[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-aws-bedrock-knowledge-bases-rag-zh":3,"article-related-aws-bedrock-knowledge-bases-rag-zh":32,"series-tools-ca4809be-9913-404d-aea5-53bb3b41c786":86},{"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":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":11},"ca4809be-9913-404d-aea5-53bb3b41c786","aws-bedrock-knowledge-bases-rag-zh","AWS Bedrock Knowledge Bases 怎麼簡化 RAG","\u003Cp data-speakable=\"summary\">AWS Bedrock Knowledge Bases 把 \u003Ca href=\"\u002Fnews\u002Fhow-to-build-a-rag-pipeline-in-5-steps-zh\">RAG\u003C\u002Fa> 的擷取、向量庫、重排序和引用整合成託管服務，讓團隊更快把企業內部資料接進 AI 應用。\u003C\u002Fp>\u003Cp>說真的，這東西就是在救工程師的時間。AWS 把原本要自己串的流程，包成一個服務。你不用先搞 chunking、embeddings、向量資料庫、引用追蹤，再來才開始測答案品質。\u003C\u002Fp>\u003Cp>這次 AWS 直接把 \u003Ca href=\"\u002Fnews\u002Fwhat-rag-is-and-why-it-matters-zh\">RAG\u003C\u002Fa> 的麻煩事收進 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock\u003C\u002Fa>。它主打讓模型讀懂公司內部資料，還能附上來源。對台灣很多做\u003Ca href=\"\u002Ftag\u002F企業軟體\">企業軟體\u003C\u002Fa>的人來說，這種設計很實際。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>能力\u003C\u002Fth>\u003Cth>AWS 說法\u003C\u002Fth>\u003Cth>意義\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>工作流程\u003C\u002Ftd>\u003Ctd>端到端 RAG\u003C\u002Ftd>\u003Ctd>擷取、檢索、提示擴充集中在同一服務\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>資料來源\u003C\u002Ftd>\u003Ctd>S3、Confluence、Salesforce、SharePoint、Web Crawler 預覽\u003C\u002Ftd>\u003Ctd>企業常見系統可直接接入\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>向量儲存\u003C\u002Ftd>\u003Ctd>Aurora、OpenSearch Serverless、Neptune Analytics、MongoDB、Pinecone、Redis Enterprise Cloud\u003C\u002Ftd>\u003Ctd>可沿用既有儲存選項\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>檢索 API\u003C\u002Ftd>\u003Ctd>Retrieve 與 RetrieveAndGenerate\u003C\u002Ftd>\u003Ctd>可先看結果，再直接產生回答\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>來源標註\u003C\u002Ftd>\u003Ctd>附 citations\u003C\u002Ftd>\u003Ctd>使用者知道答案從哪來\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>AWS 到底交付了什麼\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock Knowledge Bases\u003C\u002Fa> 是 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock\u003C\u002Fa> 裡的託管 \u003Ca href=\"\u002Ftag\u002Frag\">RAG\u003C\u002Fa> 功能。AWS 說，它可以接 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fs3\u002F\" target=\"_blank\" rel=\"noopener\">Amazon S3\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.atlassian.com\u002Fsoftware\u002Fconfluence\" target=\"_blank\" rel=\"noopener\">Confluence\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.salesforce.com\u002F\" target=\"_blank\" rel=\"noopener\">Salesforce\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fmicrosoft-365\u002Fsharepoint\u002Fcollaboration\" target=\"_blank\" rel=\"noopener\">SharePoint\u003C\u002Fa>。另外，\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F\" target=\"_blank\" rel=\"noopener\">Web Crawler\u003C\u002Fa> 還在預覽。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777960285938-buk7.png\" alt=\"AWS Bedrock Knowledge Bases 怎麼簡化 RAG\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這很重要。很多團隊卡住，不是模型不行，是資料太亂。文件散在雲端硬碟、知識庫、CRM，還有一堆老舊系統。你要自己把這些東西接成一條資料管線，通常就先掉半條命。\u003C\u002Fp>\u003Cp>Bedrock Knowledge Bases 也支援程式化匯入。這代表你不用只靠官方支援的來源。只要你的資料能進來，就能再做切塊、向量化、存進向量庫。對資料來源很雜的公司，這點很實用。\u003C\u002Fp>\u003Cul>\u003Cli>可接常見企業系統\u003C\u002Fli>\u003Cli>可把內容轉成 embeddings\u003C\u002Fli>\u003Cli>可用 Retrieve 或 RetrieveAndGenerate\u003C\u002Fli>\u003Cli>回答會附來源引用\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>為什麼結構化資料這麼重要\u003C\u002Fh2>\u003Cp>我覺得最有料的部分，不是文件搜尋，而是結構化資料。AWS 說，它可以把自然語言轉成 SQL，直接去查資料表。這表示你不用先把資料庫內容複製到另一套系統。\u003C\u002Fp>\u003Cp>講白了，很多企業問題根本不是「找文件」。而是「查訂單」、「看庫存」、「比月份營收」。這些問題都在表格裡，不在 PDF 裡。只靠向量索引，常常會答到一半就歪掉。\u003C\u002Fp>\u003Cp>AWS 也說，某些情境甚至不用向量資料庫。你如果只是要問單一文件，或做小範圍問答，這樣就少掉一層架構。對早期驗證來說，這真的省事。\u003C\u002Fp>\u003Cp>台灣很多軟體團隊會先做內部助理。像客服知識庫、法務文件、產品規格。這些場景常常先從單一資料源開始。等需求變大，再接資料庫和多來源檢索，會比較順。\u003C\u002Fp>\u003Cul>\u003Cli>可直接查結構化資料表\u003C\u002Fli>\u003Cli>可降低資料複製成本\u003C\u002Fli>\u003Cli>小型場景可不裝向量庫\u003C\u002Fli>\u003Cli>適合先做內部問答\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>它怎麼處理亂七八糟的企業內容\u003C\u002Fh2>\u003Cp>AWS 這次也把多模態檢索放進來。它能解析文件裡的表格、圖表、圖像、音訊和影片。這不是裝飾。很多企業文件的重點，根本寫在圖上，不在段落裡。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777960291848-mshm.png\" alt=\"AWS Bedrock Knowledge Bases 怎麼簡化 RAG\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>像合約、簡報、財報、技術手冊，都很吃版面。你如果只看純文字，很多資訊會消失。AWS 提到可以用 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fdata-automation\u002F\" target=\"_blank\" rel=\"noopener\">Bedrock Data Automation\u003C\u002Fa> 或 foundation model 當 parser，這就是在處理這種情況。\u003C\u002Fp>\u003Cp>chunking 方式也比一般做法多。AWS 列出 semantic chunking、hierarchical chunking、fixed-size chunking，還有透過 Lambda 的自訂 chunking。它也說可以接 \u003Ca href=\"https:\u002F\u002Fwww.langchain.com\u002F\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.llamaindex.ai\u002F\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>。這代表它不是只想吃掉所有工具，而是把常見拼裝方式收進來。\u003C\u002Fp>\u003Cblockquote>“Retrieval augmented generation is a way to help a language model generate answers using information from outside its training data,” said \u003Ca href=\"https:\u002F\u002Fwww.amazon.science\u002Fauthor\u002Frohit-prasad\" target=\"_blank\" rel=\"noopener\">Rohit Prasad\u003C\u002Fa>, senior vice president and head scientist for \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fai\u002Fgenerative-ai\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock\u003C\u002Fa>.\u003C\u002Fblockquote>\u003Cp>這句話很直白。RAG 的核心不是模型多會講，而是能不能把外部資料接進來。你如果做過\u003Ca href=\"\u002Ftag\u002F企業-ai\">企業 AI\u003C\u002Fa>，就知道真正難的是資料對齊，不是模型聊天。\u003C\u002Fp>\u003Cp>所以 AWS 把 parser、chunker、retriever、generator 放在一起。這樣做的好處，是少掉很多手工 glue code。壞處是，你也更依賴 AWS 的做法和限制。\u003C\u002Fp>\u003Cul>\u003Cli>支援圖像、表格、音訊、影片\u003C\u002Fli>\u003Cli>支援 semantic 與 hierarchical chunking\u003C\u002Fli>\u003Cli>可用 Lambda 自訂切塊\u003C\u002Fli>\u003Cli>可接 LangChain 與 LlamaIndex\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>檢索層有什麼差別\u003C\u002Fh2>\u003Cp>Bedrock Knowledge Bases 不只是回傳幾段文字。AWS 說它還能做 reranking。這點很現實，因為檢索品質常常比模型選哪一顆更重要。\u003C\u002Fp>\u003Cp>如果檢索抓錯資料，後面再強的 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 都會亂答。很多人以為換模型就會變準，其實常常只是把同樣的錯誤講得更順。這就是 RAG 工程最煩的地方。\u003C\u002Fp>\u003Cp>另外，AWS 也把圖譜檢索放進來。若你選 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fneptune\u002Fanalytics\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Neptune Analytics\u003C\u002Fa> 當向量庫，它說可以自動建立 embeddings 和 graph，把不同來源的關聯串起來，再用 GraphRAG 做檢索。\u003C\u002Fp>\u003Cp>這種設計適合知識關聯很重的場景。像產品文件、維修手冊、內部政策、法規條文。你不只要找答案，還要知道答案跟哪幾份資料互相呼應。\u003C\u002Fp>\u003Cul>\u003Cli>Retrieve 會回傳相關結果\u003C\u002Fli>\u003Cli>RetrieveAndGenerate 直接產生回答\u003C\u002Fli>\u003Cli>可用明確或隱式 filters\u003C\u002Fli>\u003Cli>reranking 幫助排序更準\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你在做客服助理，這些差異很有感。因為客服最怕答非所問。只要引用錯一條文件，使用者就會直接翻白眼。\u003C\u002Fp>\u003Cp>所以我會把這個服務看成「少一層基礎建設」。它不是魔法。它是把幾個本來就要做的元件，打包成 AWS 幫你維運的版本。\u003C\u002Fp>\u003Ch2>跟自己架 RAG 有什麼差別\u003C\u002Fh2>\u003Cp>自己架 RAG 的好處，是控制力高。你可以自己決定 chunk 多大、向量庫怎麼選、檢索怎麼調、引用怎麼顯示。缺點也很明顯，就是每一段都要自己顧。\u003C\u002Fp>\u003Cp>只要資料一變，整條鏈就可能出問題。文件格式改了、欄位多了、權限變了、來源換了，工程師就得重測。這種維運成本，常常比 demo 階段想像得高很多。\u003C\u002Fp>\u003Cp>AWS 想解的，就是這個痛點。對已經在 AWS 上跑服務的團隊來說，接 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002F\" target=\"_blank\" rel=\"noopener\">Bedrock\u003C\u002Fa> 比自己串一套完整 RAG 快很多。尤其是你本來就用 S3、Aurora、OpenSearch 的時候。\u003C\u002Fp>\u003Cp>但也不是每個團隊都適合。你如果資料來源很怪，或想保留高度可攜性，自己架還是比較自由。說白了，這題就是速度換控制。\u003C\u002Fp>\u003Cul>\u003Cli>自架：控制力高，但維運重\u003C\u002Fli>\u003Cli>託管：上線快，但依賴 AWS\u003C\u002Fli>\u003Cli>既有 AWS 用戶最容易受益\u003C\u002Fli>\u003Cli>特殊資料系統仍可能要自建\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>產業脈絡怎麼看\u003C\u002Fh2>\u003Cp>RAG 這幾年會紅，不是因為大家愛玩新名詞。是因為企業真的需要把私有資料接進 LLM。沒有這層，模型很會講，但不一定知道你公司的規則。\u003C\u002Fp>\u003Cp>這也是為什麼幾乎每家雲端平台都在推自己的 RAG 工具。\u003Ca href=\"https:\u002F\u002Fcloud.google.com\u002F\" target=\"_blank\" rel=\"noopener\">Google Cloud\u003C\u002Fa> 有自己的\u003Ca href=\"\u002Ftag\u002F生成式-ai\">生成式 AI\u003C\u002Fa> 工具鏈，\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fai\" target=\"_blank\" rel=\"noopener\">Microsoft\u003C\u002Fa> 也把 Azure AI 和企業資料整合得很深。AWS 這次的做法，就是把它最擅長的雲端基建思維搬進 AI 應用層。\u003C\u002Fp>\u003Cp>真正的競爭點，不是誰模型最會講。是誰能讓企業更快把資料接進去，還能管權限、來源、引用和維運。這些才是老闆會買單的地方。\u003C\u002Fp>\u003Cp>對開發者來說，這類服務的價值很直接。你少寫很多膠水程式。你也少踩很多資料管線的坑。只是，少寫程式不代表少想架構，這點千萬別誤會。\u003C\u002Fp>\u003Ch2>接下來怎麼選\u003C\u002Fh2>\u003Cp>如果你的專案已經在 AWS 上，資料也多半放在 S3、Aurora 或 OpenSearch，我會先試 Bedrock Knowledge Bases。先做一個內部助理，測文件問答和來源引用，再決定要不要走更客製的路線。\u003C\u002Fp>\u003Cp>如果你現在就在做 RAG，而且卡在資料接入和檢索品質，我會先看它能不能幫你少掉 30% 到 50% 的整合工時。這種服務最實際的價值，通常\u003Ca href=\"\u002Fnews\u002Fwhy-databricks-rag-is-platform-play-not-feature-zh\">不是功能\u003C\u002Fa>清單，而是讓團隊少熬幾週。\u003C\u002Fp>\u003Cp>我自己的判斷很簡單。能用託管服務先跑，就先跑。等你真的碰到權限、延遲、成本或資料格式的極限，再回頭拆架構也不遲。你如果最近在評估企業 AI，這個服務值得先丟進 shortlist。\u003C\u002Fp>\u003Cp>下一步最值得做的事，不是先挑模型，而是盤點你公司現在有哪些資料源，哪些可以直接接，哪些一定要自訂。這會比空想模型能力更有用。\u003C\u002Fp>","AWS Bedrock Knowledge Bases 把 RAG 的擷取、向量庫、重排序和引用整合成託管服務，適合要接企業內部資料的 AI 應用。","aws.amazon.com","https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777960285938-buk7.png","tools","zh","446b7edd-c5cd-44e0-a791-7d1b7eeff59b",[17,18,19,20,21,22,23,24],"AWS","Amazon Bedrock","Knowledge Bases","RAG","LLM","向量資料庫","企業 AI","檢索增強生成",[26,27,28],"Bedrock Knowledge Bases 把 RAG 的主要流程收進託管服務，降低整合成本。","它支援企業常見資料源、結構化查詢、多模態內容和 citations。","對已在 AWS 上的團隊最有吸引力，但也會增加平台依賴。",6,"2026-05-05T05:51:07.759842+00:00","2026-05-05T05:51:07.537+00:00",{"tags":33,"relatedLang":45,"relatedPosts":49},[34,36,38,40,42],{"name":20,"slug":35},"rag",{"name":18,"slug":37},"amazon-bedrock",{"name":17,"slug":39},"aws",{"name":21,"slug":41},"llm",{"name":43,"slug":44},"knowledge bases","knowledge-bases",{"id":15,"slug":46,"title":47,"language":48},"aws-bedrock-knowledge-bases-rag-en","AWS Bedrock Knowledge Bases simplifies RAG","en",[50,56,62,68,74,80],{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"6ef273f0-b81e-440b-a793-4a94af6c6682","60305-rule-editing-first-ai-products-zh","60\u002F30\u002F5 讓 AI 產品先會改稿","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780667335434-pczk.png","2026-06-05T13:48:02.197355+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"9baa1cd3-aceb-4941-9616-fff1a84bcbc7","how-to-use-petros-ch32h417m-alef-board-zh","怎麼用 Petros CH32H417M Alef 板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780663688097-3u0b.png","2026-06-05T12:47:32.525868+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"19fa3298-7d97-45a8-b6d8-9aa69250aaef","midjourney-web-app-ai-art-zh","Midjourney 網頁版改變 AI 繪圖用法","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780653789121-5yz3.png","2026-06-05T10:02:34.359223+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"154b7977-0f81-4206-87c3-29ddd24c838b","csub-openai-deal-turns-ai-into-coursework-zh","CSUB把 AI 變成課程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780652010097-24pb.png","2026-06-05T09:32:56.938867+00:00",{"id":75,"slug":76,"title":77,"cover_image":78,"image_url":78,"created_at":79,"category":13},"4717539c-c454-4bc6-9467-ca505ec59d51","devin-desktop-unifies-windsurf-agent-control-zh","Devin Desktop 併入 Windsurf 與代理控制","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780650179224-erbw.png","2026-06-05T09:02:24.7016+00:00",{"id":81,"slug":82,"title":83,"cover_image":84,"image_url":84,"created_at":85,"category":13},"60918400-6f71-472c-a7c2-9ca219c81392","claude-code-dynamic-workflows-new-primitive-en-zh","Claude Code Dynamic Workflows：新原语來了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780628571873-zwd8.png","2026-06-05T03:02:22.095066+00:00",[87,92,97,102,107,112,117,122,127,132],{"id":88,"slug":89,"title":90,"created_at":91},"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":93,"slug":94,"title":95,"created_at":96},"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":98,"slug":99,"title":100,"created_at":101},"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":103,"slug":104,"title":105,"created_at":106},"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":108,"slug":109,"title":110,"created_at":111},"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":113,"slug":114,"title":115,"created_at":116},"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":118,"slug":119,"title":120,"created_at":121},"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":123,"slug":124,"title":125,"created_at":126},"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":128,"slug":129,"title":130,"created_at":131},"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":133,"slug":134,"title":135,"created_at":136},"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"]