cp>這段我很買單。模型有用，但真正讓 moderation 變成工作流的是 business rules。多地區產品不能用一把尺量全世界。某地可接受的內容，在另一地可能是限制級。成人白天能過的東西，青少年晚上就不一定行。\u003C\u002Fp>\u003Cp>hierarchical taxonomy 的好處，是你不用整條 pipeline 重寫，就能把這種亂七八糟的現實塞進去。你不再只有一張 flat 的 unsafe list，而是可以做 policy layer。這讓 product、legal、trust & safety、engineering 至少有共同語言。老實說，這通常才是最難的地方。\u003C\u002Fp>\u003Cp>AWS 一直提 geography、target audience、time of day，不是廢話。他們其實在講：moderation 本來就是情境式的。如果你的規則還分不出兒童 app 跟夜生活 app，那你的政策成熟度就還很低。\u003C\u002Fp>\u003Cp>實操寫法：把 detection 跟 policy 分開。讓 Rekognition 產生 labels，然後再映射到你自己的 policy engine。地區、年齡門檻、產品 surface、使用者狀態都放在模型外面。這樣你改政策，不用重訓模型。\u003C\u002Fp>\u003Cul>\u003Cli>每個地區或法規框架各自一層 policy。\u003C\u002Fli>\u003Cli>年齡規則和內容標籤分開管理。\u003C\u002Fli>\u003Cli>把 policy decision 存起來，之後才有 audit 依據。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>影片審核才是真正會痛的地方\u003C\u002Fh2>\u003Cblockquote>Process millions of images and videos efficiently while detecting inappropriate or unwanted content.\u003C\u002Fblockquote>\u003Cp>圖片很煩，影片更煩。每一秒都可能有不同 moderation event，如果系統抓不到問題從哪一秒開始，review 成本會爆。這也是為什麼 timestamp 和 confidence 那麼重要，它們把一大坨資料變成可處理的事件序列。\u003C\u002Fp>\u003Cp>AWS 頁面也提到社群、遊戲、電商、廣告、媒體娛樂這些場景。這些不是裝飾用案例，這些地方最容易先爆，因為 UGC 量大、影片多、使用者又很會鑽漏洞。一旦你有直播、短片、avatar、留言一起進 moderation flow，舊的人工流程通常直接死掉。\u003C\u002Fp>\u003Cp>我看過一個運動平台想用純人力審短片，完全行不通。reviewer 還沒看到，影片早就被分享、被檢舉、被吵成三個群組的戰場。唯一的出路，就是先自動過濾，再把人留給怪東西。\u003C\u002Fp>\u003Cp>實操寫法：把影片當事件流，不要當檔案。把 detection 結果連同 timestamps 存好，review 工具要能直接跳到 flagged segment。如果你是用 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fs3\u002F\">Amazon S3\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Flambda\u002F\">AWS Lambda\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fstep-functions\u002F\">AWS Step Functions\u003C\u002Fa> 串起來，moderation job 最好做成非同步，別讓上傳卡住使用者體驗。\u003C\u002Fp>\u003Ch2>真正的價值是少看垃圾，不是多一層 AI 表演\u003C\u002Fh2>\u003Cblockquote>Create cost-reliable, scalable, and repeatable cloud-based content moderation workflows without upfront commitments or expensive licenses.\u003C\u002Fblockquote>\u003Cp>這句其實是 AWS 直接對 ops 跟 finance 講話，我懂。很多 moderation 一開始是安全專案，後來變成預算黑洞。review 人力一直加，工具一直補，法務要 audit trail，產品要更快放行。大家都想要同一件事，但沒人想扛整條 pipeline。\u003C\u002Fp>\u003Cp>Rekognition 的賣點是按 image 或 video duration 計費，基礎設施有人管，不用自己先養一套 ML stack 只為了篩 UGC。對小團隊，或 moderation 只是眾多需求之一，這很有吸引力。\u003C\u002Fp>\u003Cp>但我會很小心不要把它講成「設定一次就好」。不是。你的 policy 會漂移，category 會要調，reviewer 會抓到模型看不懂的邊界案例。真正的勝利不是把人拿掉，而是把明顯垃圾擋在前面。\u003C\u002Fp>\u003Cp>實操寫法：把 moderation 當 workflow 量，不要只看 API call。追四個數字：多少自動處理、多少進人工、review 花多久、policy 改了幾次。如果這四個你都看不到，你根本不知道系統是在幫忙，還是在搬工作。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Amazon Rekognition 內容審核工作流模板\n\n## 1) Policy table\n先定義你的類別、閾值和動作。\n\n| Category | Confidence band | Action | Notes |\n|---|---:|---|---|\n| Explicit adult content | 90-100 | Auto-block | 不進人工審核 |\n| Violence | 70-100 | Queue for review | 直接跳到 timestamp |\n| Drugs | 80-100 | Queue for review | 依地區政策調整 |\n| Hate symbols | 85-100 | Auto-block | 保留 audit log |\n| Gambling | 75-100 | Review | 只在年齡限制場景啟用 |\n| Disturbing content | 70-100 | Review | 敏感 surface 優先 |\n\n## 2) Processing flow\n1. 使用者上傳圖片或影片。\n2. 存到 S3。\n3. 觸發 moderation job。\n4. 把媒體送到 Amazon Rekognition Content Moderation。\n5. 存下 labels、confidence scores、timestamps。\n6. 用自己的 policy layer 做路由。\n7. 自動放行、自動阻擋或送人審。\n8. 低 confidence 或政策敏感案例送 Amazon A2I。\n9. 記錄最終決策，供 audit 和 threshold tuning。\n\n## 3) Reviewer queue rules\n- 只送模糊案例給人。\n- 直接跳到被標記的影片時間點。\n- 能模糊就模糊，別讓 reviewer 先看見明顯有害預覽。\n- First-pass review 和 appeals 分開。\n- 追蹤每個 category 的 reviewer disagreement。\n\n## 4) Example policy logic\n\nIF category = explicit_adult AND confidence >= 90\n  THEN block\nELSE IF category = violence AND confidence >= 70\n  THEN queue_review\nELSE IF category = hate_symbol AND confidence >= 85\n  THEN block\nELSE IF confidence \u003C threshold_for_category\n  THEN allow_or_log\nELSE\n  queue_review\n\n## 5) Ops metrics to watch\n- Total uploads processed\n- % auto-allowed\n- % auto-blocked\n- % sent to human review\n- Average review time\n- Reviewer disagreement rate\n- False positive rate by category\n- False negative rate by category\n\n## 6) Minimal implementation notes\n- Detection 和 policy 分開。\n- Threshold 按 category 設。\n- 影片一定要存 timestamps。\n- 地區與年齡門檻放在模型外面。\n- 每次 policy 改動都重測 threshold。\n\n## 7) Copy-ready reviewer brief\n我們會自動掃描上傳的圖片與影片，找出不安全內容。\n只有模糊或政策敏感的案例才會進人工審核。\nReviewer 請根據標記的 label、confidence score 和 timestamp 做最終判斷。\n所有最終決策都必須記錄，供 audit 與 tuning 使用。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我會先抄的版本。它不花俏，因為 moderation 本來就不該花俏。你越少把自訂邏輯埋進工具裡，之後要調整就越不痛。\u003C\u002Fp>\u003Cp>如果你想走 AWS 原生路線，基本組合就是 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frekognition\u002F\">Amazon Rekognition\u003C\u002Fa> 做 detection、\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Faugmented-ai\u002F\">Amazon A2I\u003C\u002Fa> 做 human review，再加上你自己的 policy layer 做 routing。若你真的需要超出內建分類的客製 moderation，再看 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frekognition\u002Fcustom-labels\u002F\">Amazon Rekognition Custom Labels\u003C\u002Fa>。但我會把它排在後面，先把 built-in taxonomy 用乾淨再說。\u003C\u002Fp>\u003Cp>AWS 頁面上提到的 \u003Ca href=\"https:\u002F\u002Fwww.costar.com\u002F\">CoStar Group\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.dream11.com\u002F\">Dream11\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.smugmug.com\u002F\">SmugMug\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.zozo.com\u002F\">ZOZO Inc.\u003C\u002Fa>，其實都在講同一件事：高流量上傳、安全需求、把人留給例外。這才是重點，不是產品文案。\u003C\u002Fp>\u003Cp>來源：\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frekognition\u002Fcontent-moderation\u002F\">https:\u002F\u002Faws.amazon.com\u002Frekognition\u002Fcontent-moderation\u002F\u003C\u002Fa>。我把 AWS 的產品說法和流程重寫成\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>比較好直接抄的版本；產品能力與案例來自 AWS，流程拆解、policy framing 和模板是我整理的。\u003C\u002Fp>","拆 Amazon Rekognition Content Moderation 的審核流程，整理成可直接套用的圖片與影片過濾模板。","aws.amazon.com","https:\u002F\u002Faws.amazon.com\u002Frekognition\u002Fcontent-moderation\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517005409-bxfc.png","tools","zh","784f833a-c902-444b-80ed-7dc50efa4bf4",[17,18,19,20,21],"Amazon Rekognition","content moderation","human-in-the-loop","confidence score","AWS A2I",[23,24,25],"先寫 policy 再接模型，別把 moderation 當成單一判斷題。","confidence score 和 timestamp 才能把 review queue 變成可調流程。","把人審縮成例外路徑，讓自動化先擋掉大多數明顯垃圾。",0,"2026-06-03T20:02:57.634353+00:00","2026-06-03T20:02:57.626+00:00","62aa0d1a-7b85-428c-bf5c-e2dfc7ad294d",{"tags":31,"relatedLang":42,"relatedPosts":46},[32,34,36,38,40],{"name":17,"slug":33},"amazon-rekognition",{"name":35,"slug":19},"Human-in-the-loop",{"name":20,"slug":37},"confidence-score",{"name":21,"slug":39},"aws-a2i",{"name":18,"slug":41},"content-moderation",{"id":15,"slug":43,"title":44,"language":45},"amazon-rekognition-content-moderation-filter-en","Amazon Rekognition turns moderation into a filter","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"4bdcf208-fb80-484e-b4b6-06af035a6df1","modulate-aws-voice-chats-into-signals-zh","Modulate 用 AWS 把語音聊天做成訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780519733892-rxue.png","2026-06-03T20:48:22.697917+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"80f6f40b-3217-45e4-acff-7b2f6d261779","codex-workspace-limits-tell-you-why-zh","Codex 讓工作區限額錯誤說人話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780514293711-ltqa.png","2026-06-03T19:17:41.340056+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"daa3d568-4bc5-4f29-aa64-225928ace9b4","book-2-turns-sneaker-drop-into-merch-zh","Book 2 把球鞋發售變成周邊系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780513400116-8jeh.png","2026-06-03T19:02:49.03795+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"9c9d8493-a290-4058-bcab-dc03c05476bf","chatgpt-updates-june-2026-playbook-zh","ChatGPT 更新變成 6 月 playbook","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780503519133-jmfa.png","2026-06-03T16:18:07.006985+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"f8c7594c-a6b3-4745-acfe-8bc3b217662c","leveraging-turns-vague-business-speak-into-action-zh","Leveraging 讓你把廢話寫成行動","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780461213246-b87c.png","2026-06-03T04:32:58.759444+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"8ba4cdc4-f792-4c6b-80c3-a7e83f9f5ff1","openai-data-controls-keep-logs-tighter-zh","OpenAI 資料控管把日誌收緊","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780434194460-z15t.png","2026-06-02T21:02:50.083598+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"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":90,"slug":91,"title":92,"created_at":93},"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":95,"slug":96,"title":97,"created_at":98},"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":100,"slug":101,"title":102,"created_at":103},"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":105,"slug":106,"title":107,"created_at":108},"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":110,"slug":111,"title":112,"created_at":113},"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":115,"slug":116,"title":117,"created_at":118},"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":120,"slug":121,"title":122,"created_at":123},"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":125,"slug":126,"title":127,"created_at":128},"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":130,"slug":131,"title":132,"created_at":133},"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"]