[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-gpt-56-sol-gpu-kernel-cost-down-20-percent-zh":3,"article-related-gpt-56-sol-gpu-kernel-cost-down-20-percent-zh":29,"series-tools-3fa27164-43f7-4636-8c28-eae3775d4c66":74},{"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":11},"3fa27164-43f7-4636-8c28-eae3775d4c66","gpt-56-sol-gpu-kernel-cost-down-20-percent-zh","GPT-5.6 Sol 把 GPU 核心成本砍 20%","\u003Cp data-speakable=\"summary\">以前模型只会补代码，现在它能进生产 \u003Ca href=\"\u002Ftag\u002Fgpu\">GPU\u003C\u002Fa> 内核流程，把成本直接压下来。\u003C\u002Fp>\u003Cp>我最近一直盯着一件让我又兴奋又烦的事：模型开始不只会写 demo 代码，而是碰生产环境里的硬骨头。以前让它补函数、写脚本、改测试，我还能忍；现在它开始往 GPU 内核这种地方挤，我反而更在意。因为这里不是“看起来能跑”就算数，每一行都要跟性能、正确性、回归风险狠狠干架。\u003Ca href=\"https:\u002F\u002Fopenai.com\u002F\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> 这次丟出来的东西，刚好踩在我最在意的那條線上。\u003C\u002Fp>\u003Cp>我最不吃的就是那種“AI 幫你提效”的空話。你把它接進 workflow，它只會點頭、復述、吐一堆像樣但不能落地的東西。可這次不一樣。\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2067034517982941447\" target=\"_blank\" rel=\"noopener\">這篇知乎文章\u003C\u002Fa>提到，GPT-5.6 Sol 透過 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fcodex\u002F\" target=\"_blank\" rel=\"noopener\">Codex\u003C\u002Fa> 去重寫生產環境的 GPU 內核，還用到 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftriton-lang\u002Ftriton\" target=\"_blank\" rel=\"noopener\">Triton\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgluon\" target=\"_blank\" rel=\"noopener\">Gluon\u003C\u002Fa>，最後把推理成本降了 20%。這就不是“模型會寫碼”而已，這是模型開始直接碰錢。\u003C\u002Fp>\u003Cp>我先講清楚：我下面拆的是這個方法論，不是替原文加戲。原文明確提到三個東西：Sol 用 \u003Ca href=\"\u002Ftag\u002Fcodex\">Codex\u003C\u002Fa> 自主重寫生產 GPU 內核、用 Triton 和 Gluon 這類開源 GPU 編程語言、再透過 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Ffpsan\" target=\"_blank\" rel=\"noopener\">FpSan\u003C\u002Fa> 做正確性檢查。這個組合才是重點，單看任何一個都容易看歪。\u003C\u002Fp>\u003Ch2>別把「模型寫代碼」還停在補全器腦袋\u003C\u002Fh2>\u003Cblockquote>GPT-5.6 Sol 透過 Codex 自主重寫了 OpenAI 生產環境裡的 GPU 內核代碼。\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：它不是幫人補幾段輔助腳本，而是直接碰最敏感的性能路徑。GPU 內核這種東西，通常不是“能跑就行”。它要算吞吐、延遲、記憶體訪問、線程調度，還要盯著數值穩定性。很多團隊自己改這塊都要反覆 review，更別說交給模型去碰。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785780224229-hx8i.png\" alt=\"GPT-5.6 Sol 把 GPU 核心成本砍 20%\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我真正關心的是“自主重寫”這四個字。它表示模型不是在人工逐行盯著改，而是在更高層級接收任務、生成候選實現，再被驗證工具和工程流程篩掉不靠譜的結果。也就是說，模型已經從“寫作助手”往“工程執行器”挪了一步。\u003C\u002Fp>\u003Cp>我以前試過讓模型改性能熱點代碼，結果很典型：它會給我一個看起來很聰明的版本，但細看就知道是把複雜度挪到別處。要嘛引入分支，要嘛多一次拷貝，要嘛把問題藏進更難測的抽象層裡。人類 \u003Ca href=\"\u002Ftag\u002Fcode-review\">code review\u003C\u002Fa> 最煩的就是這種表面優化。所以我看到這裡強調的是生產環境，我第一反應不是驚嘆，而是：他們到底怎麼把驗證鏈路搭起來的？\u003C\u002Fp>\u003Cp>你如果要借這個思路，第一步不是“讓模型寫內核”，而是先定義什麼叫可接受輸出。性能目標、正確性約束、回滾條件、基線實作，全都要先擺出來。沒有這些，模型只會給你更多需要你擦屁股的代碼。\u003C\u002Fp>\u003Cul>\u003Cli>把任務定義成“替換某個熱點路徑”，不要寫成“優化一下性能”。\u003C\u002Fli>\u003Cli>先有基線實作和可重複 benchmark，再讓模型動手。\u003C\u002Fli>\u003Cli>把“正確”和“更快”分開驗證，別混成一個模糊結論。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Triton 和 Gluon 不是裝飾，是模型能下手的接口\u003C\u002Fh2>\u003Cblockquote>用的是 Triton 和 Gluon，兩種 OpenAI 自己維護的開源 GPU 編程語言。\u003C\u002Fblockquote>\u003Cp>這句很關鍵。很多人一聽到“AI 改內核”，腦子裡想的是模型直接吐 \u003Ca href=\"\u002Ftag\u002Fcuda\">CUDA\u003C\u002Fa> C++。現實裡更可能是先讓模型在更可控的抽象層上工作。Triton 本身就是面向 GPU kernel 開發的高層語言，適合寫塊級並行邏輯；Gluon 也是同一類思路，給模型一個更結構化、更容易生成和驗證的表達空間。\u003C\u002Fp>\u003Cp>我把這理解成：\u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 不是硬把模型塞進最底層機器碼地獄，而是給它一個“夠接近底層、但還沒低到失控”的操作面。這選擇很務實。因為模型最怕的不是不會寫，而是寫出來之後你根本不知道它在哪一步開始偏了。高層 GPU DSL 至少能把很多危險收斂住。\u003C\u002Fp>\u003Cp>我以前在團隊裡做性能優化時，也見過類似的分層思路。人類工程師不會直接讓實習生改彙編；會先讓他改更高層的性能敏感模組，再透過 profiling 和測試逐層下壓。模型也是一樣。你給它的抽象越合理，越有機會讓它產出可審查、可替換、可驗證的候選實現。\u003C\u002Fp>\u003Cp>所以如果你想復用這個\u003Ca href=\"\u002Fnews\u002Fopenai-api-changelog-spend-caps-transcribe-fast-mode-zh\">模式\u003C\u002Fa>，重點不是“選哪種語言最酷”，而是“哪種語言最適合讓模型少犯致命錯誤”。我會優先看這幾個條件：\u003C\u002Fp>\u003Cul>\u003Cli>語法和語義是否足夠規則，方便模型生成。\u003C\u002Fli>\u003Cli>是否有成熟的編譯、測試、profiling 工具鏈。\u003C\u002Fli>\u003Cli>是否能把性能熱點和正確性約束表達清楚。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>說白了，語言不是給人炫技的，是給系統留\u003Ca href=\"\u002Fnews\u002Fanthropic-breach-proves-ai-agents-need-hard-security-limits-zh\">安全邊界\u003C\u002Fa>的。Triton 和 Gluon 在這裡的價值，就是把模型能碰的範圍圈住，讓它有機會真的產出工程結果，而不是胡亂發揮。\u003C\u002Fp>\u003Ch2>20% 成本下降，真正值錢的是這筆帳\u003C\u002Fh2>\u003Cblockquote>改完之後，整體推理成本降低了 20%。\u003C\u002Fblockquote>\u003Cp>我不太喜歡“降本 20%”這種數字被單獨拎出來吹，因為脫離\u003Ca href=\"\u002Fnews\u002Fsala-duance-ai-shangxiawen-kuozhan-zhinan-zh\">上下文\u003C\u002Fa>很容易誤讀。但在推理成本這個場景裡，20% 就不是小數了。大模型服務的成本結構裡，GPU 時間就是硬錢。你省下來的不是“體驗更好一點”，而是可以直接映射成毛利、容量、定價空間，或者同樣預算下更多請求量。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785780223445-b460.png\" alt=\"GPT-5.6 Sol 把 GPU 核心成本砍 20%\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這也是為什麼我總說，AI 真要落地，最後都會回到成本表。模型寫代碼能不能成，不取決於它會不會說漂亮話，而是取決於它能不能在不破壞正確性的前提下，把單位請求的成本壓下去。這裡的重點不是“模型幫人寫了代碼”，而是“模型寫出來的東西直接影響了線上帳單”。\u003C\u002Fp>\u003Cp>我自己見過很多團隊在優化推理時卡住，原因很簡單：人類優化工程師太稀缺，熱點代碼太碎，改動太慢。你要一個人去盯 kernel、算訪存、調 block size、查回歸，最後還要過安全審核，週期長得離譜。這個時候模型如果能批量生成候選方案，再配合驗證工具自動篩，效率就會明顯不一樣。\u003C\u002Fp>\u003Cp>但這裡也有一個常被忽略的坑：節省成本不等於節省複雜度。很多優化最後會把複雜性轉移到維護側。你今天省了 20%，明天多了 30% 的排障時間，那就虧了。所以真正有價值的不是一次性的“更快”，而是“更快且還能維護”。\u003C\u002Fp>\u003Cp>如果你在自己的系統裡想做類似事情，我建議先從最容易量化的路徑開始：\u003C\u002Fp>\u003Cul>\u003Cli>選一個請求量最大、GPU 占比最高的 kernel 或算子。\u003C\u002Fli>\u003Cli>建立優化前後的統一 benchmark。\u003C\u002Fli>\u003Cli>把成本指標和正確性指標同時掛在 CI 裡。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我會特別強調最後一點。沒有 CI 的性能優化，基本等於在給未來埋雷。你今天贏了 20%，下個版本可能就悄悄虧回去。\u003C\u002Fp>\u003Ch2>FpSan 不是配角，它是這件事能不能成立的關鍵\u003C\u002Fh2>\u003Cblockquote>OpenAI 還專門用了開源驗證工具 FpSan 來確保 Sol 寫的內核代碼是對的。\u003C\u002Fblockquote>\u003Cp>這句我很喜歡，因為它終於沒有把“AI 生成”當成魔法了。模型生成代碼，最怕的不是慢，而是錯得很隱蔽。尤其在 GPU 內核這種地方，錯不一定立刻炸，可能只是某些輸入下數值偏一點，或者性能回退得很隱蔽。你如果沒有驗證工具，最後就是靠人肉抽樣和運氣。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Ffpsan\" target=\"_blank\" rel=\"noopener\">FpSan\u003C\u002Fa> 的存在說明 OpenAI 不是在賭模型“應該是對的”，而是在把正確性檢查自動化。這個思路我非常認同。因為一旦你把驗證做成機器可執行的規則，模型的作用就從“拍腦袋寫代碼”變成“批量生成候選，由系統篩選”。這才是工程。\u003C\u002Fp>\u003Cp>我以前在做自動化重構時也踩過類似坑。代碼生成器最容易犯的錯就是輸出一堆看著像樣的東西，結果邊界條件全漏。後來我們把單元測試、靜態檢查、差分測試、性能回歸都接上，生成器才真的開始有用。不是因為它突然變聰明了，而是因為我們終於能穩定地拒絕壞答案。\u003C\u002Fp>\u003Cp>所以你要學的不是“讓 AI 寫得更像人”，而是“讓系統更會判錯”。這點特別重要。模型再強，也不該承擔最終裁判的角色。裁判應該是測試、驗證器、基準和回歸門禁。\u003C\u002Fp>\u003Cp>如果你要把這個模式搬到自己的項目裡，我會這樣做：\u003C\u002Fp>\u003Cul>\u003Cli>先定義數學上或行為上的不變量。\u003C\u002Fli>\u003Cli>把這些不變量變成可執行測試，而不是文檔裡的口號。\u003C\u002Fli>\u003Cli>讓生成器只負責產出候選，不負責宣布勝利。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這就是為什麼 FpSan 這種工具值錢。它不是錦上添花，它是讓模型進入生產鏈路的門檻。\u003C\u002Fp>\u003Ch2>Codex 的角色不是寫代碼，是跑工程回路\u003C\u002Fh2>\u003Cblockquote>GPT-5.6 Sol 透過 Codex 自主重寫了……\u003C\u002Fblockquote>\u003Cp>我把 Codex 放到最後講，是因為很多人會誤解它的角色。Codex 不是單純的代碼生成器，它更像一個能在倉庫、測試、工具鏈之間來回跑的執行層。也就是說，它不是只吐文本，而是能參與工程回路：讀代碼、提修改、跑驗證、再修正。\u003C\u002Fp>\u003Cp>這個差別太大了。前者是“會寫”，後者是“會幹活”。我見過太多 AI 編程產品卡在前者：補全很漂亮，落地很痛苦。因為真正的工程不是一次性輸出，而是反覆試錯、修補、驗證、再試錯。沒有這個閉環，代碼永遠停留在半成品狀態。\u003C\u002Fp>\u003Cp>原文裡說 Sol 是“透過 Codex”做這件事，我理解為模型被放進一個更完整的執行框架裡，而不是孤零零地生成一段 kernel。這個框架裡應該有任務分解、上下文讀取、候選生成、驗證反饋和迭代修復。沒有這些，所謂“自主重寫”很容易只是一次漂亮的演示。\u003C\u002Fp>\u003Cp>我在實踐裡最怕的就是把“生成”當成終點。其實生成只是第一步，後面還有很多髒活：修命名、補邊界、對齊風格、跑測試、看 profiler、處理回歸。Codex 這類系統如果真要進入生產，就必須把這些髒活也吃進去。\u003C\u002Fp>\u003Cp>你要借鑑這個思路，別先問“怎麼讓模型更強”，先問“怎麼讓它能在失敗後繼續工作”。這是工程系統和玩具演示的分界線。\u003C\u002Fp>\u003Ch2>我會怎麼把這套方法搬進自己的團隊\u003C\u002Fh2>\u003Cp>如果是我來設計一條類似流水線，我不會一上來就讓模型碰最核心的 kernel。我會先挑一個有明確瓶頸、但風險可控的熱點路徑。然後我會把它拆成三層：候選生成、自动驗證、人工抽查。模型負責多產出，工具負責多拦截，人類只盯最值得看的部分。\u003C\u002Fp>\u003Cp>這套方法的核心不是“讓 AI 取代工程師”，而是把工程師從重複試錯裡解放出來。說白了，工程師不該把時間都花在寫第十個相似 kernel 版本上，而應該花在定義約束、看異常、處理邊界和做架構判斷上。\u003C\u002Fp>\u003Cp>我也會把可觀測性提前做好。沒有 profiling、沒有回歸測試、沒有版本對比，模型寫得再多都沒意義。你得知道每次修改到底改了什麼，快了多少，壞了哪裡。否則你根本沒法判斷模型到底是在幫忙，還是在製造更多噪音。\u003C\u002Fp>\u003Cp>最後我會給團隊留一個硬規則：任何模型生成的性能代碼，都必須能被獨立重現。不能重現的優化，一律不算優化。這條規則聽起來死板，但它能省很多爛帳。\u003C\u002Fp>\u003Cp>如果你只記一個點，我希望是這個：這類系統的價值不在“AI 會寫內核”，而在“AI 寫出來的內核能被驗證、能被替換、能被算進帳本”。這才是能進生產的東西。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI 生成性能代碼的生產模板\n\n## 目標\n- 優化對象：{kernel \u002F 算子 \u002F 熱點函數}\n- 目標指標：{延遲 \u002F 吞吐 \u002F GPU 成本 \u002F 顯存占用}\n- 約束條件：{正確性、數值誤差、接口兼容、回滾要求}\n\n## 輸入材料\n- 基線實作：{path}\n- benchmark 腳本：{path}\n- 測試集：{path}\n- 性能基線：{當前 p50 \u002F p95 \u002F 吞吐 \u002F 成本}\n- 允許使用的語言 \u002F DSL：{Triton \u002F Gluon \u002F 其他}\n\n## 生成任務\n讓模型完成以下步驟：\n1. 讀取基線實作和性能瓶頸說明\n2. 生成 3 個候選實作\n3. 對每個候選說明優化思路\n4. 標記可能的正確性風險\n5. 輸出最優候選及原因\n\n## 驗證流程\n- 靜態檢查：{lint \u002F typecheck \u002F compile}\n- 正確性檢查：{單測 \u002F 屬性測試 \u002F 差分測試 \u002F FpSan 類工具}\n- 性能檢查：{benchmark \u002F profiler \u002F regression gate}\n- 通過條件：\n  - 所有正確性測試通過\n  - 性能提升 >= {threshold}\n  - 無顯著回歸\n\n## 人工審查清單\n- 是否引入隱藏分支或額外拷貝\n- 是否破壞數值穩定性\n- 是否增加維護複雜度\n- 是否能在當前倉庫結構中長期維護\n\n## 失敗處理\n- 若驗證失敗：把錯誤日誌喂回模型，要求只修復失敗點\n- 若性能不達標：保留正確版本，繼續生成替代候選\n- 若維護成本過高：拒絕合併，即使性能更好\n\n## 合併規則\n- 只有當「正確性 + 性能 + 可維護性」同時滿足時才合併\n- 所有模型生成的改動都必須可重現\n- 所有優化都必須附帶基線對比數據\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板的重點不是形式，而是控制權。模型可以幫你批量試錯，但最後門檻必須握在人和驗證系統手裡。否則你只是把 bug 的生成速度提上去了。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2067034517982941447\" target=\"_blank\" rel=\"noopener\">這篇知乎文章\u003C\u002Fa>，以及文中提到的 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fcodex\u002F\" target=\"_blank\" rel=\"noopener\">Codex\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftriton-lang\u002Ftriton\" target=\"_blank\" rel=\"noopener\">Triton\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fgluon\" target=\"_blank\" rel=\"noopener\">Gluon\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Ffpsan\" target=\"_blank\" rel=\"noopener\">FpSan\u003C\u002Fa>。我這篇是基於這些材料做工程拆解，模板段落是我重新整理過的，可直接拿去改成你自己的流程。","我拆开 GPT-5.6 Sol 用 Codex 改写生产 GPU 内核、把推理成本砍 20% 的做法，并给你一份可复用模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2067034517982941447",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785780224229-hx8i.png","tools","zh","f7b3e715-3846-4073-a11a-724cee335a56",[17,18,19,20,21],"GPT-5.6 Sol","Codex","Triton","GPU kernel","FpSan",[23,24,25],"模型進生產的門檻是驗證鏈，不是會不會寫代碼。","GPU DSL 的價值是把模型的錯誤半徑圈小。","20% 成本下降只有在可重現、可回歸的流程裡才算真本事。",0,"2026-08-03T18:03:17.220074+00:00","2026-08-03T18:03:17.191+00:00",{"tags":30,"relatedLang":33,"relatedPosts":37},[31],{"name":18,"slug":32},"codex",{"id":15,"slug":34,"title":35,"language":36},"gpt-56-sol-cuts-gpu-costs-20-en","GPT-5.6 Sol cuts GPU costs 20%","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"b8da22f6-d35f-41a1-915c-2d80abba0c25","deepseek-v4-flash-agent-cost-breakdown-zh","DeepSeek V4 Flash 讓 Agent 便宜跑","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785785620047-lrkk.png","2026-08-03T19:33:15.823908+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"715beca0-3b00-473b-9682-7cfbdc56dbd4","astra-hidden-model-launch-zh","Astra 讓你看懂藏頭發布","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785758609535-g17i.png","2026-08-03T12:03:02.555805+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"2d8b45eb-9fba-4795-9dc3-6044da7ba7db","openai-api-changelog-spend-caps-transcribe-fast-mode-zh","OpenAI API 加上支出上限與 Fast 模式","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785744187504-3vnx.png","2026-08-03T08:02:40.26552+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"c270e83a-3911-4744-b99e-742cb230e814","windsurf-intellij-plugin-shortcut-not-strategy-zh","Windsurf 的 IntelliJ 外掛是捷徑，不是策略","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785610964540-25y5.png","2026-08-01T19:02:18.303525+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"016cae64-c56a-4241-bd84-02892b93d0f8","swe-1-7-free-preview-devin-desktop-models-zh","SWE-1.7 免費預覽進 Devin Desktop","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785609167222-7gdi.png","2026-08-01T18:32:20.92531+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"3530e516-3a52-4f6a-81ef-a10add7fe2e9","vibe-island-changelog-right-product-bets-zh","Vibe Island 的 changelog 證明：先修最煩的地方，才算做對…","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785502965252-qv5d.png","2026-07-31T13:02:18.235733+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"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":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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"]