[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-mimo-v25-pro-turns-agent-work-into-one-api-call-zh":3,"article-related-mimo-v25-pro-turns-agent-work-into-one-api-call-zh":30,"series-tools-1f8c57f4-698a-42a5-80e8-85cf7cb915d6":83},{"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},"1f8c57f4-698a-42a5-80e8-85cf7cb915d6","mimo-v25-pro-turns-agent-work-into-one-api-call-zh","MiMo-V2.5-Pro 把 agent 工作變成一個 API","\u003Cp data-speakable=\"summary\">這篇直接拆 MiMo-V2.5-Pro \u003Ca href=\"\u002Fnews\u002F8-cursor-alternatives-that-fit-how-you-work-zh\">怎麼\u003C\u002Fa>接進 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> \u003Ca href=\"\u002Fnews\u002Fmarketing-skills-agent-prompts-seo-workflows-zh\">工作流\u003C\u002Fa>，最後給你可複製的 OpenRouter 設定模板。\u003C\u002Fp>\u003Cp>我玩 agent \u003Ca href=\"\u002Fnews\u002Fgovernment-access-orders-frontier-model-access-zh\">模型\u003C\u002Fa>玩到一個地步，看到規格頁就會先皺眉。很多頁面都在賣一種感覺：長上下文、強工具能力、能做長任務。聽起來很猛，實際上常常是另一回事。我用了一輪 MiMo-V2.5-Pro，在 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fxiaomi\u002Fmimo-v2.5-pro\">OpenRouter\u003C\u002Fa> 上看它的說法，第一個反應不是「哇」，而是「這次到底是模型真的能幹，還是又一個會講話的 demo」。\u003C\u002Fp>\u003Cp>我最煩的是那種模型，平常回得很順，真丟進工具迴圈、髒 repo、或需要收斂而不是熱情的任務時，立刻散掉。這次我想看的很簡單：它值不值得放進 production-ish 的 agent stack，OpenRouter 的 routing 到底是幫忙還是多一層麻煩，還有價格是不是便宜到讓人想亂用。\u003C\u002Fp>\u003Cp>這篇的觸發來源就是 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fxiaomi\u002Fmimo-v2.5-pro\">MiMo-V2.5-Pro 的 OpenRouter 模型頁\u003C\u002Fa>。我也一起對照了 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\">OpenRouter 文件\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\u002Fquick-start\">quick start\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\u002Frouting\">routing modes\u003C\u002Fa>。我只用頁面真的有寫的東西：ClawEval、GDPVal、\u003Ca href=\"\u002Ftag\u002Fswe-bench\">SWE-bench\u003C\u002Fa> Pro，還有 $0.435 \u002F 百萬 input tokens、$0.87 \u002F 百萬 output tokens 這組價格。\u003C\u002Fp>\u003Ch2>它不是聊天玩具，是 agent 預算表上的一列\u003C\u002Fh2>\u003Cblockquote>MiMo-V2.5-Pro is Xiaomi’s flagship model, delivering strong performance in general agentic capabilities, complex software engineering, and long-horizon tasks, with top rankings on benchmarks such as ClawEval, GDPVal, and SWE-bench Pro. It can independently and autonomously complete professional tasks that would take human experts days or weeks, involving more than a thousand tool calls.\u003C\u002Fblockquote>\u003Cp>我把這句翻成白話：小米不是在賣你一個「更會聊天的模型」，它是在說「拿我去做一串決策、工具呼叫、重試、狀態維持的工作」。這是完全不同的定位。你如果只是要一個會回答的東西，市場上多得是；你如果要的是能扛住一千次 tool call 還不亂跑的 worker，這才是重點。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781320694317-up12.png\" alt=\"MiMo-V2.5-Pro 把 agent 工作變成一個 API\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前踩過太多次這種坑。模型短答很漂亮，一進 repo 就開始亂加註解、提早下結論、忘記約束，或者每一輪都想重寫計畫。這種東西看起來像在思考，實際上是在耗損你的時間。\u003Cstrong>long-horizon tasks\u003C\u002Fstrong> 這幾個字我會特別盯著看，因為 agent 最常死的地方就是這裡。\u003C\u002Fp>\u003Cp>實操上，我會把 MiMo-V2.5-Pro 當成 worker，不當 brainstorm partner。你要先定義任務邊界、工具政策、停止條件。若你的系統本來就有 planner \u002F executor 分離，這種模型比較適合放 executor 那層。若只有單模型迴圈，那 system prompt 就要更硬，工具重試次數也要鎖死。\u003C\u002Fp>\u003Cul>\u003Cli>適合有明確狀態的工作：改 code、修檔案、ticket triage、結構化研究。\u003C\u002Fli>\u003Cli>不適合開放式發散，除非你想收一坨很自信的垃圾。\u003C\u002Fli>\u003Cli>成功條件最好能機器檢查，不要只靠人眼猜。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>1M context 才是這頁最有料的地方\u003C\u002Fh2>\u003Cp>模型頁寫它的 context length 最多到 1M。這不是裝飾數字，這會直接改變我怎麼想 retrieval、memory 跟 chunking。上下文一百萬 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa>，代表你可以把超多資料塞進同一輪裡，少掉很多 retrieval hop，也少掉很多因為多次傳遞而丟失的資訊。\u003C\u002Fp>\u003Cp>但我也不想把大 context 神化。window 再大，不代表模型就會自動注意你塞進去的每一段。大多數人拿到大上下文，第一反應就是「那我可以亂塞了」。不行，這只會讓你更容易把 prompt 弄成垃圾場。模型不是魔法師，它只是有更大的桌子給你亂放東西。\u003C\u002Fp>\u003Cp>我比較在意的是：1M context 最適合用來減少 fragmentation，不是拿來偷懶。像大型 spec bundle、長 issue thread、多檔 refactor、或需要讓前面決策一直留在視野裡的 agent run，這種場景會很有感。你不用一直摘要、壓縮、再摘要，很多細節就不會在中途漏掉。\u003C\u002Fp>\u003Cp>我之前做長任務鏈時，最容易炸掉的就是摘要步驟。每摘要一次，語氣、限制、例外條件就掉一點。上下文夠大，這個漏水點就小很多。這不是什麼浪漫的 AI 故事，這就是工程上少踩一個坑。\u003C\u002Fp>\u003Cp>實作上，我會在 prompt 裡放一個很短的 task ledger，不要靠模型自己從長文推斷現在進度。把 goal、constraints、done、next、blocked 固定放在一個區塊，每輪刷新。\u003C\u002Fp>\u003Cul>\u003Cli>維持一個 running state：goal、constraints、done、next、blocked。\u003C\u002Fli>\u003Cli>原始素材只保留跟當前決策直接相關的部分。\u003C\u002Fli>\u003Cli>做 code 任務時，優先放檔名和 diff，不要整包 repo 硬灌。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>OpenRouter 重要，因為 provider 亂流是真的會害死人\u003C\u002Fh2>\u003Cp>OpenRouter 說同一個 model 可能由不同公司代管，然後你可以選 routing mode：Balanced、Nitro、Exacto。這聽起來像底層 plumbing，但我很在意，因為這會決定你的 agent 是穩，還是今天能跑、明天像中邪。\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\u002Frouting\">routing 文件\u003C\u002Fa>這種東西常常被人跳過，結果出事時才發現問題不在模型，是在你沒控制好 provider。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781320693189-dkpf.png\" alt=\"MiMo-V2.5-Pro 把 agent 工作變成一個 API\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>白話一點講，OpenRouter 在這裡比較像 control plane，模型是 payload。你如果遇過某個 provider 半夜開始抖，然後 production agent 就一路 timeout，你就知道這層有多重要。OpenRouter 還說它會持續監控 provider，出錯時會 retry 到下一個可用 provider。這不性感，但這就是能不能活著上線的差別。\u003C\u002Fp>\u003Cp>我自己吃過太多 API integration 的虧：測試時都正常，一到真實流量，hosting 層行為一變，整個 workflow 就開始變成 support ticket 製造機。routing mode 的價值就在這裡。你要的是便宜、快、還是可重現，這三個目標不能混著選。\u003C\u002Fp>\u003Cp>實操上，我會先照任務挑模式，不是照心情挑。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Balanced\u003C\u002Fstrong>：想讓價格和速度自動折衷時用。\u003C\u002Fli>\u003Cli>\u003Cstrong>Nitro\u003C\u002Fstrong>：延遲比成本重要時用。\u003C\u002Fli>\u003Cli>\u003Cstrong>Exacto\u003C\u002Fstrong>：你要固定 provider、方便除錯時用。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是在評估模型，我會建議先用 Exacto，先把 provider 變因鎖住。等模型行為穩了，再切 Balanced 看成本。這個順序比較不會把你自己搞暈。\u003C\u002Fp>\u003Ch2>價格低到會讓人亂開 loop，所以你更要管住 token\u003C\u002Fh2>\u003Cp>頁面上的價格是 input $0.435 \u002F 百萬 tokens、output $0.87 \u002F 百萬 tokens。這種價位很容易讓人開始幻想：那我是不是可以開超長 agent loop、塞超大 prompt、讓它一直想下去。可以想，但不要太快爽。因為便宜 output 很常變成昂貴 workflow，尤其當你的 agent 開始重試、重講、或產生一堆沒必要的中間文字。\u003C\u002Fp>\u003Cp>我會把這句話講白一點：價格只在你的 control loop 夠乾淨時才有意義。這種模型真正吸引人的地方，是你可以把上下文成本攤在一個長任務上。如果你的 app 仍然在重複灌 prompt、tool chatter 也很肥，那你只是換個地方燒錢而已。\u003C\u002Fp>\u003Cp>我見過團隊把模型成本壓低，結果總花費反而上升，因為他們只砍了模型單價，沒砍 orchestration 的肥肉。模型變便宜，流程沒變好，最後只是跑得更快、更大量地浪費。這很常見，也很煩。\u003C\u002Fp>\u003Cp>實作上，我會先做 token economy，再談 scale。工具輸出要結構化，重複指令要刪，穩定上下文要快取。OpenRouter 文件也提到，重複 context 的有效價格可以便宜 60–80%，這種細節在會重用 task frame 的 loop 裡真的有差。\u003C\u002Fp>\u003Cp>我的原則很簡單：如果某一步不會改變決策，就不要一直為它付 token。\u003C\u002Fp>\u003Ch2>這些 benchmark 是工作提示，不是拿來拜的\u003C\u002Fh2>\u003Cp>OpenRouter 列的 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 是 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fxiaomi\u002Fmimo-v2.5-pro\">ClawEval\u003C\u002Fa>、GDPVal、SWE-bench Pro。至少它沒有只丟一堆模糊詞，我可以知道它想把你帶去哪裡：agent 執行、軟體工程、長任務流。這比那種只會說「表現優異」的頁面誠實一點。\u003C\u002Fp>\u003Cp>白話講，我會把這些 benchmark 當成 workload hint，不會當成它在所有事情上都最強的證明。你如果要的是 coding assistant、repo navigation、multi-step task completion，這些 benchmark 有參考價值。你如果要的是文案、客服語氣、或品牌聲線，那它們就沒那麼有用。\u003C\u002Fp>\u003Cp>我現在看模型頁都會問一個很直白的問題：這個 benchmark 像不像我真的會遇到的 failure mode？如果不像，我就不會被它牽著走。很多模型在 leaderboard 上看起來很漂亮，一進你自己的任務形狀就開始歪掉，這種事我看太多了。\u003C\u002Fp>\u003Cp>實操上，我會把 benchmark 對應到內部任務，而不是對應到行銷文案。\u003C\u002Fp>\u003Cul>\u003Cli>軟體工程 benchmark → code review、refactor、test generation。\u003C\u002Fli>\u003Cli>agentic benchmark → ticket resolution、tool chaining、狀態式 workflow。\u003C\u002Fli>\u003Cli>long-horizon benchmark → research synthesis、多步驟 ops 任務。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果 benchmark 跟你的工作不長得像，就別讓它主導決策。先當線索，再拿自己的資料測。\u003C\u002Fp>\u003Ch2>OpenAI-compatible API 很無聊，但我就是愛這種無聊\u003C\u002Fh2>\u003Cp>OpenRouter 說它的 API 跟 \u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 相容，大多數 SDK 只要換 base URL 就能接。很好，這種句子很無聊，但我喜歡。代表我不需要因為一個品牌包裝，去重寫半套 integration。對我來說，這種「無聊」就是省時間。\u003C\u002Fp>\u003Cp>白話講，模型換了，client 形狀大致不變。這會大幅降低試驗成本。你可以把 MiMo-V2.5-Pro 塞進既有 agent stack，比對行為，其他 plumbing 繼續維持穩定。當你要橫跨多個 provider 做比較時，這件事尤其重要，因為你不想最後測到的是 adapter，不是模型。\u003C\u002Fp>\u003Cp>我之前比較模型時最討厭的就是 API shape 不一致。你本來想學模型，結果變成在 debug 轉接層。OpenAI-compatible endpoint 不性感，但它讓評估比較誠實。至少你知道自己在看什麼。\u003C\u002Fp>\u003Cp>實作上，我會保留一個很薄的 provider adapter，base URL 指向 OpenRouter，model selection 放 config，不要寫死在 code 裡。這樣你要換成 MiMo-V2.5-Pro 或別的模型，不用動整個 agent。\u003C\u002Fp>\u003Cp>但我也要提醒一句：相容 API 只有在你的 prompt、tools、output parsing 夠乾淨時才真的有用。你如果本來就寫得亂，compatible 只會幫你更快把亂流擴大。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode>## MiMo-V2.5-Pro agent setup via OpenRouter\n\n### 什麼時候用\n用 MiMo-V2.5-Pro 來做長任務、工具很多的工作：\n- codebase refactor\n- issue triage\n- research synthesis\n- multi-step agent workflows\n- 需要共享大上下文的任務\n\n### Provider 策略\n- 測試期先用 `Exacto`，把 provider 行為固定住。\n- 上 production 後，如果你在乎成本和速度的平衡，再切 `Balanced`。\n- 只有在延遲比可重現性更重要時才用 `Nitro`。\n\n### System prompt 範本\nYou are a task executor.\n\nGoal:\n{one-sentence goal}\n\nConstraints:\n- Do not change unrelated files\n- Prefer minimal diffs\n- Ask before destructive actions\n- Keep outputs structured\n\nState:\n- Done: {completed steps}\n- Next: {next step}\n- Blocked: {open issues}\n\nTools:\n- Use tools only when they reduce uncertainty\n- Stop when the task is complete\n- Report failures with exact error text\n\nOutput format:\n1. Summary\n2. Actions taken\n3. Files changed\n4. Remaining risks\n\n### OpenRouter request example\n{\n  \"model\": \"xiaomi\u002Fmimo-v2.5-pro\",\n  \"messages\": [\n    {\"role\": \"system\", \"content\": \"You are a task executor...\"},\n    {\"role\": \"user\", \"content\": \"{task}\"}\n  ],\n  \"temperature\": 0.2\n}\n\n### Guardrails\n- 保留一個 running task ledger。\n- 工具輸出要結構化。\n- 只刷新有變動的 state。\n- tool call 重試次數要封頂。\n- 刪掉重複指令，別浪費 context。\n\n### 評估清單\n- 多次 tool call 後還有沒有跑題？\n- 能不能跨 turn 保住 constraints？\n- 有沒有不必要地反覆重做計畫？\n- provider 切換時行為有沒有變？\n- 長上下文下輸出還有沒有用？\n\n### 起手式 config\nprovider: openrouter\nmodel: xiaomi\u002Fmimo-v2.5-pro\nrouting_mode: exacto\ntemperature: 0.2\nmax_retries: 2\ncontext_policy: keep_state_compact\noutput_style: structured\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段模板是我自己整理的，不是 OpenRouter 原封不動給你的。它是從 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fxiaomi\u002Fmimo-v2.5-pro\">模型頁\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\u002Frouting\">routing 文件\u003C\u002Fa>，再加上我自己被 agent workflow 搞到很煩之後整理出來的。你可以直接貼進自己的 stack，再慢慢改成你要的樣子。\u003C\u002Fp>\u003Cp>如果你想自己對照原文，從 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fxiaomi\u002Fmimo-v2.5-pro\">MiMo-V2.5-Pro 模型頁\u003C\u002Fa>開始，再看 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\">OpenRouter docs\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\u002Fquick-start\">quick start\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002Fdocs\u002Frouting\">routing\u003C\u002Fa>。這篇不是官方說明書，我只是把它翻成比較像工程現場會用的版本。來源有標的我都標了；模板和判讀是我自己的整理。\u003C\u002Fp>","我拆 MiMo-V2.5-Pro 在 OpenRouter 的用法，重點是怎麼接進 agent 工作流、怎麼選 routing、怎麼直接抄模板上線。","openrouter.ai","https:\u002F\u002Fopenrouter.ai\u002Fxiaomi\u002Fmimo-v2.5-pro",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781320694317-up12.png","tools","zh","072db467-c073-42e5-b723-5b1888304902",[17,18,19,20,21],"MiMo-V2.5-Pro","OpenRouter","agent workflows","routing modes","long-context",[23,24,25],"把 MiMo-V2.5-Pro 當 worker 模型，不是聊天玩具。","先用 Exacto 鎖住 provider 變因，再測模型本身。","長上下文要搭 task ledger 和 guardrails，才不會變成 token 浪費。",0,"2026-06-13T03:17:48.351417+00:00","2026-06-13T03:17:48.339+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"tags":31,"relatedLang":42,"relatedPosts":46},[32,34,36,38,40],{"name":18,"slug":33},"openrouter",{"name":17,"slug":35},"mimo-v25-pro",{"name":20,"slug":37},"routing-modes",{"name":39,"slug":21},"long context",{"name":19,"slug":41},"agent-workflows",{"id":15,"slug":43,"title":44,"language":45},"mimo-v25-pro-turns-agent-work-into-one-api-call-en","MiMo-V2.5-Pro turns agent work into one API call","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"6627f35e-3e66-445f-8c2a-188797ffd22b","microsoft-build-2026-agents-into-systems-zh","Build 2026 把代理變系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781329733213-teym.png","2026-06-13T05:48:21.486989+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"bcf84ab5-c420-448a-968b-d6777d846d68","8-cursor-alternatives-that-fit-how-you-work-zh","8 款 Cursor 替代品怎麼選","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781312602751-6ay6.png","2026-06-13T01:02:56.132136+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"4cd74291-8fb5-4203-ba64-b9e5cc5dec68","ollama-default-local-ai-layer-zh","Ollama 正在成為預設的本地 AI 層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781310769394-h8f5.png","2026-06-13T00:32:16.314447+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"d151c5d3-b298-499a-9524-f06d42a8b26b","songscription-turns-piano-audio-into-editable-sheet-music-zh","Songscription 讓鋼琴音檔變可編輯樂譜","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781288303307-ll88.png","2026-06-12T18:17:55.667582+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"d1ee04c1-484e-4b7e-804d-414053db6ce0","ios-27-turns-apple-music-into-smarter-player-zh","iOS 27 讓 Apple Music 變更會聽","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781287411723-ze4w.png","2026-06-12T18:02:58.114644+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"a1e6c4e5-e265-4cdd-ad53-da0204132f44","kubernetes-turns-container-chaos-into-operations-zh","Kubernetes 把容器混亂變成營運","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781285605986-bdz1.png","2026-06-12T17:32:53.10569+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"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":90,"slug":91,"title":92,"created_at":93},"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":95,"slug":96,"title":97,"created_at":98},"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":100,"slug":101,"title":102,"created_at":103},"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":105,"slug":106,"title":107,"created_at":108},"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":110,"slug":111,"title":112,"created_at":113},"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":115,"slug":116,"title":117,"created_at":118},"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":120,"slug":121,"title":122,"created_at":123},"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":125,"slug":126,"title":127,"created_at":128},"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":130,"slug":131,"title":132,"created_at":133},"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"]