[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-github-skills-repos-turn-ai-coding-into-workflows-zh":3,"article-related-github-skills-repos-turn-ai-coding-into-workflows-zh":30,"series-tools-4ecd2dc5-dc13-4f9b-86bd-0a97f2f814d7":82},{"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},"4ecd2dc5-dc13-4f9b-86bd-0a97f2f814d7","github-skills-repos-turn-ai-coding-into-workflows-zh","GitHub 技能庫把 AI 寫程式變流程","\u003Cp data-speakable=\"summary\">我把 \u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa> 趨勢報告拆成一套可直接複製的 AI 寫程式流程，重點是把\u003Ca href=\"\u002Fnews\u002Fibm-prompt-guide-turns-ai-guesses-into-outputs-zh\">提示\u003C\u002Fa>詞變成技能與規則。\u003C\u002Fp>\u003Cp>我用 AI 寫程式工具一陣子了，老實說，最煩的不是它不會寫，是它太會亂寫。你叫它先補測試，它說好；你叫它別亂動 production 相關檔案，它也說好；你叫它照團隊規範走，它還是會在你沒注意時自己發明一套。前幾分鐘看起來很像會做事，十分鐘後就開始像一個拿到 root 權限的實習生，還很有自信。這次我看到 GitHub 趨勢報告後，才比較確定問題在哪裡：不是模型不夠強，是我們一直用聊天方式在管流程，當然會失控。\u003C\u002Fp>\u003Cp>這份洞察的起點是 DEV \u003Ca href=\"\u002Fnews\u002Fmicrosoft-copilot-2026-update-real-workflows-zh\">Co\u003C\u002Fa>mmunity 上的 \u003Ca href=\"https:\u002F\u002Fdev.to\u002Fyanceyxin\u002Fgithub-weekly-trending-repositories-report-2g68\">GitHub Weekly Trending Repositories Report\u003C\u002Fa>，資料來源還串了 \u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F\">star-history.com\u003C\u002Fa>。我不是要把它吹成什麼神作，但它很直接地點出一件事：大家正在把 \u003Ca href=\"\u002Ftag\u002Fai-coding\">AI coding\u003C\u002Fa> 從「會講話」推向「會照規則做事」。\u003C\u002Fp>\u003Ch2>我看到的不是熱度，是大家終於受不了亂跑的代理人\u003C\u002Fh2>\u003Cblockquote>AI agent skills frameworks have taken over the open-source ecosystem.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：開源社群現在不太想再跟 AI 玩即興表演了。大家要的是重複得出來的行為，不是每次都靠運氣。這句話我很有感，因為我自己最常踩的坑，就是同一個工具在不同專案裡表現完全兩樣。今天在 A repo 很乖，明天到 B repo 就開始亂補架構、亂改檔名、亂猜需求。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779134707718-sslr.png\" alt=\"GitHub 技能庫把 AI 寫程式變流程\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前真的有一段時間以為，只要 p\u003Ca href=\"\u002Fnews\u002Ftop-ai-prompt-engineering-tools-2026-zh\">romp\u003C\u002Fa>t 寫得夠完整，模型就會自動變穩。結果不是。只要對話一長、上下文一多，它就開始忘記前面講過的限制。你越想靠一句話把事情講清楚，它越容易在後面自己發揮。\u003C\u002Fp>\u003Cp>實操寫法很簡單：把你每週都會重複講的規則，從聊天框搬到檔案裡。不要再每次都臨時打字。改成 repo 裡有一份固定的規則文件，讓 AI 每次都先讀。這樣做看起來很土，但真的比你每次重講一次有效。\u003C\u002Fp>\u003Cul>\u003Cli>把重複出現的要求寫成檔案，不要只放在對話裡。\u003C\u002Fli>\u003Cli>每個規則只管一件事，別一份文件塞十種人格。\u003C\u002Fli>\u003Cli>先管住危險行為，再談效率。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>mattpocock\u002Fskills 會紅，不是因為會吹，是因為夠像真實工作\u003C\u002Fh2>\u003Cp>報告裡最醒目的專案是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmattpocock\u002Fskills\">mattpocock\u002Fskills\u003C\u002Fa>。作者把它描述成「來自 .\u003Ca href=\"\u002Ftag\u002Fclaude\">claude\u003C\u002Fa> 目錄的技能」。這句話我覺得很誠實，因為它不是在賣概念，是直接把平常真的會用到的規則攤開來。\u003C\u002Fp>\u003Cp>這裡的重點不是「技能」這個詞聽起來很潮，而是它把 AI 的行為拆成可重用的模組。像是測試優先、除錯步驟、危險指令停下來確認、特定語言的慣例，這些都不是靈感，是工作規則。你如果還在用一大段大雜燴 prompt 去管所有情境，效果通常都不太行。\u003C\u002Fp>\u003Cp>我自己以前也很愛寫長 prompt，覺得自己像在做提示工程。後來才發現，那比較像在寫一封很累的信。真正有用的是把規則做成小塊，讓工具可以每次都照著走。你不用期待它變聰明，你只要讓它不要一直犯同一種蠢就好。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把常用任務拆成小技能，例如測試、除錯、重構、安全操作。\u003C\u002Fli>\u003Cli>每個技能都要有「好輸出」跟「壞輸出」範例。\u003C\u002Fli>\u003Cli>技能名稱要像命令，不要像論文標題。\u003C\u002Fli>\u003Cli>如果團隊每週都在抱怨同一件事，那就是你該寫技能的地方。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Claude Code 周邊爆出來，代表大家在補工具洞\u003C\u002Fh2>\u003Cp>報告裡不只一個 repo 在講 \u003Ca href=\"\u002Ftag\u002Fclaude-code\">Claude Code\u003C\u002Fa>，還有像 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffarion1231\u002Fcc-switch\">cc-switch\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faffaan-m\u002Feverything-claude-code\">everything-claude-code\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faddyosmani\u002Fagent-skills\">addyosmani\u002Fagent-skills\u003C\u002Fa>，甚至 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills\">anthropics\u002Fskills\u003C\u002Fa> 也在做同一件事。這不是巧合，這是生態開始長出周邊了。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779134714102-ncsq.png\" alt=\"GitHub 技能庫把 AI 寫程式變流程\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>白話講，工具只要真的進入日常工作，就不會只剩主產品本身。你一定會開始需要環境切換、規則管理、範本、教學、整合方式。這些東西看起來不性感，但它們才是讓工具能不能落地的差別。\u003C\u002Fp>\u003Cp>我自己最有感的是，很多 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa> demo 的時候都超順，一到真實專案就卡。不是因為模型不行，是因為你還沒把周邊補齊。專案規範、權限、測試流程、部署風險，這些東西才是日常。你不把它們包進去，AI 就只會在最理想的狀況下表現正常。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先補環境切換與專案初始化流程。\u003C\u002Fli>\u003Cli>把常見規則集中成一個入口，不要散在 Slack、Notion、腦袋裡。\u003C\u002Fli>\u003Cli>讓團隊每個人用同一套起手式，別各自發明版本。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>spec-kit 其實是在反對「憑感覺寫」\u003C\u002Fh2>\u003Cp>報告裡另一個我很在意的是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgithub\u002Fspec-kit\">github\u002Fspec-kit\u003C\u002Fa>。它走的是 spec-driven development，也就是先寫規格，再排計畫，再拆任務，最後才進實作。這條路線我很認同，因為它直接把很多 AI 寫 code 的毛病卡掉了。\u003C\u002Fp>\u003Cp>翻譯一下就是：不要一開始就叫模型生 code。先叫它把需求講清楚，再叫它拆步驟，最後才動手。這樣做不是慢，是少走冤枉路。你如果直接讓它寫，八成會得到一坨看起來像樣、實際上很難 review 的東西。\u003C\u002Fp>\u003Cp>我之前遇過一個很典型的狀況：我只想改一個 API 行為，結果 AI 幫我順手重構三個檔案，還很開心地說這樣更乾淨。問題是我根本沒要求它這樣做。這就是沒有規格的後果，工具會自己補完故事，而且通常補得很爛。\u003C\u002Fp>\u003Cp>實操寫法很直接：\u003C\u002Fp>\u003Cul>\u003Cli>先要求 AI 產出需求摘要。\u003C\u002Fli>\u003Cli>再要它列限制條件與假設。\u003C\u002Fli>\u003Cli>接著拆成可 review 的任務清單。\u003C\u002Fli>\u003Cli>最後才允許它寫程式。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Hermes Agent 提醒我：記憶比嘴砲重要\u003C\u002Fh2>\u003Cp>報告也提到 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNousResearch\u002Fhermes-agent\">NousResearch\u002Fhermes-agent\u003C\u002Fa>，它主打會跟著你一起成長，還提到自我改善記憶、Python 架構、MIT 授權。這種方向我其實不意外，因為大家早晚都會碰到同一個問題：AI 每次都從零開始，真的很煩。\u003C\u002Fp>\u003Cp>如果一個代理人沒有記憶，它就只能在每次對話裡重跑一次新手教學。這對問答還行，對軟體工作就很差。因為軟體工作有很多固定偏好、團隊規範、歷史決策，這些都不該每次重講。你講一次、兩次、三次，最後還是會懷疑是不是自己在跟失憶症工具共事。\u003C\u002Fp>\u003Cp>我現在比較相信的做法不是等模型自己學會，而是把記憶外掛在專案裡。決策紀錄、除錯筆記、團隊規則、風險提醒，這些都應該留在 repo，不要只留在某個人的腦袋。這樣就算工具換了，流程還在。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>建立決策紀錄檔，記下為什麼這樣做。\u003C\u002Fli>\u003Cli>把常見錯誤與修正方式寫成可查的筆記。\u003C\u002Fli>\u003Cli>如果工具支援持久記憶，就只存專案層級資訊。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>技能庫其實是文件，只是更能被執行\u003C\u002Fh2>\u003Cp>我覺得這波最值得注意的地方，不是某個 repo 多紅，而是大家開始把知識做成可執行文件。像 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmultica-ai\u002Fandrej-karpathy-skills\">multica-ai\u002Fandrej-karpathy-skills\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthropics\u002Ffinancial-services\">anthropics\u002Ffinancial-services\u003C\u002Fa> 這類例子，說穿了就是把領域知識包成 AI 看得懂的規則。\u003C\u002Fp>\u003Cp>這件事的價值很務實。以前很多團隊的流程都藏在老鳥腦中，新人只能靠問。現在如果你把規則寫成技能，AI 可以先幫你守第一層，新人也能照著做，不會每次都從零摸索。這不是偷懶，是把隱性知識變成明文規則。\u003C\u002Fp>\u003Cp>我自己的經驗是，只要團隊沒寫下來，AI 幫忙的品質就會非常飄。每個人餵它的方式不同，結果就會長得很不一致。你以為是模型不穩，其實是輸入來源根本沒統一。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把常見流程寫成 living docs，不要寫完就放生。\u003C\u002Fli>\u003Cli>每次出現新失敗模式，就補進技能文件。\u003C\u002Fli>\u003Cli>有合規、資安、部署限制的領域，直接寫進規則，不要靠口頭提醒。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI Agent 技能包模板（繁中版）\n\n這份模板可以直接放進你的 repo，給 Claude Code、Cursor、Codex 或任何會讀專案檔案的 AI 助手用。\n\n## 1) agent-instructions.md\n\n# Agent 操作規則\n\n在這個 repo 裡工作時，請先讀取對應技能檔案，再開始產出內容。\n\n## 基本規則\n- 先確認需求，再開始寫 code。\n- 先寫測試，再做實作。\n- 有危險指令時先停下來確認。\n- 變更要小，方便 review。\n- 如果需求不清楚，只問一個最關鍵的問題。\n- 如果任務太大，先拆成步驟。\n\n## 2) repo-skills\u002Ftdd.md\n\n# 技能：測試優先\n\n當你要新增或修改行為時：\n1. 先找出最小的失敗測試。\n2. 先寫測試。\n3. 再做最小實作讓測試通過。\n4. 測試通過後才考慮重構。\n5. 除非使用者明講，否則不要跳過測試步驟。\n\n## 3) repo-skills\u002Fdebugging.md\n\n# 技能：結構化除錯\n\n當東西壞掉時：\n1. 先重述症狀。\n2. 列出最可能的原因。\n3. 先查成本最低的原因。\n4. 一次只改一個變數。\n5. 記錄哪些原因已經排除。\n\n你要回報：\n- 哪裡壞了\n- 你檢查了什麼\n- 你改了什麼\n- 為什麼這個修正合理\n\n## 4) repo-skills\u002Fsafety.md\n\n# 技能：安全與防呆\n\n在執行危險指令前，先停下來請求確認。\n\n危險指令範例：\n- git push --force\n- rm -rf\n- 生產環境資料庫 migration\n- 任何會刪資料或覆蓋工作的操作\n\n如果有人要求危險指令，請回覆：\n「這個指令可能造成資料遺失或覆蓋既有工作，請先確認後我再執行。」\n\n## 5) repo-skills\u002Fspec-driven-workflow.md\n\n# 技能：規格驅動開發\n\n在開始實作前，先產出：\n1. 簡短規格摘要\n2. 限制條件\n3. 假設\n4. 任務拆解\n5. 實作計畫\n\n工作流程：\n- Spec：先講要做什麼、為什麼做\n- Plan：再講怎麼做\n- Tasks：拆成可 review 的小步驟\n- Implementation：確認後才開始\n\n## 6) repo-skills\u002Fstack-specific.md\n\n# 技能：技術棧慣例\n\n把你團隊的慣例寫進來。\n\n範例：\n- TypeScript：公開函式盡量保留明確型別\n- Python：函式保持短小、好測試\n- React：避免不必要的 state\n- API：加上 request \u002F response 範例\n\n## 7) 範例起手式\n\n請使用這份 repo 的技能檔案，並遵守 spec-driven-workflow.md。\n這次任務請先：\n- 重述目標\n- 列出假設\n- 提出任務拆解\n- 等我確認後再開始實作\n\n## 8) 操作原則\n\n- 如果 AI 開始自作主張，先停。\n- 如果 AI 跳過測試，叫它回去補。\n- 如果 AI 輸出危險指令，先要求確認。\n- 如果 AI 說不出計畫，就不要讓它直接寫 code。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板不花俏，因為我本來就不想要花俏。我想要的是一套能直接塞進 repo 的東西，讓 AI 別再自由發揮。這也是我從這份報告裡真正學到的事：大家不是在追一個更會聊天的工具，而是在找一種更穩的工作方式。\u003C\u002Fp>\u003Cp>如果你現在也被 AI 寫程式搞到有點火大，我會建議你不要先追新模型，先把技能文件補起來。挑一個最常出包的場景，先寫一份規則。寫完後你會很快發現，很多問題不是模型太笨，是你根本沒把邊界講清楚。\u003C\u002Fp>\u003Cp>來源網址：\u003Ca href=\"https:\u002F\u002Fdev.to\u002Fyanceyxin\u002Fgithub-weekly-trending-repositories-report-2g68\">DEV Community 的原始文章\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F\">star-history.com\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmattpocock\u002Fskills\">mattpocock\u002Fskills\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgithub\u002Fspec-kit\">github\u002Fspec-kit\u003C\u002Fa>。上面前半段是我根據原始報告整理的拆解，模板段落是我依照這些模式重新寫成可直接使用的版本。","我把 GitHub 趨勢報告拆成一套可直接複製的 AI 寫程式流程，重點是把提示詞變成技能與規則。","dev.to","https:\u002F\u002Fdev.to\u002Fyanceyxin\u002Fgithub-weekly-trending-repositories-report-2g68",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779134707718-sslr.png","tools","zh","664cda3c-65a0-4e8b-8342-62bdc48175ba",[17,18,19,20,21],"AI agent","GitHub 趨勢","skills","spec-driven development","Claude Code",[23,24,25],"把 AI 提示詞改成 repo 裡可重用的技能文件。","先規格、再計畫、最後才實作，能少掉很多亂寫。","技能庫本質上是可執行的文件，不是花俏 prompt。",2,"2026-05-18T20:04:26.488566+00:00","2026-05-18T20:04:26.45+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,34,36,38,40],{"name":18,"slug":33},"github-趨勢",{"name":21,"slug":35},"claude-code",{"name":17,"slug":37},"ai-agent",{"name":39,"slug":39},"spec-driven-development",{"name":19,"slug":19},{"id":15,"slug":42,"title":43,"language":44},"github-skills-repos-turn-ai-coding-into-workflows-en","GitHub skills repos turn AI coding into workflows","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"1a92ac0a-75ea-4877-874d-4a309cd0085b","nvidia-research-gpu-template-zh","NVIDIA 研究頁把 GPU 資源變模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780567412863-e8oq.png","2026-06-04T10:02:58.043845+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"3ead09ec-5656-4165-9bb0-f602add3c409","qdrant-filter-first-rag-design-decoded-zh","Qdrant 讓 RAG 先過濾再找相似","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780566519640-bdds.png","2026-06-04T09:47:59.450347+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"7b5e6965-307e-4492-bf65-d922cd7818ad","anthropic-code-review-tool-ai-generated-code-zh","Anthropic 讓 AI 程式變可審","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780563813320-5wc7.png","2026-06-04T09:02:56.999212+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"bef47dbc-b0b4-439e-bae9-abe9473a321c","wei-shen-me-tether-ba-ben-di-ai-ji-yi-tui-jin-ri-chang-zhuan-zh","為什麼 Tether 把本地 AI 記憶推進日常裝置是對的","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780542170805-opi6.png","2026-06-04T03:02:19.599329+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"d3ec03a8-a805-4a21-9826-72a74a72b625","databricks-model-serving-llm-deploy-guide-zh","Databricks Model Serving 讓 LLM 部署變簡單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525998117-7ur8.png","2026-06-03T22:32:51.005996+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"4dd225a8-bf6c-4768-a486-a27956c7033d","opencode-digitalocean-model-freedom-zh","OpenCode+DigitalOcean 讓你切換模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525116428-1q7g.png","2026-06-03T22:18:06.969758+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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":129,"slug":130,"title":131,"created_at":132},"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"]