[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-baidu-wenxin-search-to-agent-template-zh":3,"article-related-baidu-wenxin-search-to-agent-template-zh":29,"series-tools-7c5f393f-e45a-45d0-98fe-28abc173ba11":74},{"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":11},"7c5f393f-e45a-45d0-98fe-28abc173ba11","baidu-wenxin-search-to-agent-template-zh","百度文心把搜索底子变成Agent能力","\u003Cp data-speakable=\"summary\">以前我看 AI 先问会不会聊，现在我先问它能不能把活做完。\u003C\u002Fp>\u003Cp>我最近一直在看一类产品，表面上都在说 \u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa>，實際用起來卻還是老毛病：你丟一個任務給它，它先點頭，再補一句「我會盡力」，然後開始亂跑。最煩的是，它不是不會做，而是做著做著就忘了上下文，或者把交付物搞成一堆半成品。我自己試過不少這種工具，最常見的感受就是，\u003Ca href=\"\u002Fnews\u002Fopcode-supports-deepseek-glm-qwen-gpt-models-zh\">模型\u003C\u002Fa>會聊天，但不會交差。\u003C\u002Fp>\u003Cp>百度文心這次讓我停下來重新看了一遍。不是因為它突然會說漂亮話了，而是它把「幹活」這件事做得很像樣：能記住前文，能拆任務，能調工具，能把結果收回來再整理成你能直接用的東西。更讓我在意的是，它不是只在中文場景裡刷分，還在國際榜單裡拿了高分，而且還是免費開放。這個組合很少見，至少不是那種「演示很好看，落地還要再等等」的老套路。\u003C\u002Fp>\u003Cp>這篇我不是來復述宣傳稿的。我是把\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2068369583216537702\">這篇知乎文章\u003C\u002Fa>裡真正有用的東西拆開，看看它到底在夸什麼、為什麼能夸，以及我會怎麼把這套思路拿去做自己的 Agent 項目。\u003C\u002Fp>\u003Ch2>別再拿會聊天當 Agent\u003C\u002Fh2>\u003Cblockquote>衡量一個 AI 好不好，標準正在從答得對不對換成事辦沒辦成。\u003C\u002Fblockquote>\u003Cp>這句話我很認同。以前我們看模型，主要盯的是回答品質：有沒有胡說、邏輯順不順、文風像不像人。現在不一樣了，任務型產品要的是交付。你讓它寫報告，它得真的把報告寫完；你讓它做網頁，它得真的把 HTML 交出來；你讓它查資料，它得真的把資料整合好，而不是只給你一段搜尋建議。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786365239713-gwqo.png\" alt=\"百度文心把搜索底子变成Agent能力\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這就是 Agent 和聊天機器人的分界線。聊天機器人擅長回應，Agent 需要完成。前者像一個反應快的同事，後者像一個能把活接過去的執行者。差別不在嘴上，在流程裡。\u003C\u002Fp>\u003Cp>我自己踩過的坑很典型：我給模型一個多步驟需求，第一輪它說得頭頭是道，第二輪開始偏題，第三輪忘了輸入限制。最後我發現，問題根本不是它會不會推理，而是它能不能把推理結果持續\u003Ca href=\"\u002Fnews\u002Fcreativeinstruct-llms-quality-creativity-diversity-zh\">保留\u003C\u002Fa>到任務結束。這就是為什麼文心這次的記憶分數會被強調，因為記憶不是錦上添花，是地基。\u003C\u002Fp>\u003Cp>文章裡提到 SuperCLUE 的 XClaw 測評，核心不是選擇題，而是交付題。這個設計我很喜歡，因為它逼著模型面對真實工作流：理解需求、拆分步驟、調用技能、產出結果。沒有選擇題那種僥倖空間，也沒有看起來懂了的假象。\u003C\u002Fp>\u003Cp>如果你也在做 Agent，我建議你先別問模型聰不聰明，先問三個問題：\u003C\u002Fp>\u003Cul>\u003Cli>它能不能把任務拆成穩定的步驟？\u003C\u002Fli>\u003Cli>它能不能記住前文和約束？\u003C\u002Fli>\u003Cli>它能不能把結果整理成可直接交付的格式？\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這三個問題比回答像不像人更接近真實生產環境。因為生產環境裡，使用者不想看過程作文，只想要結果。\u003C\u002Fp>\u003Ch2>97.62 分不是重點，重點是它在交付題上穩\u003C\u002Fh2>\u003Cp>文章裡最先拋出來的數字是 XClaw 的 97.62 分，文心助手在十個國產產品裡拿了最高分。這個分數本身當然亮眼，但我更在意的是它下面那幾項拆分：記憶 100 分，資料處理 98.86 分，內容創作 99.44 分，研究分析 96.44 分。因為這些項不是會不會背答案，而是能不能把任務做完。\u003C\u002Fp>\u003Cp>尤其是記憶 100 分。很多人做 Agent 的時候把記憶當成附屬模組，想著後面再補。結果一上線就翻車，因為多輪任務裡最怕的就是上下文斷掉。使用者第一輪說不要總結，只要表格，第三輪再補一句只保留三欄，模型如果忘了，就會輸出一坨不合格內容。記憶做不好，整個 Agent 就像短路。\u003C\u002Fp>\u003Cp>我以前做一個內部文件助手時，最煩的就是它總在第二輪把第一輪的格式要求忘掉。後來我們不是先改 prompt，而是先改狀態保存。這件事和文章裡說的很像：記憶能力不是裝飾，它是多輪任務的粘合劑。\u003C\u002Fp>\u003Cp>資料處理 98.86 分也很說明問題。文章舉的例子是讓文心生成一份 2026 年 Q2 商業計劃書，並輸出 Word 文件。它不是簡單寫一段商業建議，而是先用 pandoc 提取上傳文件，再做結構化拆解，最後生成格式化文件，交付的是 6000 多字、148 段的完整 BP。這個流程我看著很熟，因為這才像真正的工作流：先理解輸入，再抽取結構，再生成成品。\u003C\u002Fp>\u003Cp>如果是我來落地，我會把交付題拆成三層：\u003C\u002Fp>\u003Cul>\u003Cli>輸入層：文件、網頁、聊天記錄、資料庫記錄\u003C\u002Fli>\u003Cli>處理中間層：拆解、校驗、補全、歸一化\u003C\u002Fli>\u003Cli>輸出層：Word、HTML、Markdown、JSON、表格\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你會發現，很多 Agent 產品死在中間層。它們不是不會輸出，而是不會把輸入變成結構化中間態。文心這次被夸的點，就是它能把這段髒活做完。\u003C\u002Fp>\u003Ch2>記憶能力不是花活，是多輪任務的地基\u003C\u002Fh2>\u003Cp>文章裡對記憶的描述很直接：你跟 AI 聊了三輪，第四輪它忘了第一輪的條件，那叫一個崩潰。這個說法一點都不誇張。我自己最煩的就是這種假連續性，模型每輪都像重新認識你一次，前面說過的限制全沒了。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786365222875-09up.png\" alt=\"百度文心把搜索底子变成Agent能力\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>從工程角度看，記憶能力至少有三層意思。第一層是短上下文保持，也就是當前會話裡別丟條件。第二層是跨步驟狀態保存，任務拆成幾步後別把前一步結果忘了。第三層才是更長週期的使用者偏好和任務歷史。很多產品連第一層都沒做好，就開始吹個性化。這很滑稽。\u003C\u002Fp>\u003Cp>文心這次在記憶項拿滿分，說明它在多輪任務裡更接近持續執行而不是單輪應答。這對 Agent 特別重要，因為 Agent 的本質就是把一次任務拉長成一串動作。你不是在問它一個問題，你是在讓它替你做一件事。\u003C\u002Fp>\u003Cp>我建議你在設計自己的 Agent 時，專門寫一個記憶檢查清單。每次任務開始前，把這些東西顯式存下來：\u003C\u002Fp>\u003Cul>\u003Cli>目標是什麼\u003C\u002Fli>\u003Cli>禁止項是什麼\u003C\u002Fli>\u003Cli>格式要求是什麼\u003C\u002Fli>\u003Cli>中間結果是否允許覆蓋\u003C\u002Fli>\u003Cli>失敗後是否重試，重試幾次\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這套東西聽著笨，但真的管用。因為模型很容易在長鏈路裡漂移。你不給它約束，它就按自己的合理想像補劇情。那不是智能，那是瞎編。\u003C\u002Fp>\u003Cp>文章把記憶和搜尋引擎的 session 理解聯繫起來，我覺得這個比喻很準。搜尋引擎做了很多年的事，本來就是理解使用者意圖、持續保持上下文、再把結果組織回來。Agent 只是把這套能力從找資訊擴展成做事情。\u003C\u002Fp>\u003Ch2>資料處理和內容創作，拼的是交付感\u003C\u002Fh2>\u003Cp>資料處理 98.86 分和內容創作 99.44 分，看起來像兩個不同維度，其實底層要求很接近：都得按格式交付。一個是表格、欄位、精度；一個是語氣、字數、結構。說白了，都是別自由發揮。\u003C\u002Fp>\u003Cp>我特別認同文章裡那句對資料處理的解釋：錯一個數，全盤皆輸。很多 AI 產品的問題不是不會算，而是太愛自作主張。比如讓它整理財務資料，它會順手幫你四捨五入；讓它寫報告，它會順手幫你改口徑。使用者要的是忠實執行，不是創作欲。\u003C\u002Fp>\u003Cp>內容創作也是一樣。很多人以為內容創作就是會寫長文，其實不是。真正厲害的是按指定格式、語氣、字數、用途，直接給你一份能用的成品。你要它寫 PRD，它就別寫成散文；你要它寫行銷頁，它就別寫成論文。\u003C\u002Fp>\u003Cp>我自己做過一個最樸素的測試：給模型一個固定模板，讓它填空。結果很多模型不是填錯，就是自己加段落。那一刻我就知道，它還停留在表達型模型，不是交付型模型。文心被夸的地方，恰恰是它更像交付型工具。\u003C\u002Fp>\u003Cp>如果你要把這個能力搬到自己的項目裡，我建議直接做一個格式鎖。也就是在生成前先明確三件事：\u003C\u002Fp>\u003Cul>\u003Cli>輸出類型：Markdown、Word、HTML 還是 JSON\u003C\u002Fli>\u003Cli>內容邊界：必須包含什麼，不能包含什麼\u003C\u002Fli>\u003Cli>驗收標準：長度、欄位、標題層級、引用格式\u003C\u002Fli>\u003C\u002Ful>\u003Cp>別小看這些規則。很多時候，模型不是不會做，是你沒把驗收標準說清楚。你讓它寫得專業一點，它就開始裝腔作勢；你讓它輸出可直接複製的成品，它才會收斂。\u003C\u002Fp>\u003Cp>這也是為什麼文章裡那個 3D 太陽系模擬器的例子很有說服力。它不是只寫了幾段介紹，而是直接用 Three.js 做了一個 31KB 的單文件 HTML。對使用者來說，這才叫完成任務，不是給思路。\u003C\u002Fp>\u003Ch2>研究分析真正考的是檢索、驗證和收口\u003C\u002Fh2>\u003Cp>研究分析 96.44 分這一項，我覺得最能看出一個 Agent 到底有沒有做研究的骨架。因為研究不是搜幾篇文章就完了，研究是檢索、交叉驗證、篩選，再把結論收口成結構化輸出。少一步都不算。\u003C\u002Fp>\u003Cp>文章裡提到一個很好的例子：圍繞王虹和三維掛谷猜想，文心先規劃了 6 步研究流程，再呼叫多個子智能體並行處理，搜尋了 16 篇學術資料，最後輸出 markdown 文件和 62KB 的互動式 HTML。這個流程我很買帳，因為它不是我知道答案，而是我知道怎麼找答案。\u003C\u002Fp>\u003Cp>這就是研究型 Agent 的關鍵。真正有用的不是一次性回答，而是知道什麼時候該繼續查、什麼時候該交叉比對、什麼時候該停下來寫結論。很多產品在這裡會犯一個很蠢的錯誤：找到一條資訊就開始下結論。那不是研究，是拼貼。\u003C\u002Fp>\u003Cp>文章後面還有一個更現實的例子：做近一個月國內外大模型能力和價格分析報告。文心先搜 45 篇資料，再補 29 篇定向搜尋做價格驗證，最後才開始寫。這個過程我很喜歡，因為它把先驗證再輸出做實了。尤其是價格資料這種東西，最怕來源不\u003Ca href=\"\u002Fnews\u002Fmirrorworld-mirror-reflection-video-diffusion-zh\">一致\u003C\u002Fa>。你不交叉驗證，報告就會變成幻覺合集。\u003C\u002Fp>\u003Cp>如果你想讓自己的 Agent 具備研究能力，我會建議你按這個順序設計：\u003C\u002Fp>\u003Col>\u003Cli>先定義研究問題，不要一上來就搜\u003C\u002Fli>\u003Cli>再列資訊源，明確哪些可信、哪些只做參考\u003C\u002Fli>\u003Cli>然後做交叉驗證，至少兩輪\u003C\u002Fli>\u003Cli>最後才生成結論和圖表\u003C\u002Fli>\u003C\u002Fol>\u003Cp>我見過太多研究助手其實只是搜尋摘要器。它們能把網頁內容縮短，但不會判斷證據強弱。文心這次被強調的地方，就是它不只是找到了資訊，還把資訊整理成了能交差的報告。\u003C\u002Fp>\u003Ch2>百度真正占便宜的是搜尋底子，不是臨時抱佛腳\u003C\u002Fh2>\u003Cp>文章最後把原因說得很直白：百度做了二十多年搜尋，搜尋引擎和 Agent 在技術結構上高度同構。我覺得這不是一句漂亮話，而是很實在的工程判斷。搜尋引擎本來就要做意圖理解、任務分解、工具調用、結果整合，這些東西和 Agent 的鏈路幾乎是一回事。相關背景可以看 \u003Ca href=\"https:\u002F\u002Fwww.baidu.com\u002F\">百度\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwenxin.baidu.com\u002F\">文心一言\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fsuperclueai.com\u002F\">SuperCLUE\u003C\u002Fa>，以及 \u003Ca href=\"https:\u002F\u002Fthreejs.org\u002F\">Three.js\u003C\u002Fa> 這類工具棧。\u003C\u002Fp>\u003Cp>我特別認同這個類比。使用者搜北京到上海最便宜的機票，系統要理解這是比價需求，拆成出發地、目的地、日期、價格排序，然後去查資料、排結果。你把搜尋框換成對話框，把查詢換成任務，本質上沒變多少。\u003C\u002Fp>\u003Cp>所以百度的優勢不是突然學會了 Agent，而是它本來就在做 Agent 的前身。搜尋引擎是受限工具集裡的高頻任務系統，Agent 是開放工具集裡的高頻任務系統。底層骨架很像，差別在工具邊界更大、任務更複雜、狀態更長。\u003C\u002Fp>\u003Cp>這也解釋了為什麼文心在記憶和研究分析上更突出。前者對應多輪上下文保持，後者對應檢索、整合、輸出，這兩項都和搜尋的長期積累關係很大。不是說別家做不好，而是百度在這條路上確實有現成底盤。\u003C\u002Fp>\u003Cp>我自己的結論很簡單：如果一個團隊想從聊天模型走到 Agent，別先急著堆花俏功能，先看看自己有沒有任務分解、狀態管理、結果整合、工具調用這四塊底子。沒有的話，產品會很飄。文心這次讓我看到的，不是它會說，而是它把這四塊接上了。\u003C\u002Fp>\u003Ch2>我會怎麼照著這套思路做自己的 Agent\u003C\u002Fh2>\u003Cp>如果只看熱鬧，文心這次就是又拿第一了。但如果看方法，我覺得它給我的啟發更直接：Agent 不是先追求會說，而是先追求會做。會做的前提，是把任務拆解、記憶、工具調用、驗證、交付這條鏈路打通。\u003C\u002Fp>\u003Cp>我自己如果要做一個類似的產品，會先把能力分成五層：輸入理解、狀態保存、工具執行、結果校驗、格式化交付。每層都要有明確的驗收標準，不能靠模型自己想辦法。因為一旦你把責任全丟給模型，最後出事的還是你。\u003C\u002Fp>\u003Cp>還有一點我特別想提醒：別迷信單次高分。榜單有用，但真正重要的是穩定性。文章裡提到 PinchBench 的 94.6% 和 94.4% 差距很小，我更看重的是這種連續跑也不崩的能力。因為真實任務不是一次跑通就結束，而是每天都要跑、一直跑、跑到你想罵人。\u003C\u002Fp>\u003Cp>所以我更願意把文心這次理解成一個信號：中文場景裡，Agent 已經開始從能演示走向能交付。這一步很難，但一旦跨過去，很多產品定義就會變。你不再是做一個會答題的模型，而是在做一個能替使用者收尾的執行系統。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Agent 任務執行模板（可直接改成你自己的版本）\n\n## 1. 任務定義\n- 任務名稱：\n- 使用者目標：\n- 交付物類型：Markdown \u002F Word \u002F HTML \u002F JSON \u002F 表格\n- 完成標準：\n\n## 2. 輸入約束\n- 必須保留的條件：\n- 禁止修改的內容：\n- 允許補充的內容：\n- 資料來源優先級：\n\n## 3. 執行流程\n1. 解析使用者意圖\n2. 拆分為子任務\n3. 確認缺失資訊\n4. 呼叫工具或檢索資料\n5. 交叉驗證關鍵結果\n6. 生成中間草稿\n7. 按格式輸出最終交付物\n\n## 4. 記憶規則\n- 當前會話中的約束必須持續保留\n- 多輪任務中，任何新指令都要和舊約束合併\n- 若出現衝突，先提示衝突，再繼續執行\n\n## 5. 校驗規則\n- 數字是否一致\n- 引用是否可追溯\n- 格式是否符合要求\n- 是否遺漏使用者明確要求\n- 是否加入了不該有的內容\n\n## 6. 輸出規則\n- 只輸出最終交付物\n- 不要解釋執行過程，除非使用者要求\n- 不要擅自改寫使用者目標\n- 不要把建議混進結果裡\n\n## 7. 失敗處理\n- 若資訊不足，先列出缺失項\n- 若工具失敗，重試一次並切換備用方案\n- 若仍失敗，明確說明卡點並返回可繼續執行的狀態\n\n## 8. 最終檢查清單\n- [ ] 任務目標已完成\n- [ ] 約束未丟失\n- [ ] 結果可直接使用\n- [ ] 格式正確\n- [ ] 沒有多餘廢話\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這套模板不是為了看起來專業，而是為了逼 Agent 像一個真正的執行系統一樣工作。你要是做文件助手，就把交付物類型改成 Word 和 Markdown；你要是做研究助手，就把資料來源和交叉驗證寫細一點；你要是做程式助手，就把測試和回滾規則補上。\u003C\u002Fp>\u003Cp>我建議你直接拿這個模板去跑一次自己的任務流。跑完你就會知道，問題到底出在模型能力，還是出在你沒有把任務定義清楚。很多時候，後者占大頭。\u003C\u002Fp>\u003Cp>原文來自\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2068369583216537702\">知乎專欄文章\u003C\u002Fa>，我這裡做的是拆解和再組織，不是原創事實報導。文中提到的測評、分數和案例，均以原文為準；我補的是我的判斷、經驗和可直接拿去改的模板。\u003C\u002Fp>","我拆开百度文心这次第一名，看看搜索底子怎么变成能干活的Agent。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2068369583216537702",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786365239713-gwqo.png","tools","zh","d5ff5ff4-6bed-4820-8ce4-650d9a5a6eb5",[17,18,19,20,21],"文心一言","Agent","搜索引擎","記憶能力","任務交付",[23,24,25],"Agent 的核心是交付，不是會聊天。","搜索引擎底子能直接轉成任務分解、狀態管理和工具調用。","做自己的 Agent，先把記憶、驗證和格式鎖寫死。",0,"2026-08-10T12:33:19.194341+00:00","2026-08-10T12:33:19.142+00:00",{"tags":30,"relatedLang":33,"relatedPosts":37},[31],{"name":32,"slug":32},"agent",{"id":15,"slug":34,"title":35,"language":36},"baidu-wenxin-search-to-free-agent-en","Baidu Wenxin turns search into a free agent","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"4a2a7043-32f7-4520-9f3c-820d19f00b74","opcode-supports-deepseek-glm-qwen-gpt-models-zh","OpenCode 支援多家模型，切換更省事","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786363377470-lo30.png","2026-08-10T12:02:30.043727+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"fc9bd7b8-542f-4c91-9965-60ecb3ae417e","deepseek-codex-ai-coding-costs-reset-zh","DeepSeek 接入 Codex 後，AI 編程成本必須重算","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786321973140-5qz2.png","2026-08-10T00:32:32.710718+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"1b9f3648-fe4a-445d-bdc0-fda420e42c6b","token-ciyuan-zhongwen-fenciqi-shice-zh","用詞元實測中文分詞器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786320173760-2fu6.png","2026-08-10T00:02:31.714597+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"0afe05ab-6675-498f-b179-531a8460290b","openai-api-pricing-august-2026-token-costs-zh","OpenAI API 單價落差到 180 美元","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786300368036-5pzh.png","2026-08-09T18:32:26.525684+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"e9622f39-b7db-4d48-bea9-84bc671402cc","usage-limits-chatgpt-enterprise-edu-controls-zh","ChatGPT Enterprise 與 Edu 的用量上限，必須是核心管理控制","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786298570504-ubv3.png","2026-08-09T18:02:22.954575+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"b13d8b40-53c1-4249-a342-b0f40834ba06","prepare-for-gemini-3-5-pro-on-launch-day-zh","Gemini 3.5 Pro 上線日準備清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1786276970495-cnpl.png","2026-08-09T12:02:25.680556+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"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":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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"]