[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-nvidia-research-gpu-template-zh":3,"article-related-nvidia-research-gpu-template-zh":30,"series-tools-1a92ac0a-75ea-4877-874d-4a309cd0085b":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},"1a92ac0a-75ea-4877-874d-4a309cd0085b","nvidia-research-gpu-template-zh","NVIDIA 研究頁把 GPU 資源變模板","\u003Cp data-speakable=\"summary\">我把 \u003Ca href=\"\u002Ftag\u002Fnvidia\">NVIDIA\u003C\u002Fa> Research 拆成一個可直接套用的頁面模板，讓你快速分出研究、工具、平台和產品。\u003C\u002Fp>\u003Cp>我盯 NVIDIA 的研究頁一陣子了，老實說，一開始我只覺得它很吵。名字一堆、連結一堆、分類也一堆，但我想找的東西常常不是藏在很深，就是跟別的東西混在一起。你明明是來找一個研究專案，結果一路滑下去，先看到產品名，再看到平台名，最後才發現你剛剛點到的其實只是某個工具家族的入口。頁面不是空，是太滿了。\u003C\u002Fp>\u003Cp>我後來才想通，這種頁面不能用「首頁」的\u003Ca href=\"\u002Fnews\u002F4-ways-microsoft-is-building-agentic-apps-zh\">方式\u003C\u002Fa>讀，要用「分類系統」的方式拆。你如果把它當 brochure 看，只會被資訊量淹死；你如果把它當 taxonomy 看，就會突然知道哪一類是研究、哪一類是開發工具、哪一類是平台、哪一類只是產品包裝。這個差別很大，因為開發者要的不是漂亮，是快。\u003C\u002Fp>\u003Cp>我今天不是在幫 NVIDIA 做導覽，也不是在幫它寫摘要。我是把它的公開頁面拆成一個我自己會抄的模板，給你用在研究頁、實驗室頁、開源頁、甚至公司技術首頁都行。你只要有一堆技術資產要讓人找，就會遇到同一個問題：怎麼不要讓使用者在 tab 海裡游泳。\u003C\u002Fp>\u003Cp>我用的原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002F\">NVIDIA Research\u003C\u002Fa>，另外也對照了 \u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone\">CUDA\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fkaolin\">Kaolin\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Ftoronto-ai\u002Fimaginaire\u002F\">Imaginaire\u003C\u002Fa>，還有 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVlabs\">NVLabs GitHub org\u003C\u002Fa>。這些頁面本身就把 NVIDIA 的技術層次露出來了，只是你得先把它們拆開看。\u003C\u002Fp>\u003Ch2>先別把研究頁當型錄看\u003C\u002Fh2>\u003Cblockquote>“Research at NVIDIA | Advancing the Latest Technology”\u003C\u002Fblockquote>\u003Cp>這句話表面上很正常，實際上很誠實：它同時想當研究入口，也想當整個技術宇宙的導覽牌。問題是，這兩件事不是同一件事。研究入口應該回答「這裡有哪些實驗、論文、repo」，導覽牌應該回答「你要去哪一層」。NVIDIA 這頁把兩者疊在一起，所以你第一次看會覺得亂，這很正常，不是你笨。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780567412863-e8oq.png\" alt=\"NVIDIA 研究頁把 GPU 資源變模板\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己第一次整理技術內容頁時也踩過這個坑。我以為只要把東西都列上去，使用者就會自己懂。結果完全不是。人家看到的是一堆名字，不是結構。你沒先告訴他這些東西屬於哪一層，他就只能靠猜。開發者最討厭猜，因為猜錯一次就直接關頁面。\u003C\u002Fp>\u003Cp>翻譯一下就是：先不要問「這頁講\u003Ca href=\"\u002Fnews\u002Fcongress-should-treat-fraud-cuts-as-tax-relief-zh\">什麼\u003C\u002Fa>」，先問「我現在要找的是哪種資產」。是 paper、repo、SDK、模型、\u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，還是平台？這個問題一問下去，很多雜訊會自己掉下來。\u003C\u002Fp>\u003Cp>我會怎麼做：任何超載的技術首頁，我都先自己切成五個桶。\u003C\u002Fp>\u003Cul>\u003Cli>研究論文與實驗室\u003C\u002Fli>\u003Cli>開發工具與 SDK\u003C\u002Fli>\u003Cli>模型與 demo\u003C\u002Fli>\u003Cli>平台與基礎設施\u003C\u002Fli>\u003Cli>產品化方案\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這五桶不是為了好看，是為了讓人一眼知道該往哪裡走。你頁面再大，只要分類對了，使用者就不會覺得你在亂丟東西。\u003C\u002Fp>\u003Ch2>研究、工具、平台，不要混成一鍋\u003C\u002Fh2>\u003Cp>NVIDIA 的頁面會同時出現 \u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fkaolin\">Kaolin\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Ftoronto-ai\u002Fimaginaire\u002F\">Imaginaire\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone\">CUDA\u003C\u002Fa> 這類名字。它們看起來都很技術，但根本不是同一種東西。Kaolin 是 3D deep learning library，Imaginaire 是影像與影片生成的研究 codebase，CUDA 則是底下那層 GPU programming platform。你把它們當成同一類，整個理解就歪了。\u003C\u002Fp>\u003Cp>也就是說，這頁其實在展示多層抽象：有些是研究輸出，有些是開發工具，有些是平台底層，有些只是產品化的包裝。你如果把它們混在一起，就會開始期待錯的事情。你可能會拿研究 repo 當正式產品看，或拿平台當成單一工具看，然後開始抱怨文件不完整。其實不是文件不完整，是你把層級看錯了。\u003C\u002Fp>\u003Cp>我自己也做過這種蠢事。我曾經把內部的「研究工具頁」和「客戶功能頁」混在一起，想說反正都跟技術有關。結果大家一直問我：這到底是 demo、library，還是正式支援的東西？我後來才知道，內容正確不代表可用。沒有邊界，使用者只會更煩。\u003C\u002Fp>\u003Cp>實操寫法很簡單：每個項目都先貼一個層級標籤。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Research\u003C\u002Fstrong>：論文、實驗、原型、lab\u003C\u002Fli>\u003Cli>\u003Cstrong>Developer tool\u003C\u002Fstrong>：SDK、repo、API、library\u003C\u002Fli>\u003Cli>\u003Cstrong>Platform\u003C\u002Fstrong>：算力、runtime、基礎設施\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你還有正式商用版，再加一個 \u003Cstrong>Product\u003C\u002Fstrong>。這樣做不是多此一舉，是避免別人把 demo 當 SLA 產品。開發者看到標籤，會自己調整期待值，這比你寫一大段形容詞有用多了。\u003C\u002Fp>\u003Ch2>CUDA 是地基，不是海報上的主角\u003C\u002Fh2>\u003Cp>在 NVIDIA 的開發與研究材料裡，\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone\">CUDA\u003C\u002Fa> 一直像底下那層地基。它是 GPU 上的平行運算平台與\u003Ca href=\"\u002Fnews\u002Fanthropic-code-review-tool-ai-generated-code-zh\">程式\u003C\u002Fa>模型，很多東西之所以能跑、能快、能被研究團隊拿來做實驗，靠的就是這層。這點比那些新潮專案名更重要，因為它解釋了整個技術鏈條怎麼成立。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780567419973-9dlf.png\" alt=\"NVIDIA 研究頁把 GPU 資源變模板\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：你不要先看最花俏的 demo，你要先看「是什麼讓這些 demo 有機會成立」。對 NVIDIA 來說，答案常常不是某個 AI 名詞，而是 \u003Ca href=\"\u002Ftag\u002Fcuda\">CUDA\u003C\u002Fa> 這種底層能力。你一旦搞懂這層，後面的專案就不再像魔法，而比較像一個有工程脈絡的堆疊。\u003C\u002Fp>\u003Cp>我之前跟一個只看 AI 新聞的同事解釋 NVIDIA 工具鏈，他一開始只想知道「哪個模型最強」。我後來發現他真正需要的是「什麼東西跑在哪裡」。當我把 CUDA 這層先講清楚，他才知道上面那些研究專案到底依賴什麼。這就是地基的價值：不是最亮眼，但它決定整棟樓能不能站穩。\u003C\u002Fp>\u003Cp>實操上，如果你自己的公司也有一個底層技術，不要把它藏到最下面。把它放在第一層，然後用依賴順序排版：\u003C\u002Fp>\u003Cul>\u003Cli>foundation\u003C\u002Fli>\u003Cli>developer primitives\u003C\u002Fli>\u003Cli>reference projects\u003C\u002Fli>\u003Cli>production products\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這個順序會逼你把故事講清楚。先講地基，再講工具，再講案例，最後才講商用版。這樣使用者比較不會被你最會賣的那頁騙進來，然後在文件裡面迷路。\u003C\u002Fp>\u003Ch2>專案名稱不能自動解釋自己\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Ftoronto-ai\u002Fimaginaire\u002F\">Imaginaire\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fkaolin\">Kaolin\u003C\u002Fa> 這些名字都很會取，記得住，但前提是你已經知道它們是什麼。對第一次來的人來說，它們就只是名詞。名稱本身不等於可發現性，這件事很多技術頁都不想面對，但它就是事實。\u003C\u002Fp>\u003Cp>也就是說，每個 project card 都應該立刻回答三件事：它解決什麼問題、屬於哪個 stack、下一步要點哪裡。只要少一個，使用者就會離開站內，跑去 \u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa>、論文頁、投影片或社群貼文拼你的意圖。你以為自己在做導覽，其實你是在逼別人幫你補文件。\u003C\u002Fp>\u003Cp>我以前也做過一頁全是聰明命名的專案清單。內部的人覺得很酷，外部的人一臉問號。最多 support 問題不是技術細節，而是：「這到底是 library、demo，還是正式依賴？」只要這題答不出來，整頁可信度就掉一半。\u003C\u002Fp>\u003Cp>實操寫法我會固定成兩行：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>一句話說明\u003C\u002Fstrong>：用白話講它做什麼\u003C\u002Fli>\u003Cli>\u003Cstrong>下一步連結\u003C\u002Fstrong>：docs、repo、paper 或 quickstart\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你想再多做一點，就補一行 \u003Cstrong>Best for\u003C\u002Fstrong>。像是「Best for 3D deep learning workflows」或「Best for image synthesis research」。這不是行銷文案，這是導航。差很多。\u003C\u002Fp>\u003Ch2>一頁不該負責所有路由\u003C\u002Fh2>\u003Cp>NVIDIA 的 research 主頁會把你導去雲端服務、\u003Ca href=\"\u002Ftag\u002F資料中心\">資料中心\u003C\u002Fa>平台、嵌入式系統、遊戲、網路、軟體工具。這種密度很像 switchboard，不像 destination。它的角色比較像分流器，不是終點站。這點很重要，因為你如果把所有路由都塞在同一頁，使用者只會更難決定。\u003C\u002Fp>\u003Cp>翻譯一下就是：首頁做太多事，應該拆給子頁。研究者不需要跟企業買家看同一個入口；GPU 開發者也不需要跟 robotics 團隊共用同一條路。你把所有人丟到同一頁，最後只會讓每個人都覺得這頁不是給他看的。\u003C\u002Fp>\u003Cp>我看過不少團隊想靠「再加更多連結」解決這件事，結果越加越亂。連結多不代表更好，只代表選擇更多；選擇一多，大家就開始猶豫。真正的解法不是多，是分群分得夠清楚。\u003C\u002Fp>\u003Cp>實操上，我會把技術站切成這幾條線：\u003C\u002Fp>\u003Cul>\u003Cli>research\u003C\u002Fli>\u003Cli>developer\u003C\u002Fli>\u003Cli>enterprise\u003C\u002Fli>\u003Cli>open source\u003C\u002Fli>\u003Cli>reference implementations\u003C\u002Fli>\u003C\u002Ful>\u003Cp>然後讓第一次點擊就真的完成分流。不要叫使用者自己讀懂你的組織架構，這很浪費時間，也很不尊重人。\u003C\u002Fp>\u003Cp>如果你想看 NVIDIA 怎麼把開發者入口做得更直接，可以看 \u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002F\">NVIDIA Developer\u003C\u002Fa> 跟 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVlabs\">NVLabs GitHub org\u003C\u002Fa>。這兩個地方比主研究頁更像我會拿來當入口的樣子。\u003C\u002Fp>\u003Ch2>真正值錢的是內容架構，不是 AI 標題\u003C\u002Fh2>\u003Cp>很多人看 NVIDIA 的研究頁，只會得到一句很偷懶的結論：AI 公司、很多 GPU、很多東西。這種講法太省事了。比較值得看的其實是內容架構。它把研究、工具、基礎設施放在彼此靠近的位置，雖然頁面本身還是有點吵，但結構感是存在的。\u003C\u002Fp>\u003Cp>也就是說，它其實在講一個完整堆疊：想法、程式、算力、部署。這才是開發者真正該看的東西。單一專案本身重要，但更重要的是它怎麼連到基礎平台，再連到實際用途。沒有這條線，所有內容都只是孤島。\u003C\u002Fp>\u003Cp>我很喜歡這個教訓，因為它很容易搬到自己的工作上。不管我在做 docs portal、lab page，還是新創網站，我都得讓人看懂各層怎麼接起來。否則整頁就會變成一堆 marketing tiles，漂亮是漂亮，但沒人會想讀完。\u003C\u002Fp>\u003Cp>實操寫法可以直接照這三條做：\u003C\u002Fp>\u003Cul>\u003Cli>先畫出從底層技術到應用的依賴鏈\u003C\u002Fli>\u003Cli>研究頁和產品頁用一致標籤\u003C\u002Fli>\u003Cli>每個區塊都回答「這跟我有什麼關係」\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要你做到這三件事，頁面就會比較好掃，也比較不容易誤導人。這就是技術內容頁最基本的工作，不用講得很玄。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># 技術研究頁模板（可直接套用）\n\n## 首屏\n- 一句話：這頁幫人找到什麼\n- 一行補充：給誰看\n- 一個主按鈕：docs \u002F repo \u002F papers \u002F quickstart\n\n## 第一層：基礎技術\n**Foundation**\n- 這層在撐什麼\n- 連到核心平台\n- 用白話講依賴關係\n\n## 第二層：研究輸出\n**Research outputs**\n- 專案名稱\n- 一句白話描述\n- Best for\n- paper 或 repo 連結\n\n## 第三層：開發工具\n**Developer tools**\n- SDK、API、library 名稱\n- 它做什麼\n- 它跟 foundation 的關係\n- docs 或 quickstart 連結\n\n## 第四層：產品化方案\n**Productized offerings**\n- 產品名稱\n- 給誰用\n- 解什麼問題\n- product docs 或 sales 連結\n\n## 第五層：路由分流\n**Choose your path**\n- Research\n- Developer\n- Enterprise\n- Open source\n- Reference implementations\n\n## 每個卡片固定格式\n### [Name]\n[白話描述]\n\n**Best for:** [audience]\n**Starts with:** [paper \u002F repo \u002F docs \u002F demo]\n**Depends on:** [foundation tech]\n**Next step:** [single link]\n\n## 規則\n- 研究和產品不要混寫，先標籤再說\n- 不要用聰明名字取代白話說明\n- 不要讓使用者自己猜下一步\n- 先放基礎技術，再放上層應用\n- 每張卡片控制在兩行以內\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板就是我會直接抄去改的版本。它不花俏，但好用。你如果現在手上有一個研究頁、開源頁、實驗室頁，甚至公司技術首頁，先別急著加動畫或大圖，先把這個骨架搭起來。骨架對了，後面再補內容才有意義。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002F\">https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002F\u003C\u002Fa>。上面的拆解和模板是我根據 NVIDIA 公開研究頁、\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone\">CUDA\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fkaolin\">Kaolin\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Ftoronto-ai\u002Fimaginaire\u002F\">Imaginaire\u003C\u002Fa> 與 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVlabs\">NVLabs GitHub org\u003C\u002Fa> 做的整理，原創的是我怎麼拆，衍生的是它們本來就公開放在那裡的結構。","我把 NVIDIA Research 拆成可直接套用的頁面模板，教你怎麼把研究、工具、平台和產品分層，讓開發者快速找到 GPU 資源。","www.nvidia.com","https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780567412863-e8oq.png","tools","zh","2e2f6903-c431-447c-9bd6-cb6a4e3534a5",[17,18,19,20,21],"NVIDIA Research","CUDA","knowledge architecture","developer docs","taxonomy",[23,24,25],"先把技術頁拆成研究、工具、平台、產品四層，再決定怎麼呈現","專案名稱不能自解釋，卡片一定要補白話說明與下一步連結","首頁不要負責所有路由，先做分流再談內容量",0,"2026-06-04T10:02:58.043845+00:00","2026-06-04T10:02:58.031+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,34,36,38,40],{"name":18,"slug":33},"cuda",{"name":19,"slug":35},"knowledge-architecture",{"name":17,"slug":37},"nvidia-research",{"name":20,"slug":39},"developer-docs",{"name":21,"slug":21},{"id":15,"slug":42,"title":43,"language":44},"nvidia-research-gpu-template-en","NVIDIA research turns GPU docs into a template","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"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":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"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":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"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":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"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":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"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",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"4bdcf208-fb80-484e-b4b6-06af035a6df1","modulate-aws-voice-chats-into-signals-zh","Modulate 用 AWS 把語音聊天做成訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780519733892-rxue.png","2026-06-03T20:48:22.697917+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"]