[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-codex-chat-to-delivery-ai-coding-zh":3,"article-related-codex-chat-to-delivery-ai-coding-zh":30,"series-tools-5de8c9bb-60f5-40f5-93a1-23f524010620":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},"5de8c9bb-60f5-40f5-93a1-23f524010620","codex-chat-to-delivery-ai-coding-zh","Codex把聊天改成交付","\u003Cp data-speakable=\"summary\">把 \u003Ca href=\"\u002Ftag\u002Fcodex\">Codex\u003C\u002Fa> 從聊天工具改成交付引擎的工作流模板。\u003C\u002Fp>\u003Cp>我用 AI 編程工具已經有一陣子了。\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，能試的我基本都試過。問題也很一致：一開始很爽，幾輪對話之後就開始飄。它會給我一段看起來挺像樣的代碼，或者順著我說的方向繼續補，但真到要交付的時候，事情就變味了。需求邊界沒收住，改動散，測試沒補齊，文檔沒更新，最後我還是得自己把所有碎片拼回一個能上線的東西。說白了，很多 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>都被我用成了「高級補全器」，不是「交付助手」。\u003C\u002Fp>\u003Cp>最煩的是，這種誤用很容易讓人誤判工具本身。我以前也怪過模型：為什麼它老是迎合我，為什麼不直接指出風險，為什麼不主動把任務拆開。後來我才發現，問題不全在模型，更多在我給它的工作方式。你把它當聊天機器人，它就回你聊天機器人的結果；你把它放進一個明確的交付流程，它才會開始像個幹活的人。\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2055213042867106253\">這篇知乎文章\u003C\u002Fa>正好把這個問題說透了：別再盯著「生成代碼片段」，要盯著「完成任務」。\u003C\u002Fp>\u003Cp>我讀完之後最大的感覺不是「哦，原來還能這樣」，而是「對，我之前就是卡在這兒」。它不是在教你多會問幾個 prompt，而是在逼你換一種工程組織方式。這個差別很大。前者只是讓你更會聊天，後者才是真的讓 AI 進入開發流程。\u003C\u002Fp>\u003Ch2>你不是缺代碼，你缺的是任務閉環\u003C\u002Fh2>\u003Cblockquote>如果你已經用過 ChatGPT、GitHub Copilot、Cursor、Qoder、Trae 或其他 AI 編程工具，但仍然覺得它們停留在「給代碼片段」的層面，這篇文章會幫你把使用方式升級到「交付任務」的層面。\u003C\u002Fblockquote>\u003Cp>這句話我很認同。它其實把問題切得很準：大多數人對 AI 編程的期待，還停留在「幫我寫點東西」。但真正麻煩的地方，從來不是那幾行代碼，而是從需求到上線之間那一整串髒活累活。拆需求、定邊界、補測試、改接口、處理回歸、寫說明，這些才是交付。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783087395827-uztj.png\" alt=\"Codex把聊天改成交付\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前讓 AI 幫我重構一個模塊，結果它直接開始改實現，改得挺快，但上下游接口全沒顧上。等我回頭看，發現它解決的是「代碼局部」，不是「任務整體」。這就是典型的片段思維。你如果只給它一個函數，它就只會還你一個函數；你如果給它一個任務，它才有機會把上下文、約束和驗收條件一起處理掉。\u003C\u002Fp>\u003Cp>這篇文章的價值就在這裡：它不是在吹 AI 能寫代碼，而是在提醒你，交付本來就是一個系統問題。AI 真正能幫上忙的，不是把你從工程裡解放出去，而是讓你少做那些重複且機械的協調工作。\u003C\u002Fp>\u003Cp>怎麼應用？我自己的做法是先把任務寫成三層：\u003C\u002Fp>\u003Cul>\u003Cli>目標：最終要交付什麼，給誰用。\u003C\u002Fli>\u003Cli>約束：不能碰什麼，必須兼容什麼。\u003C\u002Fli>\u003Cli>驗收：什麼算完成，怎麼檢查。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這三層一清楚，AI 才不會一上來就亂寫。你也會少掉很多「它怎麼又猜錯了」的火氣。\u003C\u002Fp>\u003Ch2>別讓 AI 直接寫，先讓它把問題拆開\u003C\u002Fh2>\u003Cp>我最不喜歡的用法，就是一上來扔\u003Ca href=\"\u002Fnews\u002Fmeta-ai-hardware-wall-street-compute-demand-zh\">一句\u003C\u002Fa>「幫我實現這個功能」。這類 prompt 看著省事，實際上最浪費時間。因為你把最難的部分，也就是問題定義，直接跳過去了。AI 當然會補，但它補出來的往往是你沒想清楚的那一版。\u003C\u002Fp>\u003Cp>文章的核心思路之一，是把 AI 放到任務分解的位置上，\u003Ca href=\"\u002Fnews\u002Fdeepspec-data-regeneration-pipeline-qwen3-eagle3-zh\">而不是\u003C\u002Fa>只放到實現位置上。也就是說，先讓它幫你明確輸入、輸出、依賴、風險和順序，再進入編碼。這個順序一變，結果就會完全不同。它不再只是寫代碼，而是在幫你把「該做什麼」這件事先定住。\u003C\u002Fp>\u003Cp>我自己碰到過一個特別典型的場景：做一個接口改造，表面上只是換一個字段名。但如果直接讓 AI 改代碼，它會很快給你一堆替換結果。問題是，這個字段在多個服務裡都有兼容邏輯，測試數據也要同步調整，前端還會受影響。後來我改成先讓 AI 輸出任務拆解，它反而能把這些依賴點列得更完整。雖然不是百分百準確，但至少不會一頭扎進實現細節裡。\u003C\u002Fp>\u003Cp>這一步的實戰寫法很簡單：\u003C\u002Fp>\u003Cul>\u003Cli>先讓 AI 複述任務，確認它理解的是不是同一件事。\u003C\u002Fli>\u003Cli>再讓它列出依賴、風險、邊界條件。\u003C\u002Fli>\u003Cli>最後才讓它給實現方案。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你會發現，很多「AI 不夠聰明」的問題，其實是你沒先讓它把問題說清楚。\u003C\u002Fp>\u003Ch2>交付不是寫完就算，驗收才是分水嶺\u003C\u002Fh2>\u003Cp>這篇文章讓我最有共鳴的一點，是它把「交付」當成核心，而不是「寫出代碼」當成核心。這個差別太大了。寫出代碼只是中間動作，交付才是結果。沒有驗收標準，AI 產出的東西再多也只是草稿。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783087397984-2ib9.png\" alt=\"Codex把聊天改成交付\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前特別容易掉進一個坑：看到 AI 很快給出了一個可運行版本，就默認事情差不多了。結果一跑測試，邊界條件炸了；再一看日誌，異常處理也不完整；再一查文檔，接口說明根本沒更新。最後我做的事情不是用 AI 省時間，而是把 AI 生成的東西再人工修一遍。那種感覺很像「我本來想省力，結果給自己找了個實習生還得帶」。\u003C\u002Fp>\u003Cp>所以我現在會把驗收條件寫得很硬。比如不是「實現登入功能」，而是「支持郵箱登入、失敗提示一致、單元測試覆蓋核心分支、文檔補齊、回滾方案明確」。這樣 AI 才知道任務不是寫一段邏輯，而是交一份可用的結果。\u003C\u002Fp>\u003Cp>如果你想把這套方法落地，我建議你每次都要求 AI 輸出這四樣東西：\u003C\u002Fp>\u003Cul>\u003Cli>實現清單\u003C\u002Fli>\u003Cli>測試清單\u003C\u002Fli>\u003Cli>風險清單\u003C\u002Fli>\u003Cli>驗收清單\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這四個清單一出來，你就能很快看出它是在做「交付」，還是在做「生成」。\u003C\u002Fp>\u003Ch2>別把 AI 當同事聊天，把它當能被約束的執行器\u003C\u002Fh2>\u003Cp>很多人用 AI 編程，語氣特別像在和一個很聰明的同事閒聊。問題是，閒聊式協作最容易丟邊界。你說一句，它接一句；你改一點，它跟一點。看起來很配合，實際上沒有約束。最後產物東一塊西一塊，全靠你收尾。\u003C\u002Fp>\u003Cp>這篇文章的思路更接近「把 AI \u003Ca href=\"\u002Fnews\u002Fornith-1-agent-coding-server-template-zh\">變成\u003C\u002Fa>一個受約束的執行器」。不是讓它自由發揮，而是給它明確角色、輸入格式、輸出格式和禁止項。說得直白點，AI 不是來表達創意的，至少在大多數工程任務裡不是。它是來按規則幹活的。\u003C\u002Fp>\u003Cp>我自己最常用的方式，是把任務拆成「角色 + 目標 + 約束 + 輸出格式」。比如：你是後端工程師，你要修改某個接口，你不能改資料庫結構，你必須保留舊字段兼容，你的輸出必須包含代碼、測試和變更說明。這樣一來，AI 的輸出會穩定很多。你不是在賭它這次會不會理解你，而是在逼它按格式交付。\u003C\u002Fp>\u003Cp>這裡有個很現實的小技巧：輸出格式越具體，返工越少。你讓它「詳細說明」，它就會寫一堆空話；你讓它「按表格列出改動、風險、測試點」，它就會開始像個幹活的人。\u003C\u002Fp>\u003Cp>我建議你至少固定一個輸出模板，別每次都臨時發揮。臨時發揮最耗腦子，而且很容易把 AI 帶歪。\u003C\u002Fp>\u003Ch2>真正值錢的不是生成，是把上下文管住\u003C\u002Fh2>\u003Cp>很多人把 AI 編程的難點理解成「怎麼讓模型寫得更好」。我現在越來越覺得，難點其實是「怎麼把上下文管住」。上下文一亂，模型再強也會跑偏。上下文一穩，哪怕模型一般，也能幹出能用的活。\u003C\u002Fp>\u003Cp>文章裡雖然沒有把這件事寫成術語，但它的意思很明顯：從片段到交付，靠的不是更花俏的問法，而是更完整的任務信息。你得讓 AI 知道項目背景、代碼邊界、歷史包袱、兼容要求、驗收方式。少一個，它就可能在你沒注意的地方亂改。\u003C\u002Fp>\u003Cp>我之前做過一次老系統升級，最頭疼的不是新邏輯，而是舊邏輯太多，任何一個改動都可能牽一髮動全身。那時候如果直接讓 AI 寫代碼，結果一定慘。後來我先把上下文整理成一頁說明，再讓 AI 基於說明去提方案，效果立刻不一樣。它開始會問我哪些模塊不能動，哪些接口要保留，哪些測試要補，這就說明它終於開始理解「交付環境」了。\u003C\u002Fp>\u003Cp>你可以這麼做：\u003C\u002Fp>\u003Cul>\u003Cli>把項目背景寫成固定摘要，別每次口頭補充。\u003C\u002Fli>\u003Cli>把不可變約束列成黑名單。\u003C\u002Fli>\u003Cli>把常見上下文放進可復用模板。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這不是麻煩，這是省事。上下文整理一次，後面每次都能復用。你越懶得整理，後面返工越多。\u003C\u002Fp>\u003Ch2>最實用的用法，是讓 AI 先寫計劃，再寫代碼\u003C\u002Fh2>\u003Cp>我現在最討厭的一種 AI 用法，就是直接進入編碼。不是不能寫，而是太早寫。很多任務在沒想清楚前，寫得越快，返工越重。先計劃，再實現，往往才是省時間的路。\u003C\u002Fp>\u003Cp>這篇文章的底層邏輯，其實也是這個順序：先把任務從「想法」變成「可執行步驟」，再讓 AI 去執行。這樣你就不會被它的輸出節奏帶跑。你手裡有計劃，AI 只是幫你加速。\u003C\u002Fp>\u003Cp>我一般會讓 AI 先輸出三段內容：實施步驟、風險點、待確認問題。這個順序很有用。步驟讓我知道它有沒有理解任務路徑，風險點讓我知道它有沒有意識到坑，待確認問題則能逼出我自己沒說明白的地方。很多時候，AI 問出來的問題，比它寫出來的代碼更值錢。\u003C\u002Fp>\u003Cp>如果你是技術負責人或者架構師，這一招尤其有用。因為你真正要管的不是某一段代碼，而是團隊怎麼穩定地把事情做完。AI 在這裡不是替代開發者，而是幫你把計劃、執行和驗收串起來。\u003C\u002Fp>\u003Cp>我會建議你把「計劃優先」做成固定習慣：\u003C\u002Fp>\u003Cul>\u003Cli>先要方案，不要代碼。\u003C\u002Fli>\u003Cli>先要風險，不要樂觀答案。\u003C\u002Fli>\u003Cli>先要驗收標準，不要模糊結果。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你一旦習慣這個順序，AI 編程就會從「陪聊」變成「幹活」。\u003C\u002Fp>\u003Ch2>這篇文章真正想推的，是一套交付心智\u003C\u002Fh2>\u003Cp>我讀完之後的結論很簡單：這不是在教你怎麼更會用 Codex，而是在逼你換腦子。AI 編程最難的地方，從來不是讓模型吐出代碼，而是讓它參與交付。交付意味著任務邊界、過程控制、結果驗收、風險管理，這些都得進來。\u003C\u002Fp>\u003Cp>如果你只把 AI 當靈感工具，它就只能給你靈感碎片。如果你把它放進工程流程，它才會開始像一個有用的執行層。這個差別，我踩過太多坑才明白。現在我更願意把 AI 看成「可編排的工程能力」，而不是「會說話的代碼搜索框」。\u003C\u002Fp>\u003Cp>所以我現在不會再問「你能不能幫我寫這個函數」，我會問「你能不能把這個任務拆成可交付的步驟，並按驗收標準完成」。這句話一改，整個使用方式都變了。\u003C\u002Fp>\u003Ch2>你可以直接複製的工作流模板\u003C\u002Fh2>\u003Cpre>\u003Ccode>## AI 編程交付模板（適合 Codex \u002F Cursor \u002F ChatGPT \u002F Copilot \u002F Qoder \u002F Trae）\n\n### 1) 任務描述\n- 目標：\n- 背景：\n- 用戶影響：\n- 現狀問題：\n\n### 2) 約束條件\n- 不能修改：\n- 必須兼容：\n- 性能要求：\n- 安全要求：\n- 代碼風格 \u002F 項目規範：\n\n### 3) 讓 AI 先做任務拆解\n請先不要寫代碼，先輸出：\n1. 你理解的任務目標\n2. 任務拆解步驟\n3. 依賴項\n4. 風險點\n5. 需要我確認的問題\n6. 建議的實現順序\n\n### 4) 讓 AI 輸出實施計劃\n請基於上面的信息，輸出一份實施計劃，要求包含：\n- 變更範圍\n- 文件列表\n- 接口影響\n- 測試策略\n- 回滾方案\n- 驗收標準\n\n### 5) 再讓 AI 寫代碼\n請按以下格式輸出：\n- 先給修改說明\n- 再給代碼\n- 再給測試用例\n- 再給需要同步修改的文檔\n\n### 6) 驗收清單\n- 功能是否完整\n- 邊界條件是否覆蓋\n- 是否破壞現有兼容性\n- 是否補齊測試\n- 是否更新文檔\n- 是否給出回滾方案\n\n### 7) 返工規則\n如果信息不足，請先提問，不要猜。\n如果存在多種實現方案，請先對比，再給推薦方案。\n如果改動會影響其他模塊，請先列出影響面。\n\n### 8) 可直接貼給 AI 的提示詞\n你是一個資深工程師。請把我給你的任務當成交付任務，而不是代碼片段任務。\n先輸出任務拆解、風險、依賴、驗收標準，再給實施計劃，最後再寫代碼。\n如果信息不足，先提問，不要猜。\n輸出必須包含：\n- 任務理解\n- 拆解步驟\n- 風險點\n- 實施計劃\n- 測試建議\n- 驗收標準\n- 代碼與說明\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這套模板的重點不是「更會問」，而是「更會控」。你把任務、約束、驗收都寫進去，AI 的輸出質量通常會穩定很多。別指望它自己懂流程，流程得你給。\u003C\u002Fp>\u003Cp>我建議你先拿一個小任務試這個模板，比如改一個接口、補一個測試、整理一段文檔。別一上來就拿最複雜的項目開刀。你先把小任務跑順，再慢慢把這套方式推廣到更大的交付裡。\u003C\u002Fp>\u003Cp>原文來自知乎專欄文章 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2055213042867106253\">《別再把 Codex 當聊天機器人用了：AI 編程真正難的，是交付》\u003C\u002Fa>，我這裡做的是基於原觀點的拆解和可複製化整理，不是原文復刻。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 從聊天工具改成交付引擎：我拆了工作流、分工和可直接複製的模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2055213042867106253",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783087395827-uztj.png","tools","zh","085ac94a-88e1-4123-99b5-c0aef367c746",[17,18,19,20,21],"Codex","AI編程","工作流","交付","prompt模板",[23,24,25],"AI 編程不要只盯著生成代碼，要先定義交付任務與驗收標準。","先讓模型拆解問題、列風險和依賴，再進入實作，返工會少很多。","把上下文、約束、測試和回滾寫成固定模板，AI 才能穩定輸出。",0,"2026-07-03T14:02:50.287547+00:00","2026-07-03T14:02:50.28+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"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-en","Codex把聊天改成交付，AI编程就顺了","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"5358fb05-efb5-4238-abc5-fb3933da13e7","gpu-vram-needed-llm-fine-tuning-2026-zh","2026 年 LLM 微調要多少 VRAM","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783128777725-3n1p.png","2026-07-04T01:32:33.595421+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"9568ce15-1e27-450b-8c62-c6c97a94372d","claude-sonnet-5-shangshou-bushu-yu-pinggu-zh","Claude Sonnet 5 上手部署与评估","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783125163927-v143.png","2026-07-04T00:32:19.271862+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"51914b0b-b516-4c9c-818d-ac4ae593d200","mistral-ocr-4-prices-document-ai-enterprise-zh","Mistral OCR 4 把文件 AI 變成採購題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783022578850-0p9l.png","2026-07-02T20:02:34.687933+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"c518a84d-7aef-4640-8a6b-1fcdeedc0800","cloudflare-policy-turns-crawlers-into-paid-access-zh","Cloudflare 把爬蟲變成付費入口","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782981207350-jf81.png","2026-07-02T08:32:57.692933+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"3de93c9c-1714-45c0-a972-eef8240f9bf4","visual-studio-copilot-ide-workflow-zh","Visual Studio 把 Copilot 變工作流","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782957797914-x775.png","2026-07-02T02:02:50.951099+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"2ffaf5e5-e155-47dd-80cd-af62c3705516","databricks-ai-gateway-inference-tables-served-models-zh","Databricks 為模型服務加上 AI Gateway 推論表","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782939770301-2a9e.png","2026-07-01T21:02:20.660434+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"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":82,"slug":83,"title":84,"created_at":85},"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":87,"slug":88,"title":89,"created_at":90},"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":92,"slug":93,"title":94,"created_at":95},"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":97,"slug":98,"title":99,"created_at":100},"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":102,"slug":103,"title":104,"created_at":105},"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":107,"slug":108,"title":109,"created_at":110},"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":112,"slug":113,"title":114,"created_at":115},"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":117,"slug":118,"title":119,"created_at":120},"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":122,"slug":123,"title":124,"created_at":125},"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"]