[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-n8n-mcp-workflows-ai-tool-hubs-zh":3,"article-related-n8n-mcp-workflows-ai-tool-hubs-zh":30,"series-tools-1c790be3-fbbb-4ebd-b485-d1c1913043f9":80},{"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},"1c790be3-fbbb-4ebd-b485-d1c1913043f9","n8n-mcp-workflows-ai-tool-hubs-zh","n8n MCP 把工作流變工具庫","\u003Cp data-speakable=\"summary\">我把 n8n \u003Ca href=\"\u002Ftag\u002Fmcp\">MCP\u003C\u002Fa> 拆成一個可\u003Ca href=\"\u002Fnews\u002Fpower-bi-mcp-servers-ai-model-work-zh\">直接\u003C\u002Fa>照抄的工作流工具庫做法。\u003C\u002Fp>\u003Cp>我用 n8n 一陣子了，越用越火大。流程是能跑沒錯，但一碰到 \u003Ca href=\"\u002Ftag\u002Fai-agent\">AI agent\u003C\u002Fa> 要真的幫我做事，就開始露餡：不是要補自訂節點，就是要接一堆臨時 glue code，不然就是某個 HTTP node 一改參數整條線炸掉。更煩的是，當我只想多加一句「先查 CRM 再回覆」，整個 workflow 立刻變成一坨脆弱的分支地獄。能動，但很醜。\u003C\u002Fp>\u003Cp>後來我看到這篇 \u003Ca href=\"https:\u002F\u002Fgenerect.com\u002Fblog\u002Fn8n-mcp\u002F\">Generect 的 n8n MCP 文章\u003C\u002Fa>，才比較像被提醒到重點：n8n 不該只被當成自動化流程編輯器，它可以變成 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>的入口。這不是在講「AI + automation 很棒」那種空話，而是把 workflow 重新定義成 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 能直接呼叫的工具庫。這個角度，我覺得比文章本身寫得更值錢。\u003C\u002Fp>\u003Cp>我真正想要的，是一種 setup：工具一次暴露好，MCP client 直接來叫，然後我不用每次都重寫同一套整合邏輯。文中也提到 n8n 已經有原生的 instance-level MCP server，Public Preview 從 2026 年 4 月開始，這點很重要，因為很多人只看過舊的 \u003Ccode>MCP Server Trigger\u003C\u002Fcode>，就以為 MCP 只能一條 workflow 一條 workflow 地接，完全漏掉更大的玩法。\u003C\u002Fp>\u003Ch2>別再把 n8n 當流程圖工具\u003C\u002Fh2>\u003Cblockquote>“Updated June 2026: n8n now ships a native instance-level MCP server (Public Preview since April 2026) that lets Claude Desktop, ChatGPT, Cursor, or any MCP-compatible client build, test, and publish workflows directly inside your n8n instance — no JSON copy-paste.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：n8n 不只是拿來串 trigger 和 action 的地方，它開始變成 AI 工具可以直接對話的表面層。這個心智模型差很多。以前大家把 n8n 當成 Zapier 變體，然後 AI 一進來就開始卡住，因為每個需求都要重新接線。MCP 的價值，就是給模型一個標準方式去問工具、拿 context、做動作，不用每次都客製一套。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782191904804-spby.png\" alt=\"n8n MCP 把工作流變工具庫\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我看過太多人把 n8n 用成「高級版流程圖」，結果 AI 一要加入就整個亂掉。MCP 改的不是某個節點，而是整個互動方式。模型不需要知道你內部怎麼接線，它只要知道能呼叫哪些工具就好。這樣 glue code 會少很多，維護也比較不會像在補破網。\u003C\u002Fp>\u003Cp>我自己做內部 ops 自動化時，最常遇到的痛點就是：先做 lead enrichment，再做 validation，再做通知，前面都很順。可是一旦要讓 AI 自己判斷要不要先查另一個來源，整條流程就會長出一堆分支，而且每個分支都像在偷塞規則。MCP 比較像把這些能力整理成工具，而不是硬把所有邏輯塞進一條線裡。\u003C\u002Fp>\u003Cp>實操寫法很簡單：先不要設計「一條完整 pipeline」，先問自己「這個 agent 應該能呼叫哪些工具？」這個問題一換，n8n 的設計方式就會變。你不是在排步驟，你是在設計工具面。\u003C\u002Fp>\u003Cul>\u003Cli>把 n8n 當 orchestration layer，不只是 task chaining。\u003C\u002Fli>\u003Cli>把可重用的動作暴露成 MCP client 能呼叫的工具。\u003C\u002Fli>\u003Cli>盡量讓 workflow 邏輯留在 n8n 裡，不要散到外部 script。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>舊 trigger node 跟原生 server 根本不是同一件事\u003C\u002Fh2>\u003Cp>這篇原文把 \u003Cstrong>MCP Server Trigger\u003C\u002Fstrong> 跟新的 instance-level server 都講到了，這點我覺得很關鍵，因為它們解的是不同問題。前者比較像「把單一 workflow 包成工具端點」；後者則是整個 n8n instance 都能被 MCP-compatible client 看到。這兩個層級差很多，真的不能混在一起理解。\u003C\u002Fp>\u003Cp>也就是說，舊模式是 workflow-centric，新模式是 instance-centric。我個人覺得後者更合理。workflow-level trigger 很適合 demo，也適合單一用途的工具。但只要你開始做真的內部工具，馬上就會想要一個集中管理的地方，讓 agent 可以發現能力，而不是你手動在三個地方各自註冊一次。\u003C\u002Fp>\u003Cp>我自己最討厭的就是「把 workflow JSON 複製去別的地方貼上」這種流程，做過的人都知道那不是架構，那是 workaround。文章裡提到原生 server 不用 JSON copy-paste，我認為這不是小細節，這根本就是重點。少一層手動搬運，就少一堆 broken reference、credential 錯位，還有那種「為什麼它現在指到 staging」的經典災難。\u003C\u002Fp>\u003Cp>實操寫法：如果你只是想測一個單一 automation 能不能被 MCP client 呼叫，就先用 trigger node。等你要把 n8n 當成多個 AI client 共用的 automation backend，再切到 instance-level server。自架的話，先確認版本與部署方式；原文提到 community edition 需要 \u003Ca href=\"https:\u002F\u002Fdocs.n8n.io\u002Frelease-notes\u002F\">v2.18.4+\u003C\u002Fa>，而雲端或企業版則要對照 \u003Ca href=\"https:\u002F\u002Fdocs.n8n.io\u002Fhosting\u002F\">n8n hosting docs\u003C\u002Fa>。\u003C\u002Fp>\u003Cul>\u003Cli>Workflow trigger = 一條 workflow 暴露成工具。\u003C\u002Fli>\u003Cli>Instance server = 整個 n8n 工作區都能被 MCP 感知。\u003C\u002Fli>\u003Cli>要用哪個，看你是 demo 還是系統。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>先把安裝弄穩，別急著碰 AI\u003C\u002Fh2>\u003Cp>原文有把 \u003Ca href=\"https:\u002F\u002Fn8n.io\u002F\">n8n Cloud\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.docker.com\u002F\">Docker\u003C\u002Fa>、npm 這幾條安裝路線都列出來。這段看起來很平，但其實很重要。自動化平台如果安裝就很煩，你後面只會更煩。文章也提到 self-hosted 會碰到像 \u003Ccode>N8N_EDITOR_BASE_URL\u003C\u002Fcode> 這種環境變數，這種東西平常沒人想管，直到 OAuth redirect 在半夜壞掉才開始後悔。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782191900019-qcyc.png\" alt=\"n8n MCP 把工作流變工具庫\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：MCP 不是獨立魔法，它是建立在一個已經正常運作的 n8n instance 上。如果你的 editor URL 不對、credential 沒整理好、外部 client 根本連不到，那你先別談 AI。先把底座弄穩，不然你只是在 debug 網路跟設定，不是在做 automation。\u003C\u002Fp>\u003Cp>我看過團隊一開始就衝「AI agent integration」，結果連 workflow 權限跟存取都\u003Ca href=\"\u002Fnews\u002Fmidjourney-medical-60-second-body-scan-claim-zh\">還沒\u003C\u002Fa>穩。這順序完全反了。正確順序應該是：先讓 n8n 可達、可測、可重現，再把 MCP 疊上去。這樣你才知道壞掉的是哪一層，不會把所有問題都怪到模型身上。\u003C\u002Fp>\u003Cp>實操寫法：先選一條安裝路線，不要今天 Cloud、明天 \u003Ca href=\"\u002Ftag\u002Fdocker\">Docker\u003C\u002Fa>、後天又想改 npm。你只要做到三件事就好：能打開 editor、能存 workflow、能跑一次 test execution。這三件事都穩了，再開始接 MCP。自架環境的話，把 base URL、webhook URL、auth method 放進同一份部署文件，別讓未來的你自己翻半天。\u003C\u002Fp>\u003Cp>我會一起看的官方資源有這些：\u003Ca href=\"https:\u002F\u002Fdocs.n8n.io\u002F\">n8n docs\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmodelcontextprotocol.io\u002F\">Model Context Protocol\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fagents-and-tools\u002Fmcp\">Anthropic 的 MCP 文件\u003C\u002Fa>。如果你想看 client 長什麼樣，\u003Ca href=\"https:\u002F\u002Fclaude.ai\u002Fdownload\">Claude Desktop\u003C\u002Fa> 跟 \u003Ca href=\"https:\u002F\u002Fwww.cursor.com\u002F\">Cursor\u003C\u002Fa> 都算常見起手式。\u003C\u002Fp>\u003Ch2>第一條 workflow 先做得無聊一點\u003C\u002Fh2>\u003Cp>Generect 那篇拿 Gmail 到 Slack 當例子，我覺得這選得不錯，因為它夠小、夠直觀，而且一眼就知道有沒有成功。這種大小很適合第一版。套到 MCP 也一樣，不要一開始就做一個什麼都會的 agent。先做一個工具、一個 client、一個結果，先把整條鏈路跑通。\u003C\u002Fp>\u003Cp>也就是說，你第一條 MCP-backed workflow 要驗證的只有一件事：agent 能不能請求工具、n8n 能不能執行、結果能不能用乾淨的格式回來。就這樣。你如果一開始就想做全自動助理，最後只會花一堆時間在 prompt 行為上打轉，根本沒時間看整合到底哪裡壞。\u003C\u002Fp>\u003Cp>我自己在做內部 lead routing 時也踩過這個坑。第一版超小：查 lead、驗 domain、送 Slack 通知。先把這三件事跑穩，後面再加 enrichment 和 scoring 就很順。第一版越無聊越好，因為無聊代表可重複，代表你真的有東西能維護。\u003C\u002Fp>\u003Cp>實操寫法：選一條你本來就懂的 workflow，然後只暴露一個明確動作。如果你用的是 \u003Ccode>MCP Server Trigger\u003C\u002Fcode>，就把這條 workflow 當工具測一次；如果你用的是 instance-level server，就先註冊像「fetch lead status」或「create task」這種簡單能力。先把回傳格式弄乾淨，不要急著塞更多分支。\u003C\u002Fp>\u003Cul>\u003Cli>先挑你本來就熟的 workflow。\u003C\u002Fli>\u003Cli>只暴露一個能回傳明確結果的 action。\u003C\u002Fli>\u003Cli>先從 client 測通，再加其他分支。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>工具設計比 prompt 花招重要\u003C\u002Fh2>\u003Cp>這段是很多新手文章最愛略過的地方。原文有講到更聰明的系統跟更好的 context，但真正的收益其實來自工具設計。MCP 不會把爛 workflow 變好，它只是給模型一扇標準入口。門後面如果很亂，模型還是得吃你的爛設計。\u003C\u002Fp>\u003Cp>翻譯一下就是：每個暴露出去的 workflow 都應該只做一件窄而清楚的事。不要把一個工具做成「處理所有 CRM 任務」，那樣最後只會變成一個巨大 endpoint，測試超痛苦。比較好的做法是把 lookup、update、create 拆開，名稱用動詞，回傳結構化資料，少一點隱性副作用。\u003C\u002Fp>\u003Cp>我會這麼兇，是因為我真的清過太多所謂的「AI-ready」workflow，結果本質只是把亂七八糟的 automation 用聊天介面包起來。模型能不能推理得好，前提是工具\u003Ca href=\"\u002Fnews\u002Fmicron-anthropic-deal-earnings-signal-zh\">合約\u003C\u002Fa>要清楚。MCP 可以幫忙，但它救不了糟糕的設計。\u003C\u002Fp>\u003Cp>實操寫法：在你把 workflow 暴露成工具前，先寫清楚 input 跟 output。這個工具是讀資料還是寫資料，要講明白。只要它可能因為 credential 不見或欄位格式錯誤而失敗，就把失敗提早露出來，不要吞掉。這樣 agent 才真的能 debug。\u003C\u002Fp>\u003Cp>我自己的規則很簡單：如果我沒辦法用一句話講完這條 workflow 在幹嘛，那它就太大了，不該直接暴露成工具。先拆，再說。\u003C\u002Fp>\u003Ch2>少寫 custom code，不代表不用做架構\u003C\u002Fh2>\u003Cp>原文很強調少 connector、快整合，這點我同意。但我也要補一個警告：少 connector 不等於不用架構。你還是得決定哪些事情放 n8n、哪些放 client、哪些該留在正常 API service。MCP 在中間，這很方便，可是也很容易變成大家亂丟東西的垃圾桶。\u003C\u002Fp>\u003Cp>也就是說，n8n MCP 最適合的是 operational、repeatable、而且容易驗證的工作。它不是你整個 backend 的替代品。如果你本來就有一個很正常的 service 在處理 business logic，不要因為 workflow 編起來比較順手，就把它整個重寫成一百個 node。那樣只會讓系統更難維護。\u003C\u002Fp>\u003Cp>我現在最順的做法，是把 n8n 當 orchestration layer，把 MCP 當 access layer。邏輯留在該留的地方，模型拿到的是乾淨的呼叫入口。這樣 workflow 還讀得懂，agent 行為也比較可預測。\u003C\u002Fp>\u003Cp>實操寫法：只把那些「可操作、可重複、可驗證」的任務暴露給 MCP。核心 business rule 如果需要強測試、版本控管、複雜分支，就留在 code 裡。你不確定的話，就問自己：一個 junior teammate 只看 node 名稱，能不能安全跑這條流程？如果不能，先簡化再暴露。\u003C\u002Fp>\u003Cp>我會優先放進 MCP 的類型有這些：\u003C\u002Fp>\u003Cul>\u003Cli>Lead lookup 和 enrichment\u003C\u002Fli>\u003Cli>跨系統狀態查詢\u003C\u002Fli>\u003Cli>Ticket 建立與 routing\u003C\u002Fli>\u003Cli>有結構化輸出的通知流程\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># n8n MCP starter pattern for beginners\n\n用在你想把一條 workflow 暴露成 AI client 可呼叫的工具時。\n\n## 1) 先定義 workflow 形狀\n- 只做一件事\n- 只有一個清楚 input\n- 只有一個結構化 output\n- 除非必要，不要有隱性副作用\n\n## 2) 在 n8n 建 workflow\n- 打開你的 n8n instance\n- 建立一條新 workflow\n- 加上以下其中一種：\n  - `MCP Server Trigger`：單一 workflow 工具\n  - instance-level MCP server：如果你的 n8n 版本支援\n- 把實際做事的 nodes 接進去\n- node 名稱用動詞，而且要具體\n\n## 3) 定義 tool contract\nInput example:\n\n{\n  \"email\": \"sam@example.com\"\n}\n\nOutput example:\n\n{\n  \"found\": true,\n  \"name\": \"Sam Lee\",\n  \"company\": \"Acme\",\n  \"status\": \"validated\"\n}\n\n## 4) 從 MCP client 連進來\n- 用 Claude Desktop、Cursor、ChatGPT，或其他 MCP-compatible client\n- 指向你的 n8n MCP endpoint\n- 先測一個最簡單的 request\n\n## 5) 第一個工具要無聊\n適合的第一批工具：\n- 查一筆資料\n- 驗證欄位\n- 建立 ticket\n- 發送通知\n\n不適合的第一批工具：\n- 什麼都做的 workflow\n- 有多個副作用的流程\n- 回傳一大坨不結構化文字的工具\n\n## 6) 加 guardrails\n- 每次執行都記錄\n- credential 缺失就直接失敗\n- 回傳結構化錯誤\n- 讀取與寫入分成不同工具\n\n## copyable checklist\n- [ ] n8n instance 可連線\n- [ ] credentials 已設定\n- [ ] editor base URL 正確\n- [ ] MCP endpoint 已曝光\n- [ ] 至少一條 workflow 已端到端測通\n- [ ] output 是結構化 JSON\n- [ ] client 已能成功呼叫工具\n\n## example tool naming\n- `lookup_contact`\n- `validate_domain`\n- `create_support_ticket`\n- `send_slack_alert`\n\n## example prompt to test\n\"Look up the contact for sam@example.com and return the result as structured data.\"\n\n## next step\n第一個工具穩了，再加第二個共享相同資料形狀的工具。\n不要還沒穩就急著擴張。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段我是真的會直接貼進團隊文件。它把 scope 壓小，把工具合約講清楚，debug 面積也不會大到讓人想翻桌。如果你想讓 workflow 撐得住真實使用者，先從這裡開始。\u003C\u002Fp>\u003Cp>最後補一句：這篇文章最有價值的地方，不是它寫得很適合新手，而是它把 workflow 往工具化的方向推了一步。n8n 加 MCP 的重點，不是「AI 可以接上自動化」，而是「自動化可以被 AI 以工具方式呼叫」。這個差別，我覺得值得你真的記住。\u003C\u002Fp>\u003Cp>來源我拆的是 \u003Ca href=\"https:\u002F\u002Fgenerect.com\u002Fblog\u002Fn8n-mcp\u002F\">Generect 原文\u003C\u002Fa>，再加上 \u003Ca href=\"https:\u002F\u002Fdocs.n8n.io\u002F\">n8n 官方文件\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmodelcontextprotocol.io\u002F\">MCP 規格\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fagents-and-tools\u002Fmcp\">Anthropic MCP 文件\u003C\u002Fa> 做交叉整理。模板是我自己重寫的，概念與範例則是從這些來源延伸出來的。\u003C\u002Fp>","我拆 n8n MCP 的設定、差異與實作模板，讓你把工作流直接做成 AI 可呼叫的工具庫。","generect.com","https:\u002F\u002Fgenerect.com\u002Fblog\u002Fn8n-mcp\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782191904804-spby.png","tools","zh","4ac1e398-f5e6-41a2-91ff-0f3255d1a4b5",[17,18,19,20,21],"n8n","MCP","AI agent","workflow automation","tooling",[23,24,25],"n8n MCP 的重點不是接 AI，而是把 workflow 變成可呼叫的工具庫。","先用單一工具、單一 client、單一結果跑通，再擴成 instance-level 架構。","工具設計要窄、要結構化、要可測，MCP 不能救爛 workflow。",0,"2026-06-23T05:17:56.108259+00:00","2026-06-23T05:17:56.097+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"tags":31,"relatedLang":39,"relatedPosts":43},[32,34,35,37],{"name":20,"slug":33},"workflow-automation",{"name":17,"slug":17},{"name":18,"slug":36},"mcp",{"name":19,"slug":38},"ai-agent",{"id":15,"slug":40,"title":41,"language":42},"n8n-mcp-workflows-ai-tool-hubs-en","n8n MCP turns workflows into AI tool hubs","en",[44,50,56,62,68,74],{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"582fd0b3-550d-43e4-8d68-746f7f701f29","ling-jichu-yong-ai-bianxian-shicao-muban-zh","零基础用AI变现的实操模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782201813046-h6lm.png","2026-06-23T08:03:03.372395+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"2b878a5d-02b0-466e-8a4f-a6993b7f6a7c","microsoft-copilot-studio-april-2026-updates-zh","Copilot Studio 4 月更新：治理與工作流升級","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782192760962-c2dx.png","2026-06-23T05:32:15.322963+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"63e354b2-b54a-4603-a273-8ba1af54d02f","power-bi-mcp-servers-ai-model-work-zh","Power BI MCP 讓 AI 直接碰模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782190077025-v9mp.png","2026-06-23T04:47:34.052921+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"dc700ee2-3fbd-44c4-8d0c-2c15b2d8ef71","modelop-2026-mq-ai-governance-ops-zh","ModelOp 讓治理變成營運","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782164894909-yl2i.png","2026-06-22T21:47:47.743681+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"1882ceb9-a52c-4d38-9666-4749de946557","rust-forum-checkins-turn-vague-work-into-plans-zh","Rust 週更提問把模糊工作變計畫","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782151394283-xx0w.png","2026-06-22T18:02:50.300192+00:00",{"id":75,"slug":76,"title":77,"cover_image":78,"image_url":78,"created_at":79,"category":13},"3c99ee7a-64ef-459f-9cd2-6fc420bd9e4b","gke-system-metrics-tpu-hpa-cloud-monitoring-zh","GKE 系統指標開始看見 TPU 與 HPA","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782137889532-yct9.png","2026-06-22T14:17:42.722979+00:00",[81,86,91,96,101,106,111,116,121,126],{"id":82,"slug":83,"title":84,"created_at":85},"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":87,"slug":88,"title":89,"created_at":90},"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":92,"slug":93,"title":94,"created_at":95},"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":97,"slug":98,"title":99,"created_at":100},"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":102,"slug":103,"title":104,"created_at":105},"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":107,"slug":108,"title":109,"created_at":110},"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":112,"slug":113,"title":114,"created_at":115},"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":117,"slug":118,"title":119,"created_at":120},"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":122,"slug":123,"title":124,"created_at":125},"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":127,"slug":128,"title":129,"created_at":130},"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"]