[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-extracted-prompts-turn-model-behavior-into-a-map-zh":3,"article-related-extracted-prompts-turn-model-behavior-into-a-map-zh":30,"series-ai-agent-e1195f1f-e00e-4172-82e2-495772599d93":77},{"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},"e1195f1f-e00e-4172-82e2-495772599d93","extracted-prompts-turn-model-behavior-into-a-map-zh","抽出提示詞把模型行為變地圖","\u003Cp data-speakable=\"summary\">我把抽出的 system prompt 拿來對照\u003Ca href=\"\u002Fnews\u002Fopenai-latest-model-us-user-vetting-zh\">模型\u003C\u002Fa>行為，才發現很多怪脾氣其實都寫在規則裡。\u003C\u002Fp>\u003Cp>我盯\u003Ca href=\"\u002Fnews\u002Fmythos-access-runs-through-washington-zh\">模型\u003C\u002Fa> prompt 一陣子了，越看越火大。明明同一類工具，有的回答像客服，有的像同事，有的像在跟你辯論，還有的乾脆什麼都先說好。你如果只看輸出，會以為是模型個性不穩；但我越拆越覺得，真正搞事的常常不是模型本身，而是藏在背後那層 system prompt、產品規則、工具政策。\u003C\u002Fp>\u003Cp>我本來也是只看 demo 的那種人。直到我開始對照抽出的 system prompt，整件事才比較像樣。這篇我拿 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052133036855239807\">這篇 Zhihu 每週 GitHub 熱榜整理\u003C\u002Fa> 當觸發點，裡面提到一批被抽出的 prompts，涵蓋 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa>、OpenAI、Google、xAI、Cursor、\u003Ca href=\"\u002Ftag\u002Fcopilot\">Copilot\u003C\u002Fa>、\u003Ca href=\"\u002Ftag\u002Fvs-code\">VS Code\u003C\u002Fa>、Perplexity 等工具。它沒有給我什麼神秘答案，但它讓我知道該去哪裡找答案。\u003C\u002Fp>\u003Cp>我不是要你去背 prompt。那很蠢，也常常沒用。真正有價值的是：一旦你把模型行為跟提示詞對起來，你就開始能讀懂產品到底在優化什麼、怕什麼、卡在哪裡。這比看行銷頁面誠實多了。\u003C\u002Fp>\u003Ch2>先別信 demo，先看它被誰管著\u003C\u002Fh2>\u003Cblockquote>Extracted system prompts from Anthropic - Claude Fable 5, Opus 4.8, Claude Code, Claude Design. OpenAI - ChatGPT 5.5 Thinking, GPT 5.5 Instant, Codex. Google - Gemini 3.5 Flash, 3.1 Pro, Antigravity. xAI - Grok, Cursor, Copilot, VS Code, Perplexity, and more.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：你看到的回答，早就不是模型「自然長出來」的樣子，而是被一層又一層指令修過的版本。品牌名很吵，但真正有用的是那個事實——這些產品都在用隱藏規則塑形。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782529389449-k81x.png\" alt=\"抽出提示詞把模型行為變地圖\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前也會直接罵模型爛。後來我把同一個問題丟給幾個工具，答案差很大。我才發現不是「這家模型比較聰明」，而是「這家 prompt 比較會管」。有的偏保守，有的偏快，有的超愛先問問題，有的乾脆先幫你做完再說。這些都不是偶然。\u003C\u002Fp>\u003Cp>實操上，我現在評估一個 AI 工具會先拆三層：base model、system prompt、product wrapper。不要再把「Claude 就是這樣」或「Gemini 就那樣」混在一起講，這種講法很容易把問題看歪。你要問的是：是哪個 app、哪份規則、哪層政策在推它。\u003C\u002Fp>\u003Cp>如果你自己也在做產品，先看這幾份官方文件會比較清楚：\u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fprompt-engineering\u002Fsystem-prompts\">Anthropic system prompts\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Fprompt-engineering\">OpenAI prompt engineering\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fprompting-strategies\">Google prompting strategies\u003C\u002Fa>。我不會說它們多偉大，但至少它們講的是同一件事：輸出不是憑空來的。\u003C\u002Fp>\u003Ch2>人格漂移，通常只是規則疊太多\u003C\u002Fh2>\u003Cp>我看過很多 extracted prompt，最常見的感想是：所謂的人格，很多時候只是指令堆疊出來的。先有角色，再有風格，再有安全限制，再有格式要求，再加一堆例外條款。最後模型講話像一個被多個主管同時盯著的實習生。\u003C\u002Fp>\u003Cp>這也是我最不爽的一點。很多團隊以為 \u003Ca href=\"\u002Ftag\u002Fprompt-engineering\">prompt engineering\u003C\u002Fa> 是「寫一句很神的話」。不是。它比較像產品架構。你如果同時叫模型「簡潔」、「詳細」、「保守」、「主動」、「別亂猜」、「別拒絕太多」，它最後當然會變得又慢又黏，還很愛自我審查。\u003C\u002Fp>\u003Cp>我自己踩過這個坑。以前我做過一個內部 copilot，模型本身不差，但系統 prompt 寫得像委員會決議：安全要顧、體驗要好、不能太長、又不能漏資訊。結果它每次都先猶豫半天，像怕被罵。後來我把規則拆開，才知道問題不是模型能力，是指令互撞。\u003C\u002Fp>\u003Cul>\u003Cli>先讀行為，不要先讀文風。\u003C\u002Fli>\u003Cli>找衝突：簡潔 vs 完整、保守 vs 主動、直接回答 vs 先確認。\u003C\u002Fli>\u003Cli>看產品到底是在優化信任、速度、合規，還是自治。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操寫法很簡單：你拿到一份 prompt，就幫每一段標籤。我通常直接標成「tone」、「risk」、「format」、「tool use」、「refusal」。一標完，整份東西就不再像神秘黑盒，而像一張流程圖。這時候再去看 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flinuslee55\u002Fawesome-prompt\">prompt 收藏 repo\u003C\u002Fa>，你會比較知道哪些值得留，哪些只是湊熱鬧。\u003C\u002Fp>\u003Ch2>工具一開，真正的產品設計才開始\u003C\u002Fh2>\u003Cp>只要模型能 call tool，prompt 的重心就變了。它不再只是「講話像誰」，而是「什麼時候查、什麼時候問、什麼時候停、什麼時候交回控制權」。這才是 agent 產品真正麻煩的地方。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782529389544-sau2.png\" alt=\"抽出提示詞把模型行為變地圖\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Zhihu 那篇整理提到 \u003Ca href=\"\u002Ftag\u002Fclaude-code\">Claude Code\u003C\u002Fa>、Codex、Cursor、VS Code、Perplexity 這些名字，我看到的重點不是品牌，而是工作流。這些不是單純聊天框，它們是把模型塞進開發流程裡。那代表 prompt 必須管決策，不只是管口氣。\u003C\u002Fp>\u003Cp>我自己做過一個小型內部 agent，最初的 prompt 寫得很像在催眠它「去做事、去做事、去做事」。結果它很愛狂打工具，像在刷存在感。問題不是它太勤勞，是我把「用工具」寫成了進度感。後來我改成先出短計畫，再決定要不要動工具，整個行為就穩很多。\u003C\u002Fp>\u003Cp>實操寫法：如果你的 AI 工具有 tool calling，prompt 不要寫成雞湯，要寫成決策樹。至少把下面幾件事講清楚：\u003C\u002Fp>\u003Cul>\u003Cli>什麼情況直接答\u003C\u002Fli>\u003Cli>什麼情況先問問題\u003C\u002Fli>\u003Cli>什麼情況先看檔案或資料\u003C\u002Fli>\u003Cli>什麼情況先出計畫\u003C\u002Fli>\u003Cli>什麼情況要停下來等批准\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你可以去對照 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Ffunction-calling-and-other-api-updates\u002F\">OpenAI function calling\u003C\u002Fa> 跟 \u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fagents-and-tools\">Anthropic tools guidance\u003C\u002Fa>。兩邊講法不一樣，但核心很像：工具使用要有政策，不是靠情緒。\u003C\u002Fp>\u003Ch2>跨模型比對，最容易看出 prompt 債\u003C\u002Fh2>\u003Cp>我現在很愛把不同家的 extracted prompt 並排看。這招很土，但超有用。你一排開來，哪份 prompt 乾淨、哪份 prompt 充滿重複規則、哪份 prompt 到處打架，立刻看得出來。那種亂，通常也會原封不動漏進產品體驗裡。\u003C\u002Fp>\u003Cp>我有點受不了那種把 prompt 當「只是文字」的團隊。真的不是。它就是產品設計的一部分。你如果把所有 stakeholder 的需求全塞進一份 prompt，最後模型就會\u003Ca href=\"\u002Fnews\u002Fkalshi-turns-openai-ipo-timing-into-a-wager-zh\">變成\u003C\u002Fa>：怕錯、怕長、怕承諾、怕主動、怕漏東西。這不是聰明，這叫 prompt 債。\u003C\u002Fp>\u003Cp>我以前比對過兩個功能相近的 assistant。底層模型差不多，但一個 prompt 很短，邊界很清楚；另一個超長，滿滿都是「helpful」「safe」「concise」「detailed」「don’t overstep」。結果前者比較像能用的工具，後者像在寫自我檢討。\u003C\u002Fp>\u003Cp>實操寫法：你可以做一張簡單表格，欄位固定就好：\u003C\u002Fp>\u003Cul>\u003Cli>role instruction\u003C\u002Fli>\u003Cli>tone instruction\u003C\u002Fli>\u003Cli>tool policy\u003C\u002Fli>\u003Cli>refusal policy\u003C\u002Fli>\u003Cli>format requirements\u003C\u002Fli>\u003Cli>memory \u002F context rules\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你想找素材，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002F\">GitHub\u003C\u002Fa> 跟這類週更整理頁面最容易挖到 prompt dump。只是我提醒你，別只收藏，先分類。收藏很多不代表你有理解，常常只是硬碟在幫你焦慮。\u003C\u002Fp>\u003Ch2>別只抄 prompt，抄它的骨架\u003C\u002Fh2>\u003Cp>這是我覺得最值得講的一點。很多人看到 extracted prompt，就想直接複製貼上。老實說，大多數時候這很爛。不是法律風險而已，還有產品脈絡問題。別人的 prompt 是為別人的產品目標寫的，不是為你。\u003C\u002Fp>\u003Cp>真正能抄的是結構。好的 prompt 通常會把 identity、behavior、constraints、output format 分開，而且會明講優先序。這樣模型才知道哪條規則先，哪條規則後，哪條規則不能碰。沒有這種骨架，模型很容易在細節裡亂飄。\u003C\u002Fp>\u003Cp>我後來自己寫 prompt，也都用這四格去拆。拆完之後，debug 會快很多。因為一旦輸出怪掉，你就知道是身份寫歪了，還是行為規則太鬆，還是限制不夠明確，不會整天懷疑玄學。\u003C\u002Fp>\u003Cp>實操寫法：每次看 prompt dump，我都先重寫成這四塊：\u003C\u002Fp>\u003Cul>\u003Cli>Identity：它是誰\u003C\u002Fli>\u003Cli>Behavior：它遇到不確定時怎麼辦\u003C\u002Fli>\u003Cli>Constraints：它不能做什麼\u003C\u002Fli>\u003Cli>Output：它最後要長什麼樣\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是做 API 產品，這三份官方文件也值得對照：\u003Ca href=\"https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Ftext\">OpenAI text generation\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fprompt-engineering\u002Foverview\">Anthropic prompt engineering overview\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fprompting-strategies\">Google prompting strategies\u003C\u002Fa>。我看完的感想很直接：大家都在講同一件事，只是語氣不同。\u003C\u002Fp>\u003Ch2>抽 prompt 不是蒐藏，是拿來除錯\u003C\u002Fh2>\u003Cp>我最不想看到的，就是有人把 extracted prompt 當戰利品。那真的很浪費。它最有價值的地方，是除錯。模型怪怪的時候，你要先判斷怪的是 base instruction、product wrapper，還是你自己那層應用邏輯。\u003C\u002Fp>\u003Cp>這在 agent 工作流特別明顯。它如果一直拒絕、一直解釋、一直忽略檔案上下文，通常不是「它不夠聰明」，而是系統 prompt 的優先序寫歪了。它如果太積極，可能是自治權給太多。它如果一直抓不到重點，可能是任務邊界根本沒寫清楚。\u003C\u002Fp>\u003Cp>我做過版本比對，真的有用。前後兩版 prompt 只差幾句，行為卻差很多：多一條安全條款，模型就開始縮；多一條格式要求，它就開始僵；多一條 tool policy，它就開始亂跑。這種差異你不去看 prompt，根本猜不到。\u003C\u002Fp>\u003Cp>實操寫法：建立一份 prompt diff log。每次模型行為變了，就記：\u003C\u002Fp>\u003Cul>\u003Cli>日期\u003C\u002Fli>\u003Cli>prompt 版本\u003C\u002Fli>\u003Cli>UI 改動\u003C\u002Fli>\u003Cli>tool policy 改動\u003C\u002Fli>\u003Cli>觀察到的行為差異\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果拿不到 system prompt，也沒關係。你就記可觀察行為，反推可能是哪條規則變了。這很麻煩，但比一直憑感覺罵模型有用多了。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Prompt behavior audit template（可直接複製）\n\n## Source\n- Product:\n- Model:\n- Source URL:\n- Date reviewed:\n\n## What I observed\n- Tone:\n- Verbosity:\n- Refusal behavior:\n- Tool use behavior:\n- Error recovery behavior:\n\n## Prompt structure guess\n- Identity:\n- Behavior rules:\n- Constraints:\n- Output format:\n- Priority order:\n\n## Conflicts I suspect\n- Rule A vs Rule B:\n- Safety vs speed:\n- Concision vs completeness:\n- Autonomy vs approval:\n\n## How I would rewrite it\n### Identity\n\n### Behavior\n\n### Constraints\n\n### Output format\n\n### Tool policy\n\n### Escalation \u002F refusal policy\n\n## Copy-ready system prompt skeleton\nYou are a [role].\n\nBehavior:\n- Be [tone].\n- Prefer [decision style].\n- Ask clarifying questions when [condition].\n\nConstraints:\n- Do not [forbidden action].\n- Do not guess when [uncertainty condition].\n- Do not use tools unless [tool condition].\n\nOutput:\n- Return answers in [format].\n- Keep responses [length\u002Fstyle].\n\nTool policy:\n- Use tools when [rule].\n- Stop and summarize before [rule].\n- Ask for approval before [rule].\n\nPriority:\n1. Safety and policy\n2. Task correctness\n3. Tool efficiency\n4. Tone and style\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我會把這份模板當成固定檢查表，不是拿來裝飾文件。你只要照著填一次，很多模型行為就會突然變得可解釋。可解釋，通常就代表可修。\u003C\u002Fp>\u003Cp>這篇裡面，原始觸發來源是 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052133036855239807\">Zhihu 那篇每週 GitHub 熱榜整理\u003C\u002Fa>；我上面拆的觀點跟模板，是我自己把 prompt-extraction 這件事整理成能工作的版本，不是原文照抄。\u003C\u002Fp>","拆解抽出系統提示詞的實用讀法，附可直接複製的模板，幫你把模型行為當成可檢查的規格。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2052133036855239807",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782529389449-k81x.png","ai-agent","zh","2c7cd1c3-a757-4c0b-a0a5-12a894d479e0",[17,18,19,20,21],"system prompt","prompt engineering","agent workflow","tool calling","prompt audit",[23,24,25],"先分清 base model、system prompt、product wrapper，別把輸出怪都怪到模型頭上。","讀 prompt 時要標註行為、衝突與工具政策，才能把黑盒變成可除錯的流程圖。","真正能抄的是 prompt 結構與審查模板，不是別人的原文。",0,"2026-06-27T03:02:47.173746+00:00","2026-06-27T03:02:47.167+00:00","e3b68196-9e64-4c18-a3b6-a73e73bfb367",{"tags":31,"relatedLang":36,"relatedPosts":40},[32,34],{"name":18,"slug":33},"prompt-engineering",{"name":20,"slug":35},"tool-calling",{"id":15,"slug":37,"title":38,"language":39},"extracted-prompts-turn-model-behavior-into-a-map-en","Extracted prompts turn model behavior into a map","en",[41,47,53,59,65,71],{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"0191a50f-e166-40d4-aee9-bdfa70dc0e1d","hippo-deploys-devin-insurance-engineering-zh","Hippo 導入 Devin 進入保險工程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782482570930-ug1v.png","2026-06-26T14:02:24.69399+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"4bae46b4-28cb-40fc-b4d0-ea7d5d2b2d70","doubao-pro-turns-agent-into-office-tool-zh","豆包专业版把Agent做成日常工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782479016692-y1zq.png","2026-06-26T13:03:04.750034+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"20ab5533-36c9-4566-afea-9eb589151180","valkey-bots-backporting-pipeline-zh","Valkey 用 bots 把回補變流水線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782457402862-z23r.png","2026-06-26T07:02:54.72319+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"13459898-9ef7-4703-8103-f118036883d5","loop-engineering-ru-men-gou-jian-ke-chi-xu-die-dai-de-zhi-ne-zh","Loop Engineering 入门：做出可持续迭代智能体","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782443862008-rfzd.png","2026-06-26T03:17:19.754528+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"05a3e312-68ca-49ad-ba12-837a6696a103","omp-terminal-ai-coding-agent-ide-integration-zh","omp 把終端機變成 IDE 級編碼工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782428584107-uhnt.png","2026-06-25T23:02:36.987309+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"f5e73cf4-d736-48b7-b785-7bf20719e888","public-sentry-keys-hijack-claude-code-cursor-zh","公開 Sentry key 也能劫持 AI 編碼工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782413274580-aa9w.png","2026-06-25T18:47:30.891301+00:00",[78,83,88,93,98,103,108,113,118,123],{"id":79,"slug":80,"title":81,"created_at":82},"4ae1e197-1d3d-4233-8733-eafe9cb6438b","claude-now-uses-your-pc-to-finish-tasks-zh","Claude 開始幫你操作電腦","2026-03-26T07:20:48.457387+00:00",{"id":84,"slug":85,"title":86,"created_at":87},"5bede67f-e21c-413d-9ab8-54a3c3d26227","googles-2026-ai-agent-report-decoded-zh","Google 2026 AI Agent 報告解讀","2026-03-26T11:15:22.651956+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"2987d097-563f-46c7-b76f-b558d8ef7c2b","kimi-k25-review-stronger-still-not-legend-zh","Kimi K2.5 評測：更強，但還不是神作","2026-03-27T07:15:55.277513+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"95c9053b-e3f4-4cb5-aace-5c54f4c9e044","claude-code-controls-mac-desktop-zh","Claude Code 也能操控 Mac 了","2026-03-28T03:01:58.58121+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"dc58e153-e3a8-4c06-9b96-1aa64eabbf5f","cloudflare-100x-faster-ai-agent-sandbox-zh","Cloudflare 的 AI 沙箱跑超快","2026-03-28T03:09:44.142236+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"1c8afc56-253f-47a2-979f-1065ff072f2a","openai-backs-isara-agent-swarm-bet-zh","OpenAI 挺 Isara 的 agent swarm …","2026-03-28T03:15:27.513155+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"7379b422-576e-45df-ad5a-d57a0d9dd467","openai-plan-automated-ai-researcher-zh","OpenAI 想做自動化 AI 研究員","2026-03-28T03:17:42.090548+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"48c9889e-86df-450b-a356-e4a4b7c83c5b","harness-engineering-ai-agent-reliability-2026-zh","駕馭工程：從「馬具」到「作業系統」，AI Agent 可靠性的終極密碼","2026-03-31T06:42:53.556721+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"96d8e8c8-1edd-475d-9145-b1e7a1b02b65","mcp-explained-from-prompts-to-production-zh","MCP 怎麼把提示詞變工作流","2026-04-01T09:24:39.321274+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"f2ca7720-b471-4ce5-9336-2a9ac2a876fd","amazon-bedrock-agents-multi-agent-workflows-zh","Amazon Bedrock Agents 進入多代理工作流","2026-04-01T09:30:29.945429+00:00"]