[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-genie-code-databricks-ml-command-center-zh":3,"article-related-genie-code-databricks-ml-command-center-zh":30,"series-ai-agent-ee90f738-3cd0-4dc4-bd65-922e7290c910":71},{"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},"ee90f738-3cd0-4dc4-bd65-922e7290c910","genie-code-databricks-ml-command-center-zh","Genie Code 把 Databricks 變 ML 指揮台","\u003Cp data-speakable=\"summary\">我把 Databricks 的 Genie Code 更新拆成一套可直接抄的 ML 工作流模板，重點是怎麼把長任務、排程和審核接進同一個工作區。\u003C\u002Fp>\u003Cp>我用 \u003Ca href=\"\u002Ftag\u002Fagentic-coding\">agentic coding\u003C\u002Fa> 工具一陣子了，越用越知道哪裡怪。Demo 很會講，叫它改個 notebook 也像那麼回事；但一碰到真的資料工作，就開始散成一地。Notebook 在這邊，SQL 在那邊，模型 run 又是另一頁，Serving endpoint 還躲在別的角落。最煩的是，對話 thread 也像快要壞掉的便利貼，關了怕丟答案，不關又一直卡著。我不是不想要 agent，我是不想再用一個只有聊天框、沒有工作台的東西。\u003Cp>\u003Cp>這次我是在 \u003Ca href=\"https:\u002F\u002Fwww.databricks.com\u002Fblog\u002Fwhats-new-genie-code-data-ai-summit-2026\">Databricks 的 Genie Code 更新文章\u003C\u002Fa>裡，第一次看到有人老實承認這個問題。文章作者是 \u003Ca href=\"https:\u002F\u002Fwww.databricks.com\u002F\">Julia Powell\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.databricks.com\u002F\">Gal Oshri\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.databricks.com\u002F\">Weston Hutchins\u003C\u002Fa>。Databricks 還提到 Genie products 成長超過 10x、而且有 90% customers 在用，這種數字很吵，表示它已經不是邊角料，而是被塞進預設流程裡了。\u003Cp>\u003Ch2>他們終於承認：單一 prompt 根本不夠\u003C\u002Fh2>\u003Cblockquote>A user may need to inspect existing logic, update multiple assets, run code, review outputs, and refine the next step based on results.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：真正的資料工作不是叫 AI 寫一段字就結束，而是一路查、一路改、一路驗證。你今天要做的通常不是「幫我寫 query」，而是「先找出哪個假設錯了，再看 pipeline，修 notebook，重跑 job，比對輸出，最後把 dashboard 為什麼變掉講清楚」。這種事本來就不是一個 prompt 能收尾的。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782004690739-5z02.png\" alt=\"Genie Code 把 Databricks 變 ML 指揮台\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Databricks 這次比較誠實的地方，就是它沒有假裝 side panel 的聊天框可以撐住這種工作。它把 Genie Code 拉成 full-page experience，我覺得這一步很對。因為 context 就是產品。當我同時在看 notebooks、SQL、Lakeflow pipelines、dashboards、jobs、models、serving endpoints、Unity Catalog assets 的時候，我不想把 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 塞在旁邊像客服小工具。\u003C\u002Fp>\u003Cp>我之前 debug 一個 pipeline failure 時就很有感。答案分散在三個頁面，model run 在一處，真正有用的線索又藏在 thread 裡。那種時候你需要的不是更會講話的 bot，而是一個能把整條線攤開的工作區。命令台式的設計，至少不會讓我每切一次工作就把腦袋打散一次。\u003C\u002Fp>\u003Cp>實操上，我會直接把 agent workflow 從「一次性問答」改成「可續跑的 session」。任務要能被重新命名、搜尋、回頭看，還要能留下審核點。只要工作跨過一個 artifact，窄窄的 \u003Ca href=\"\u002Fnews\u002Fchatgpt-10yi-yuehuo-ai-zhushou-bu-shi-yingjia-tongchi-zh\">chat\u003C\u002Fa> panel 就會變成負擔，不是幫手。\u003C\u002Fp>\u003Ch2>真正有用的不是聊天，是可以排隊並行\u003C\u002Fh2>\u003Cp>這篇文章裡我最在意的一點，是它支援多個 Genie Code threads。Databricks 說，使用者可以看到 thread 正在執行還是在等輸入，等結果回來再接著看。這句看起來很普通，但你只要做過十個半成品 investigation，就知道這是救命功能。\u003C\u002Fp>\u003Cp>白話一點，這不是 conversation bubble，這比較像 \u003Ca href=\"\u002Fnews\u002Fopenai-partner-network-enterprise-ai-scale-zh\">work\u003C\u002Fa> queue。對資料工程和 ML 來說，這個心智模型才對。我可以把一條 thread 留給 feature cleanup，另一條留給 model comparison，第三條留給 dashboard discrepancy，不用全部擠在同一個模糊 session 裡互相污染。\u003C\u002Fp>\u003Cul>\u003Cli>把 thread 改成可辨識的名字，兩天後才看得懂自己在幹嘛。\u003C\u002Fli>\u003Cli>能搜尋舊 thread 就不要每次重開一個新的。\u003C\u002Fli>\u003Cli>用狀態提示分清楚哪些在跑、哪些在等你補資料。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>文章也提到 instructions、\u003Ca href=\"\u002Ftag\u002Fskills\">skills\u003C\u002Fa>、connectors 更容易找了。這不是 UI 小修小補而已。這類工具會不會真的變好用，關鍵常常就卡在這裡：它知不知道你的規範、你的 workspace 習慣、你的資料來源。如果知道，它才不會一直問蠢問題。\u003C\u002Fp>\u003Cp>我會把這種命令台當成 agent 的 control plane，不是 chat UI。把團隊規則放進去，把對應的 connectors 接好，再替每個 thread 定義 owner 和 outcome。沒有這些，最後只會多出一堆看起來很忙、其實沒收尾的工作。\u003C\u002Fp>\u003Ch2>ML 的重點從來不是訓練，是中間那堆爛事\u003C\u002Fh2>\u003Cp>Databricks 這篇有一句我很買單：大部分 model work 根本不是 training model，而是 feature、experiment、evaluation、productionization，還有上線後的維護。這才是團隊最耗時間的地方，也是很多模型最後沒真的進產線的原因。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782004687438-w26p.png\" alt=\"Genie Code 把 Databricks 變 ML 指揮台\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Genie Code for \u003Ca href=\"\u002Ftag\u002Fmachine-learning\">machine learning\u003C\u002Fa> 的定位，就是去打這個 boring middle。Databricks 說它不是另外一個你要重新學的工具，而是同一個 agent，往 production ML engineering 方向專門化。這點很重要，因為資料團隊最常死在切工具。Notebook 一套、model registry 一套、serving 又一套，每切一次就掉一次節奏。\u003C\u002Fp>\u003Cp>文章還提到兩種 knowledge：一種是 Databricks 自己的 production ML 經驗，另一種是你團隊的 patterns，也就是它說的 Genie Ontology。我把這理解成：它不是只學通用語法，而是學你們團隊怎麼 build、怎麼 evaluate、怎麼決策。\u003C\u002Fp>\u003Cp>這就是我最在意的地方。一般 coding agent 很會湊 syntax，但很不會處理 business tradeoff。它不知道哪個 metric 才算真的重要，不知道哪個 evaluation set 才是可信的，也不知道哪個 shortcut 會讓你在 prod review 被罵。若它真的能吸收團隊 pattern，那它幫的就不只是寫 code，而是在保存團隊記憶。\u003C\u002Fp>\u003Cp>實操上，我會把 ML workflow 寫得夠明確，讓 agent 看得懂。feature pattern、evaluation script、promotion rule 都要文件化，不要藏在某個 senior 的腦袋裡。你要它幫 production ML，就得先給它地圖，不然它只會一直猜。\u003C\u002Fp>\u003Ch2>MLflow 和 serving 才是這次最像真的地方\u003C\u002Fh2>\u003Cp>Databricks 在這裡講得很具體，我反而比較信。Genie Code 可以讀 MLflow runs、artifacts、lineage、quality metrics 和 system metrics，也能看 Model Serving endpoint 的 health 和 performance。它還知道 compute，會去用 AI Runtime for GPU jobs，或者透過 workspace environment features 幫你把環境設好。\u003C\u002Fp>\u003Cp>這就不是「會寫 code」而已了，這是「懂系統」。如果 agent 看得到你的 runs，它就能回答像是 GPU utilization 要怎麼調、模型該追哪些 metrics 這種問題。如果它看得到 serving health，它就能幫你查 endpoint 為什麼變慢、為什麼不穩。這比一個只會建議你重構的 generic bot 實用太多。\u003C\u002Fp>\u003Cul>\u003Cli>把 MLflow 當成 model experiment 問題的 source of truth。\u003C\u002Fli>\u003Cli>遇到 latency、error、traffic 問題，就直接看 serving diagnostics。\u003C\u002Fli>\u003Cli>讓 compute awareness 幫你省掉那些很煩但又必須做的 setup 步驟。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我看過太多團隊卡在「assistant 看得懂 code，卻看不懂 runtime」這種荒謬狀況。那在 production 裡根本不好笑。只要把 agent 接到 MLflow 和 serving，它就開始有機會碰到 lifecycle，不只是 notebook 裡那一小段。\u003C\u002Fp>\u003Cp>實操上，如果你本來就在 Databricks 上做 ML，我會優先把 agent 接到已經定義你流程的 artifacts。不要叫它自己猜什麼重要，直接給 runs、metrics、lineage、serving \u003Ca href=\"\u002Fnews\u002Fdatabricks-custom-model-serving-endpoints-zh\">data\u003C\u002Fa>，然後用這些資料來做 review，而不是只看 code diff。\u003C\u002Fp>\u003Ch2>排程任務一上來，節奏就變了\u003C\u002Fh2>\u003Cp>文章裡說 scheduled tasks soon coming，這一段我覺得才是真正把 Genie Code 往前推的地方。你可以給它一個 prompt，再附 notebook、workflow 或 dashboard，然後讓它晚點自己跑。做完之後，它會把結果丟回一個 thread 讓你 review。\u003C\u002Fp>\u003Cp>這看起來不大，但它解鎖的是整批原本很煩的工作：隔夜 job check、每週分析準備、dashboard metric 說明、模型表現會前整理。這些事我以前都得靠記憶和待辦清單硬撐，老實說很爛。人類很不適合做這種重複又沒新鮮感的排程工作。\u003C\u002Fp>\u003Cp>我喜歡它還保留一個邊界：agent 可以先做，但最後還是要人 review。這才是資料和 ML 裡合理的 autonomy。我要的是它先整理證據、先寫草稿、先把診斷跑完，不是它自己覺得很有把握就去改 production。\u003C\u002Fp>\u003Cp>文章也提到 Genie ZeroOps，會盯 live systems，先準備 fixes 再交給人看。這就是同一個模式，只是對準 production incident：model drift、serving errors、upstream pipeline problems。說穿了，就是讓 agent 先做第一輪 boring incident response，再由人決定要不要真的動手。\u003C\u002Fp>\u003Cp>實操上，我會先分清楚哪些 recurring tasks 可以自動產出「草稿」，哪些只能停在建議。只要最後結果是 summary、diagnosis、recommendation，通常都適合先自動化。只要會碰 production，就一定要有人卡最後一關。這條線比行銷文案重要多了。\u003C\u002Fp>\u003Ch2>這篇真正的訊號，是 Databricks 在押 AI-native workflow\u003C\u002Fh2>\u003Cp>如果只看單一功能，很容易看不出來。但把整篇串起來看，方向其實很明白：Databricks 想做的是一個 agent 內嵌在平台裡、看得到資產、看得到 runtime、也能在 dev 和 ops 之間來回移動的 workflow。\u003C\u002Fp>\u003Cp>這很符合現在資料團隊的現實。做 model 的人，最後常常也得去查 pipeline、看 dashboard、跟 PM 解釋 serving 行為。所謂 dev \u002F ops 的分工，在資料系統裡本來就沒那麼乾淨。Genie Code 的設計，基本上就是順著這個混亂世界去長，而不是硬把世界切成兩半。\u003C\u002Fp>\u003Cp>我覺得這是這次最務實的地方。不是在講 AI 會把 workflow 全部換掉，而是說：你原本那套 workflow，其實可以少一點切頁、少一點手動 glue、少一點找不到上下文的痛苦。\u003C\u002Fp>\u003Cp>實操上，如果你在評估 agentic tools，我會直接問幾個問題：它看得到 data、model、experiment history、serving layer 嗎？它能不能跨 session 持續工作？它產出的是可 review 的東西，還是只是在那邊很會聊天？如果都不是，那你買到的只是有野心的文字框。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Databricks Genie Code ML 工作流模板（可直接套用）\n\n## 1) 先把 thread 命名清楚\n用一眼看得懂的名稱，不要用「test」或「fix this」。\n\n範例：\n- model-drift-daily-check\n- feature-pipeline-debug\n- serving-latency-investigation\n- weekly-business-metric-review\n\n## 2) 給 Genie Code 一個完整任務\n不要只丟一句「幫我看一下」。要寫成工程任務。\n\n模板：\n\"Inspect [asset]. Identify the root cause of [problem].\nUse [notebook \u002F workflow \u002F dashboard \u002F model \u002F endpoint].\nCompare the current result with [baseline].\nSummarize findings, list risks, and propose the next action.\"\n\n## 3) 附上真的有用的上下文\n把它需要的 artifact 一起給：\n- notebook\n- SQL query\n- Lakeflow pipeline\n- dashboard\n- MLflow run\n- model registry entry\n- serving endpoint\n- Unity Catalog asset\n\n## 4) 放進團隊規則\n短一點、具體一點。\n\n範例：\n- 優先使用 Delta tables，不要亂拉 ad hoc extract。\n- 以 MLflow metrics 作為實驗結果的 source of truth。\n- 任何 feature leakage 風險都要標出來。\n- 沒有批准前，不要改 production endpoint。\n- 用 business terms 解釋 tradeoff，不要只講技術細節。\n\n## 5) 先定義 review loop\n開始前就先說清楚什麼叫 done。\n\n模板：\n- 已收集證據\n- 已找出 root cause\n- 已寫好 recommendation\n- 人工 review diff 或輸出\n- production change 另外批准\n\n## 6) 把 recurring work 丟給 scheduled tasks\n適合的情境：\n- overnight job checks\n- weekly model review\n- dashboard metric summaries\n- pipeline health summaries\n- serving endpoint health checks\n\nPrompt 模板：\n\"At [time], review [asset].\nSummarize changes since the last run.\nCall out anomalies, failures, or regressions.\nDraft the next action for human review.\"\n\n## 7) 留 audit trail\n每個 thread 都記：\n- owner\n- date\n- asset\n- decision\n- follow-up action\n\n## 8) 不要自動化這些事\n不要讓 agent：\n- 在沒有 review 的情況下合併 production changes\n- 在不穩定資料上自動 retrain model\n- 偷偷改 business logic\n- 用很有自信的口氣掩蓋不確定性\n\n## 9) 可直接複製的總提示詞\n\"You are helping with a Databricks production ML workflow.\nInspect the attached asset(s), identify issues, compare against the baseline, and produce:\n1. root cause\n2. evidence\n3. recommended fix\n4. business impact\n5. open questions\nDo not make unreviewed production changes.\"\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份拆解是我根據 Databricks 原文整理出來的工作流版本，不是官方文件。原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.databricks.com\u002Fblog\u002Fwhats-new-genie-code-data-ai-summit-2026\">https:\u002F\u002Fwww.databricks.com\u002Fblog\u002Fwhats-new-genie-code-data-ai-summit-2026\u003C\u002Fa>。裡面的結構和可抄模板是我重寫的，方便\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>直接拿去用。\u003C\u002Fp>","我拆 Databricks 的 Genie Code 更新，整理成可直接套用的 ML 工作流模板、提示詞與審核節點。","www.databricks.com","https:\u002F\u002Fwww.databricks.com\u002Fblog\u002Fwhats-new-genie-code-data-ai-summit-2026",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782004690739-5z02.png","ai-agent","zh","8fcad95a-b45a-48c4-bd7b-e80a11c92e56",[17,18,19,20,21],"Genie Code","Databricks","MLflow","agentic workflow","scheduled tasks",[23,24,25],"Genie Code 的重點不是聊天，而是把長任務放進可續跑、可審核的工作區。","對 ML 團隊來說，真正有用的是能看見 MLflow、serving、lineage 與 runtime 的 agent。","排程任務與 review loop 才是把 agent 接進 production workflow 的正確方式。",0,"2026-06-21T01:17:42.754321+00:00","2026-06-21T01:17:42.744+00:00","e3b68196-9e64-4c18-a3b6-a73e73bfb367",{"tags":31,"relatedLang":11,"relatedPosts":34},[32],{"name":19,"slug":33},"mlflow",[35,41,47,53,59,65],{"id":36,"slug":37,"title":38,"cover_image":39,"image_url":39,"created_at":40,"category":13},"cffe7c8f-87e9-4b0f-8846-bab013c737ff","myseum-scanon-privacy-first-moderation-bet-zh","Myseum 與 Scanon 的合作，是隱私優先審核的合理押注","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782029864265-gmjj.png","2026-06-21T08:17:20.167199+00:00",{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"98c0c178-9d3c-42d6-b4c9-afee24f127db","ai-code-review-rollout-with-human-oversight-zh","AI 程式碼審查落地且不降品質","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782025372703-pyzb.png","2026-06-21T07:02:25.569045+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"6940e45a-5ea6-4e88-a6ec-4fd6c4e98546","crypto-ai-agents-hidden-model-risk-zh","Crypto AI 代理的隱藏模型風險","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782023574666-eas6.png","2026-06-21T06:32:27.289175+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"b2ebc245-370c-4dcd-ad0f-09f763d13c94","ai-agents-software-finance-risk-zh","AI agents 正進入真實軟體與金融","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782022676326-7n55.png","2026-06-21T06:17:28.006152+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"c24596ce-b1b8-45cd-a427-c78c5fb4e3f5","manus-450m-run-rate-meta-deal-fallout-zh","Manus 收入衝到 4.5 億美元年化","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781919174711-e8gi.png","2026-06-20T01:32:31.89543+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"ae091d64-3636-4ee1-ba16-0d2e69ece0c5","microsoft-copilot-cowork-usage-based-pricing-zh","Microsoft Copilot Cowork 改按量計費","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781913765603-xqbm.png","2026-06-20T00:02:22.78449+00:00",[72,77,82,87,92,97,102,107,112,117],{"id":73,"slug":74,"title":75,"created_at":76},"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":78,"slug":79,"title":80,"created_at":81},"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":83,"slug":84,"title":85,"created_at":86},"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":88,"slug":89,"title":90,"created_at":91},"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":93,"slug":94,"title":95,"created_at":96},"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":98,"slug":99,"title":100,"created_at":101},"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":103,"slug":104,"title":105,"created_at":106},"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":108,"slug":109,"title":110,"created_at":111},"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":113,"slug":114,"title":115,"created_at":116},"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":118,"slug":119,"title":120,"created_at":121},"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"]