[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-doubao-2-1-long-agent-workflow-zh":3,"article-related-doubao-2-1-long-agent-workflow-zh":31,"series-industry-ffd242fe-06eb-42a7-85b1-b14382cadee3":76},{"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":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"ffd242fe-06eb-42a7-85b1-b14382cadee3","doubao-2-1-long-agent-workflow-zh","豆包2.1把长任务跑成可交付结果","\u003Cp data-speakable=\"summary\">我拆解豆包2.1 Pro怎么把18小时长任务、PPT、数据分析和截图PRD跑成可交付底稿。\u003C\u002Fp>\u003Cp>我用过不少“会聊天”的模型，问题也差不多：一开始答得挺像那么回事，真把任务丢进去就开始飘。要么前后自相矛盾，要么一口气写一堆，看着很满，实际上没法交付。最烦的是那种，你让它做一个完整工作流，它给你一个半成品，还会很自信地说“已完成”。我对这种输出已经有点 PTSD 了。\u003C\u002Fp>\u003Cp>所以我看到豆包2.1 Pro这次的演示时，第一反应不是“又发新模型了”，而是它到底能不能把任务真的跑完。不是聊几句，不是单轮补全，而是那种长时间、分步骤、能回头修正的活。量子位这篇 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052852220404802843\">知乎文章\u003C\u002Fa>给了我一个很直接的切口：Seed 2.1 Pro 连续跑了近18个小时，做芯片 RTL 代码；再往下看，它还被拿去做 3D WebGL 项目、PPT、数据分析、截图转 PRD。这个组合拳很像真实工作，而不是榜单表演。\u003C\u002Fp>\u003Cp>我想拆的不是“它有多强”这种空话，而是它到底把哪些工作流打通了，哪些地方还得人盯着。说白了，我更关心它能不能让我少当一半的搬运工。\u003C\u002Fp>\u003Ch2>18小时不是噱头，是长任务稳定性的试金石\u003C\u002Fh2>\u003Cblockquote>Seed 2.1 Pro 围绕一个 16×16 PE 的 Tiny NPU Tile，连续运行近 18 个小时，经历 9 轮迭代，最终完成了 6 个核心模块、1303 行 RTL 代码。\u003C\u002Fblockquote>\u003Cp>这句话的价值不在“18小时”本身，而在它暴露了一个老问题：模型不是不会写代码，而是很难在长链路里不跑偏。短任务里，模型只要把一段代码写出来就行。长任务里，它要记住目标、维护状态、处理中间错误、根据反馈改方案，还不能把前面自己写过的东西推翻重来。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782706699316-d9qz.png\" alt=\"豆包2.1把长任务跑成可交付结果\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前做过类似的多轮代码代理测试。最常见的翻车方式不是语法错，而是结构错：第一轮建了一个思路，第二轮为了修一个小 bug，把整个架构带歪了；或者它修好了局部，却忘了全局约束。最后你会发现，模型不是在“完成任务”，而是在“连续制造新问题”。\u003C\u002Fp>\u003Cp>这次文章里的 RTL 案例，至少说明 Seed 2.1 Pro 不是单轮生成器。它能围绕同一个目标反复迭代，保持上下文一致性，还能把复杂硬件设计拆到模块级。这对 \u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa> 很关键，因为 Agent 真正难的不是会不会调用工具，而是能不能在工具调用之间维持任务状态。\u003C\u002Fp>\u003Cp>怎么用这点？我会把它理解成一个判断标准：如果你的任务需要 30 分钟以上、要跨文件、要反复修订，那就别把模型当一次性问答器。你应该给它明确的阶段目标、验收点和回滚边界。比如：\u003C\u002Fp>\u003Cul>\u003Cli>先让它输出任务分解，不要直接写最终结果。\u003C\u002Fli>\u003Cli>每一轮只改一个维度，比如结构、样式、性能、错误处理。\u003C\u002Fli>\u003Cli>每轮结束都要求它总结“已完成、未完成、风险点”。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这样做的原因很简单：长任务靠的不是灵感，是状态管理。模型如果没有这个习惯，后面再强也只是会乱跑的车。\u003C\u002Fp>\u003Ch2>它不是只会写代码，而是在学会交付文件\u003C\u002Fh2>\u003Cblockquote>在 OpenCode 中调用 Seed 2.1 Pro API，把它放进更接近 Claude Code、Codex 的开发者环境里，看它面对长 Prompt、代码生成、文件型交付和结构化报告时，能不能真正把任务跑下来。\u003C\u002Fblockquote>\u003Cp>这段描述我很认同，因为它测的不是“代码能不能生成”，而是“能不能交付一个文件”。这俩完全不是一回事。生成代码只是中间动作，交付文件才是工作结果。一个模型如果只会吐代码块，那它离工程化还差一截。\u003C\u002Fp>\u003Cp>文章里那个单文件 WebGL2 3D 房屋任务很典型：只允许一个 index.html，不许用 Three.js、Babylon.js、外部资源，还要支持鼠标旋转、滚轮缩放、WASD 和 R 键重置。说实话，这种限制我很喜欢，因为它逼模型自己搭骨架。没有外部库，意味着它必须自己处理初始化、shader、矩阵、相机控制、几何体组合和基本光照。\u003C\u002Fp>\u003Cp>我自己跑过类似任务，最容易暴露的问题有三个：一是代码组织稀烂，二是交互有一两个键失效，三是视觉上像堆盒子。Seed 2.1 Pro 的表现至少说明它知道“先跑起来，再变好看”。这点特别重要，因为很多模型一上来就想做视觉炫技，结果底层结构不稳，后面越改越崩。\u003C\u002Fp>\u003Cp>你如果要把这种\u003Ca href=\"\u002Fnews\u002Fai-security-capability-template-zh\">能力\u003C\u002Fa>用到自己的项目里，我建议直接按文件交付思路来提需求：\u003C\u002Fp>\u003Cul>\u003Cli>明确只改哪个文件，避免模型乱开新文件。\u003C\u002Fli>\u003Cli>把“能运行”写成第一优先级，别让它一开始就追求完美。\u003C\u002Fli>\u003Cli>把交互、性能、代码可读性拆成独立检查项。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我对这种任务的判断很现实：能稳定吐出一个可打开、可操作、可继续改的文件，才算真正进入开发工作流。否则就是高级文案生成器。\u003C\u002Fp>\u003Ch2>PPT能力的重点，不是排版，是结构化表达\u003C\u002Fh2>\u003Cblockquote>请基于网络搜集的材料，帮我设计一份 10 页中文汇报 PPT，主题是《AI Agent 进入企业生产系统的三个信号》。\u003C\u002Fblockquote>\u003Cp>我看这类任务时，最先盯的不是它会不会做花哨页面，而是它能不能把内容压缩成高管能看懂的结构。很多模型做 PPT 的毛病都一样：标题像新闻稿，要点像流水账，图表建议空泛得像模板库复制出来的。看完之后你知道它“会做页”，但不知道它“会不会汇报”。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782706710285-pzxt.png\" alt=\"豆包2.1把长任务跑成可交付结果\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>这次的要求挺像真实场景：先给目录，再给每页标题、核心结论、三个以内要点、图表结构，还要额外输出一张可直接渲染的 SVG 总览图。这个组合其实在测三件事：信息分层、逻辑压缩、视觉结构意识。尤其是“短句、抓重点，不要 PR 腔”这一句，直接把很多模型最爱用的废话堵死了。\u003C\u002Fp>\u003Cp>我自己的经验是，PPT 生成最难的不是“写满”，而是“留白”。模型经常恨不得一页塞十个点，结果没有主线。真正能用的 PPT，往往每页只有一个核心判断，剩下的都是证据和辅助结构。Seed 2.1 Pro 如果能把这类任务做得像样，说明它已经开始理解“汇报不是作文”。\u003C\u002Fp>\u003Cp>怎么落地？我会这样用：\u003C\u002Fp>\u003Cul>\u003Cli>先让模型出目录，再让它逐页展开，不要一口气全写完。\u003C\u002Fli>\u003Cli>每页限制一个结论句，三个要点以内。\u003C\u002Fli>\u003Cli>强制要求图表类型和视觉结构，不然它会偷懒写成纯文字。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>还有一点我很在意：它能不能把内容和设计分开。很多模型一旦开始讲设计，就会把内容也带跑。好的流程是先定逻辑，再定版式，最后才是视觉。顺序错了，PPT 再漂亮也只是壳子。\u003C\u002Fp>\u003Ch2>数据分析这活，拼的是异常识别，不是算术题\u003C\u002Fh2>\u003Cblockquote>下面是一组模拟的 AI 办公产品近 8 周数据，包括新增用户、活跃用户、付费转化、使用次数、平均任务完成时长、用户投诉率。\u003C\u002Fblockquote>\u003Cp>这类题看起来像表格计算，实际上更接近产品分析。因为真正有价值的不是算出几个百分比，而是从趋势里找异常，从异常里猜原因，再把判断变成业务结论。模型如果只会算，不会解释，那还是没过关。\u003C\u002Fp>\u003Cp>文章里这组数据很适合测模型：W1 到 W8 的新增、活跃、付费、调用次数都在涨，但 W5 的平均完成时长突然变长、投诉率飙升。这种点如果模型看不出来，说明它只是机械读数，没有业务直觉。反过来，如果它能指出这是一次可能的产品回退、功能复杂化或者流量质量变化，那它才算真的在做分析。\u003C\u002Fp>\u003Cp>我以前给 AI 做过类似的“数据表+业务结论”测试，最常见的问题就是它会把所有周都说成“稳步增长”，然后在结尾补一句“建议持续观察”。这类结论基本等于没说。能用的分析，必须指出哪一周发生了什么、为什么可能发生、下一步该验证什么。\u003C\u002Fp>\u003Cp>如果你要复用这种能力，我建议把分析任务固定成六步：\u003C\u002Fp>\u003Col>\u003Cli>先判断整体趋势。\u003C\u002Fli>\u003Cli>再找异常点。\u003C\u002Fli>\u003Cli>算关键比率。\u003C\u002Fli>\u003Cli>写给负责人看的结论。\u003C\u002Fli>\u003Cli>给图表方案。\u003C\u002Fli>\u003Cli>列验证问题。\u003C\u002Fli>\u003C\u002Fol>\u003Cp>这套顺序很重要，因为它逼模型从“看见数据”走到“做出判断”。我不太信那种一上来就让模型直接给结论的做法，太容易得到空话。先结构化，再总结，结果会扎实很多。\u003C\u002Fp>\u003Ch2>截图转 PRD，考的是视觉理解和产品翻译\u003C\u002Fh2>\u003Cblockquote>请仔细阅读这张产品截图，把它当作一款 AI Agent 工作台的首页。\u003C\u002Fblockquote>\u003Cp>这个任务很有意思，因为它不是纯文本，也不是纯代码，而是“看图说话再写产品文档”。这类工作很接近真实产品团队日常：你看到一个页面，得先识别功能区，再判断信息架构问题，最后把它翻成 PRD。中间任何一步掉链子，文档就会失真。\u003C\u002Fp>\u003Cp>我很喜欢文章里那个限制：不要编造截图里不存在的按钮或信息。这个约束特别必要，因为多模态模型最容易在这一步瞎补。它会把没看清的地方自动脑补成“看起来应该有的东西”，然后写得头头是道。问题是，PRD 不是想象题，错一个按钮位置都可能让后续设计返工。\u003C\u002Fp>\u003Cp>从应用角度看，这个能力特别适合产品、运营、设计协同场景。你上传截图，模型先帮你拆功能，再给问题清单，再出改版草案。这样一来，很多“从截图到文档”的脏活就不用人自己抄了。但我还是要泼点冷水：它能替你起草，不代表能替你决策。真实用户研究、埋点数据、业务目标，还是得人来补。\u003C\u002Fp>\u003Cp>如果要把这类能力放进你的工作流，我建议你这样提需求：\u003C\u002Fp>\u003Cul>\u003Cli>先要求识别页面元素，再要求评价问题，最后才写 PRD。\u003C\u002Fli>\u003Cli>明确禁止编造信息。\u003C\u002Fli>\u003Cli>要求输出一版文字草图，方便你直接给设计师看。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这个顺序能显著减少模型胡编乱造。说白了，先看见，再解释，再提案，别倒着来。\u003C\u002Fp>\u003Ch2>真正值钱的是“同一个底座，多种入口”\u003C\u002Fh2>\u003Cblockquote>火山方舟面向开发者和企业 API 调用，豆包专业版承接办公生产力，TRAE 和 TRAE WORK 切进 AI Coding，扣子负责 Agent 应用搭建。\u003C\u002Fblockquote>\u003Cp>这才是我觉得这篇内容里最值得记的一点。单个模型强不强是一回事，能不能被塞进不同入口、不同人群、不同任务链里，是另一回事。一个底座同时服务 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa>、办公、编程和 Agent 搭建，说明它不是只想做“聊天模型”，而是想进生产系统。\u003C\u002Fp>\u003Cp>这件事的意义很现实：模型能力会被追平，但入口和工作流很难。你把同一个模型放进开发者工具、办公助手和企业平台，它就不只是一个模型，而是一个任务中枢。用户每天打开的不是“模型”，而是“完成任务的路径”。\u003C\u002Fp>\u003Cp>我对这点的判断很直接：如果一个模型只能在榜单里赢，它影响有限；如果它能进入日常工具链，才算真的开始吃生产力红利。豆包这次的打法就是把模型能力嵌进多个场景，让用户不需要理解模型细节，只要知道“我这个活可以丢给它”。\u003C\u002Fp>\u003Cp>但这里也有个现实问题：入口越多，责任越大。因为一旦进入工作流，错误不是“回答错了”，而是“文件错了、页面错了、分析错了、代码错了”。所以生产级可用不是吹口号，它要求模型能接受校验、能被回滚、能被人\u003Ca href=\"\u002Fnews\u002Fopenmontage-open-source-ai-video-production-zh\">接管\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>我会把这类系统的落地标准总结成\u003Ca href=\"\u002Fnews\u002Fopenmontage-one-prompt-to-full-video-zh\">一句话\u003C\u002Fa>：别问它会不会说，问它能不能接住一整段工作。\u003C\u002Fp>\u003Ch2>你可以直接复制的工作流模板\u003C\u002Fh2>\u003Cp>下面这份模板是我按这篇文章的结构整理出来的。它不是新闻摘要，而是一个适合你拿去做模型实测、产品评估、或者内部汇报的通用框架。你可以把任务、模型名、文件名和输出格式替换成自己的。\u003C\u002Fp>\u003Cpre>\u003Ccode># AI Agent 长任务实测模板（可直接复制）\n\n## 1. 测试目标\n验证模型是否能在真实工作流里完成长任务、文件交付和多轮迭代，而不是只会单轮回答。\n\n## 2. 测试原则\n- 优先保证可运行、可交付\n- 不要一上来追求完美视觉或复杂功能\n- 每轮只改一个维度\n- 每轮都保留状态总结\n- 明确禁止编造不存在的信息\n\n## 3. 任务一：长代码任务\n### 目标\n生成一个可运行的单文件项目。\n\n### 约束\n- 只允许一个文件\n- 不允许外部 CDN、模型、图片、字体\n- 必须能本地直接打开运行\n- 必须包含基础交互\n\n### 评估点\n- 是否能理解复杂约束\n- 是否能拆分模块\n- 是否能保持代码结构\n- 是否能在第二轮继续增量优化\n\n## 4. 任务二：PPT 生成\n### 目标\n输出一份 10 页中文汇报 PPT 大纲。\n\n### 要求\n- 先给目录\n- 每页包含标题、核心结论、3 个以内要点、图表建议\n- 至少 3 页强视觉页面\n- 语言短句化，面向管理层\n\n### 评估点\n- 逻辑是否清楚\n- 是否能压缩信息\n- 是否能把内容和视觉分开\n\n## 5. 任务三：数据分析\n### 目标\n从 8 周产品数据中找趋势、异常和业务结论。\n\n### 输出结构\n- 整体趋势\n- 异常点\n- 核心指标变化\n- 300 字以内业务结论\n- 图表方案\n- 下一步验证问题\n\n### 评估点\n- 是否能识别异常\n- 是否能解释原因\n- 是否能给出可执行建议\n\n## 6. 任务四：截图转 PRD\n### 目标\n根据产品截图写出可执行的改版 PRD。\n\n### 要求\n- 先识别页面功能区\n- 再指出信息架构和交互问题\n- 禁止编造截图里没有的信息\n- 最后输出文字版布局草图\n\n### 评估点\n- 是否真的看懂图片\n- 是否能把视觉信息翻译成产品语言\n- 是否能保持事实边界\n\n## 7. 结果记录表\n- 任务名称\n- 输入约束\n- 输出文件\n- 是否可运行\n- 是否需要人工修正\n- 主要错误类型\n- 下一轮优化方向\n\n## 8. 结论模板\n- 模型是否能完成长任务\n- 是否能输出可交付文件\n- 是否适合接入真实工作流\n- 人工审核还剩多少比例\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>这套模板的好处是，它不依赖某个具体模型。你换成别的 Agent、别的开发工具、别的办公入口，也都能用。核心思路就一个：别只测回答，测交付；别只测一轮，测迭代；别只看结果，盯住过程。\u003C\u002Fp>\u003Cp>我最后的判断很简单：豆包2.1 Pro这次最有意义的地方，不是某一项分数，也不是某个演示页面，而是它开始把“模型能力”变成“工作流能力”。这才是我愿意认真看它的原因。\u003C\u002Fp>\u003Cp>来源说明：本文主要基于量子位在知乎发布的原文和其中引用的火山引擎\u002F字节产品演示整理而成，属于我对原始内容的拆解和再表达，不是原文复述。原始内容见 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052852220404802843\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052852220404802843\u003C\u002Fa>，其中提到的模型与产品信息也可交叉参考 \u003Ca href=\"https:\u002F\u002Fwww.volcengine.com\u002F\">火山引擎\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.coze.cn\u002F\">扣子\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.volcengine.com\u002Fproduct\u002Fark\">火山方舟\u003C\u002Fa> 与 \u003Ca href=\"https:\u002F\u002Fwww.trae.ai\u002F\">TRAE\u003C\u002Fa>。我这里写的是拆解和整理，原始事实来自上面这些来源。","我拆解豆包2.1 Pro怎么把长任务、PPT、数据分析和截图PRD跑成可交付底稿，并整理成可直接复制的实测模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052852220404802843",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782706699316-d9qz.png","industry","zh","75f81ba2-d583-4ee9-ab14-37dfcac34f92",[17,18,19,20,21,22],"豆包2.1 Pro","AI Agent","长任务","PPT生成","数据分析","PRD",[24,25,26],"长任务要看状态管理，不是看单轮回答有多顺","文件型交付比代码片段更接近真实工作流","PPT、数据分析、截图转 PRD 都在测结构化表达",0,"2026-06-29T04:17:53.780062+00:00","2026-06-29T04:17:53.755+00:00","fa1dc5e8-0eec-4179-8dc0-e35a3d82f701",{"tags":32,"relatedLang":36,"relatedPosts":39},[33],{"name":34,"slug":35},"AI agent","ai-agent",{"id":15,"slug":37,"title":6,"language":38},"doubao-2-1-long-agent-workflow-en","en",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"e1c96c63-93c0-4cc0-8e69-26cbd0655457","turboquant-cuts-llm-memory-use-without-retraining-zh","TurboQuant 讓長上下文推理更省記憶體","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782710266206-izlz.png","2026-06-29T05:17:22.332572+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"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":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"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":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"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":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"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":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"28295ef3-6120-43b5-98d2-7cf4688b34a5","ai-security-capability-template-zh","把 AI 安全能力做成模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782691411752-zxee.png","2026-06-29T00:02:57.583938+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"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":83,"slug":84,"title":85,"created_at":86},"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":88,"slug":89,"title":90,"created_at":91},"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":93,"slug":94,"title":95,"created_at":96},"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":98,"slug":99,"title":100,"created_at":101},"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":103,"slug":104,"title":105,"created_at":106},"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":108,"slug":109,"title":110,"created_at":111},"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":113,"slug":114,"title":115,"created_at":116},"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":118,"slug":119,"title":120,"created_at":121},"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":123,"slug":124,"title":125,"created_at":126},"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"]