[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ollama-turns-local-llms-into-copyable-setup-zh":3,"article-related-ollama-turns-local-llms-into-copyable-setup-zh":30,"series-tools-86316fab-2e99-4958-b79f-8c54ce44d5c4":72},{"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},"86316fab-2e99-4958-b79f-8c54ce44d5c4","ollama-turns-local-llms-into-copyable-setup-zh","Ollama 讓本地 LLM 變可抄配置","\u003Cp data-speakable=\"summary\">Ollama 讓你把本地 LLM 跑起來、變成 API，還能很快複製成可用配置。\u003C\u002Fp>\u003Cp>我用本地模型 runtime 有一陣子了，老實說，大多數都像是寫給喜歡折磨開發者的人。參數一堆、文件半殘、還常丟一句「自己裝 CUDA」就想打發你，好像每台機器都該先被 GPU 神明加持過。直到我碰到 Ollama，第一次覺得這東西不是在考驗我的耐心，而是真的想讓我在午餐前把流程跑完。\u003C\u002Fp>\u003Cp>但我也一直卡在同一個煩躁點：大家講 Ollama 不是講得像魔法，就是講得像玩具。兩種都不對。它就是一個本地 runtime，工作很明確。你把這個工作想清楚，整套東西就不神祕了。你不是在「試一個 AI app」，你是在裝模型跑器、接本地 HTTP endpoint、挑幾個值得佔硬碟的模型。這個框架才有用，其他很多都是噪音。\u003C\u002Fp>\u003Cp>把我拉去重看這件事的來源，是 Pasquale Pillitteri 的這篇 \u003Ca href=\"https:\u002F\u002Fpasqualepillitteri.it\u002Fen\u002Fnews\u002F3703\u002Fwhat-is-ollama-how-to-get-started-2026-guide\">Ollama 2026 入門指南\u003C\u002Fa>。他切的角度很務實：本地推理、硬體需求、第一批指令、值得先試的模型。文章也直接指到官方 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Follama\u002Follama\">Ollama GitHub repo\u003C\u002Fa>，這個 repo 我自己也常拿來看版本節奏和專案狀態。\u003C\u002Fp>\u003Ch2>Ollama 不是聊天機器人，它是底層管線\u003C\u002Fh2>\u003Cblockquote>Ollama is a runtime, meaning a program that runs on your computer and in turn runs open source LLMs.\u003C\u002Fblockquote>\u003Cp>白話翻譯就是：Ollama 不是模型本體，也不是單純的聊天介面，它是把模型下載下來、載入、跑起來，然後對外丟出本地服務的那層東西。你可以把它想成模型世界的水電管線。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781885006324-jvvo.png\" alt=\"Ollama 讓本地 LLM 變可抄配置\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這個比喻我很買單。\u003Ca href=\"\u002Ftag\u002Fdocker\">Docker\u003C\u002Fa> 讓「把同一個東西穩定跑起來」變正常；Ollama 也在做類似的事，只是對象換成 LLM。你不用自己處理 Python 環境、模型檔、奇怪腳本，直接像這樣跑：\u003Ccode>ollama run llama3.1\u003C\u002Fcode>，就能進到可用狀態。\u003C\u002Fp>\u003Cp>我之前幫同事在乾淨環境測本地模型，沒 runtime 的時候，我們花最多時間不是評估模型，而是在吵依賴。裝了 Ollama 之後，流程突然變得很無聊。無聊是好事，代表我可以把這套東西丟給別的工程師，不會半夜收到 Slack 問我 tokenizer 為什麼炸掉。\u003C\u002Fp>\u003Cp>實操上，我會把 Ollama 當基礎設施，不是玩具。你的用途可以是聊天，也可以是 \u003Ca href=\"\u002Ftag\u002Fcode-review\">code review\u003C\u002Fa>、文件問答、內部工具的私有 API。重點不是「有沒有 AI」，而是「這個服務能不能被重複使用」。\u003C\u002Fp>\u003Cul>\u003Cli>你要在終端機、腳本、App 裡直接問模型，用它。\u003C\u002Fli>\u003Cli>你不想每次都依賴第三方 API，用它。\u003C\u002Fli>\u003Cli>你需要一個本地 HTTP endpoint 給別的工具打，用它。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>真正值錢的不是新鮮感，是隱私、成本跟不用求 API\u003C\u002Fh2>\u003Cp>Pillitteri 講本地推理的理由，我覺得比很多產品簡報都正常。重點不是信仰，重點是控制權。模型跑在你機器上，prompt 跟文件就不用先離開你的邊界。這件事對合約、內部文件、source code、甚至任何會讓法務皺眉的資料，都很實際。\u003C\u002Fp>\u003Cp>成本也是同樣道理。雲端 API 沒問題，直到它\u003Ca href=\"\u002Fnews\u002Fpypi-wasm-wheels-pyodide-zh\">開始\u003C\u002Fa>有使用量。那個帳單很快就會長出個性。改成本地模型之後，成本結構就變了：你先付硬體和電費，之後每多問一次，邊際成本\u003Ca href=\"\u002Fnews\u002Fgemini-atlas-physical-ai-update-zh\">接近\u003C\u002Fa>零。你在做 prototype、內部工具、或者整天跑的自動化，這差很多。\u003C\u002Fp>\u003Cp>可用性更不用說。我看過雲端服務把正常 workflow 限流，然後好像還覺得自己很貼心。本地模型不會突然改規則，也不會今天一個樣明天一個樣。只要你的機器開著，它就在。這種「沒什麼戲劇性」的穩定，在出差、在客戶現場、在爛 Wi-Fi 的地方特別有感。\u003C\u002Fp>\u003Cp>實操寫法很簡單：當你的資料敏感度、預算、或 uptime 比單次模型品質更重要時，就優先用本地 LLM。你真的需要最強雲端模型時，就去雲端；但如果你要的是私密、便宜、還能離線，本地方案常常比較像正解。\u003C\u002Fp>\u003Cul>\u003Cli>隱私優先：法務、醫療、內部 code、機密研究。\u003C\u002Fli>\u003Cli>預算敏感：prototype、demo、agent、批次分類。\u003C\u002Fli>\u003Cli>離線場景：出差、外勤、受限網路、安全環境。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>硬體建議最愛唬人，我只看模型大小\u003C\u002Fh2>\u003Cp>Pillitteri 有把兩個很蠢的極端切掉：一種是「隨便一台筆電都能跑」，另一種是「你沒 RTX 4090 就別碰」。真相比較無聊：模型大小幾乎決定一切。不是每個場景都要怪獸工作站，你也不該還沒搞清楚任務就先把錢砸下去。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781885000228-68vw.png\" alt=\"Ollama 讓本地 LLM 變可抄配置\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>1 到 4B 這種小模型，8GB RAM 加正常 CPU 通常就夠了，適合基本聊天、摘要、翻譯、分類。7 到 14B 是很多實務工作最甜的位置，16GB RAM 或 unified memory 很常是甜蜜點。再大就要看你有沒有足夠記憶體和 GPU VRAM，不然只會讓整台機器喘到像在跑馬拉松。\u003C\u002Fp>\u003Cp>我看過太多人先買硬體再找用途，最後拿 70B 模型跑在桌面都快卡死的機器上，然後說自己在「做未來規劃」。不是，這只是很貴的衝動。先用最小能解題的模型，真的不夠再升級。\u003C\u002Fp>\u003Cp>實操上，我會先問：這個任務到底要什麼？如果是筆記助理或 code snippet 幫手，先試 8B。若你要更強的推理或更穩的上下文處理，再往 14B 走。只有當品質差距真的影響工作，才去碰更大的模型。\u003C\u002Fp>\u003Cul>\u003Cli>1 到 4B：輕量筆電、mini PC、基本助手。\u003C\u002Fli>\u003Cli>7 到 14B：多數開發者最實用的日常區間。\u003C\u002Fli>\u003Cli>27B 以上：工作站等級，不是隨手玩。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>安裝會這麼順，就是因為它不裝腔作勢\u003C\u002Fh2>\u003Cp>Ollama 能擴散得快，安裝體驗真的很重要。macOS 直接去 \u003Ca href=\"https:\u002F\u002Follama.com\u002Fdownload\">ollama.com\u002Fdownload\u003C\u002Fa> 裝 app，背景服務就起來了。Windows 也一樣乾脆，從 \u003Ca href=\"https:\u002F\u002Follama.com\u002Fdownload\u002Fwindows\">Windows 下載頁\u003C\u002Fa> 直接裝。Linux 則是官方 install script 從 terminal 跑掉。\u003C\u002Fp>\u003Cp>這看起來很平凡，但其實不平凡。很多 AI 工具還活得像實驗室 demo 跑進 production，Ollama 比較像真的給開發者用的軟體。它安裝、啟動、開本地 port、然後就不吵你了。當然還是有設定工作，但那是正常設定，不是儀式性獻祭。\u003C\u002Fp>\u003Cp>我特別喜歡它預設的本地端點 \u003Ccode>http:\u002F\u002Flocalhost:11434\u003C\u002Fcode>。這代表我不用翻一堆設定檔找 endpoint，其他工具也能直接對接。到這裡，Ollama 就不只是「能跟模型聊天」，而是可以被當成積木。\u003C\u002Fp>\u003Cp>實操寫法：先裝官方版本，確認服務起來，再碰 CLI。不要一裝就開始亂改。先讓一個模型跑起來，確認 endpoint 可用，再往外擴。\u003C\u002Fp>\u003Cpre>\u003Ccode># macOS via Homebrew\nbrew install ollama\nbrew services start ollama\nollama --version\n\n# Linux install\ncurl -fsSL https:\u002F\u002Follama.com\u002Finstall.sh | sh\n\n# Verify the service\ncurl http:\u002F\u002Flocalhost:11434\u002Fapi\u002Ftags\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch2>前五個指令就夠你做真工作了\u003C\u002Fh2>\u003Cp>Pillitteri 的指南最強的地方，是它沒有假裝你需要一份超長指令大全。你真的不需要。前五個指令就能覆蓋大多數開發者會碰到的事：安裝、執行、列出、刪除、查看資訊。\u003C\u002Fp>\u003Cp>我最先會用的是 \u003Ccode>ollama run\u003C\u002Fcode>。那一刻抽象才變成真的。你不再是在讀本地 LLM 的介紹，而是真的在跟模型說話。接著 \u003Ccode>ollama list\u003C\u002Fcode> 會告訴你裝了什麼，\u003Ccode>ollama rm\u003C\u002Fcode> 可以清掉那些只試過一次就忘了的模型，不然硬碟很快就變成模型墳場。\u003C\u002Fp>\u003Cp>我現在的習慣是很現實的：試一個模型，就拿我真的會用的任務去打它。能用就留，不能用就刪。不要收藏模型，模型不是紀念品。留少數幾個你真的信得過的，工作效率反而高。\u003C\u002Fp>\u003Cp>實操上，我會做一個很小的 evaluation loop：一個 code task、一個 doc task、一個 structured output task。每個模型都跑同一組。打不贏 baseline，就刪掉。\u003C\u002Fp>\u003Cpre>\u003Ccode># Start a chat session\nollama run llama3.1\n\n# See installed models\nollama list\n\n# Remove a model\nollama rm llama3.1\n\n# Show model information\nollama show llama3.1\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch2>模型清單別亂海選，先做小型實測\u003C\u002Fh2>\u003Cp>原文有提到 2026 值得先試的七個模型，我覺得這個思路是對的。短名單永遠比「Top 100 模型清單」有用。多數開發者不需要模型博物館，他們需要一個能開始工作的起點。\u003C\u002Fp>\u003Cp>實際上，第一批模型應該看兩件事：合不合你的硬體，對不對你的任務。如果你要通用聊天跟 coding 幫手，先挑 8B 或 14B 的強模型。如果你要結構化輸出，就挑 JSON 指令服從性高的。若你常處理多語內容，就找英文以外也穩的模型。\u003C\u002Fp>\u003Cp>我以前也浪費過時間追「最強模型」，後來發現更常見的答案其實是「夠快、夠穩、又塞得進記憶體的那個」。這句很煩，但是真的。稍微小一點、回應快一點的模型，很多時候比大模型更實用。\u003C\u002Fp>\u003Cp>實操寫法：保留一組短 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>。我的通常只有三題：一題 code、一題摘要、一題結構化輸出。能過這三題的，才有資格進我的常用清單。\u003C\u002Fp>\u003Cul>\u003Cli>通用助手：強 8B 或 14B。\u003C\u002Fli>\u003Cli>結構化輸出：測 JSON 指令能力。\u003C\u002Fli>\u003Cli>長文件處理：看它在 prompt 壓力下穩不穩。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>本地 API 才是 Ollama 變成基礎設施的地方\u003C\u002Fh2>\u003Cp>我覺得很多人第一次裝 Ollama 時，最容易漏掉的就是這段。聊天介面很方便，但 API 才是重點。Ollama 會對外提供本地 HTTP 服務，而且很多 \u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 相容工具都能直接接。這代表你可以把 \u003Ca href=\"https:\u002F\u002Fpython.langchain.com\u002F\">LangChain\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.llamaindex.ai\u002F\">LlamaIndex\u003C\u002Fa>、或 \u003Ca href=\"https:\u002F\u002Fsdk.vercel.ai\u002F\">Vercel AI SDK\u003C\u002Fa> 這類工具，改接到本地 endpoint，而不是雲端供應商。\u003C\u002Fp>\u003Cp>這件事很值錢，因為 integration 成本直接下降。我不用重寫 app 來測本地推理，只要改 base URL、調一下 model 名稱，繼續往下走。這種相容性平常不起眼，但它會救專案不去變成 side quest。\u003C\u002Fp>\u003Cp>我\u003Ca href=\"\u002Fnews\u002Fspacex-shou-gou-cursor-bu-hua-suan-ai-bian-cheng-zh\">自己做\u003C\u002Fa>私有文件助理 prototype 時就碰過。雲端版能跑，但資料處理的故事太黏。換成 Ollama 之後，我保留原本 app 的形狀，只把 \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa> 拉回本地。討論重點也從「能不能做」變成「哪個模型答案品質最好」。這才是對的問法。\u003C\u002Fp>\u003Cp>實操寫法：把 Ollama 當成本地 OpenAI-compatible backend。你的 app 先對 API 寫一次，之後要換模型就換模型。只要你原本就會用 OpenAI-style client，其實已經很接近了。\u003C\u002Fp>\u003Cpre>\u003Ccode>curl http:\u002F\u002Flocalhost:11434\u002Fapi\u002Fchat \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\n    \"model\": \"llama3.1\",\n    \"messages\": [\n      {\"role\": \"user\", \"content\": \"Write a one-line summary of Ollama.\"}\n    ]\n  }'\u003C\u002Fcode>\u003C\u002Fpre>\u003Ch2>生態系比單機工具重要，因為沒人想綁死在死路上\u003C\u002Fh2>\u003Cp>Ollama 本身好用，但真正讓它留在工作流裡的是生態系。原文有提到 integrations，我也很在意這件事。當本地模型能接編輯器、自動化工具、agent、app framework，它就不再只是新鮮感。\u003C\u002Fp>\u003Cp>我不想把工作流程綁在一個只能在單一視窗裡用的工具上。我希望模型出現在工作原本就發生的地方：terminal、IDE、CI script、內部 app、automation platform。每次都要離開熟悉的 stack 才能問模型，採用率一定掉。\u003C\u002Fp>\u003Cp>另一個好處是控制力。當你有一個穩定的本地 runtime，你就能安心做實驗：改 prompt、換模型、加 adapter，其他層不需要一起動。這比追著雲端模型變更跑，然後每次都要猜它今天又改了什麼行為，舒服太多。\u003C\u002Fp>\u003Cp>實操上，我會先決定模型要待在哪裡，再決定模型本身。如果要進 IDE，就先測 editor integration；如果要進 automation，就先測 API；如果是團隊共用，就把安裝步驟跟預設模型寫成一份文件，不要讓每個人自己猜。\u003C\u002Fp>\u003Cul>\u003Cli>Terminal 工作流：快速提問、腳本、批次工作。\u003C\u002Fli>\u003Cli>App 工作流：本地助理、文件工具、內部儀表板。\u003C\u002Fli>\u003Cli>Automation 工作流：agents、RAG pipeline、排程任務。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Ollama local LLM starter template\n# 直接貼到你的 README、筆記或 onboarding 文件。\n\n## 目標\n在本機跑一個可用的 LLM，拿固定測試題驗證，再透過本地 API 給其他工具使用。\n\n## 安裝\n\n### macOS\nbrew install ollama\nbrew services start ollama\n\n### Linux\ncurl -fsSL https:\u002F\u002Follama.com\u002Finstall.sh | sh\n\n### Windows\n# 下載官方安裝程式：\n# https:\u002F\u002Follama.com\u002Fdownload\u002Fwindows\n\n## 驗證\nollama --version\ncurl http:\u002F\u002Flocalhost:11434\u002Fapi\u002Ftags\n\n## 第一個先試的模型\nollama run llama3.1\n\n## 我的測試題\n1. 把這份文件濃縮成 5 行摘要。\n2. 把這段文字轉成合法 JSON。\n3. 用 code review 的口氣解釋這段程式。\n\n## 留或刪規則\n- 如果回應夠快，而且三題都穩，就留著。\n- 如果太慢、不穩、或太吃記憶體，就刪掉。\n\n## 常用指令\nollama list\nollama show llama3.1\nollama rm llama3.1\n\n## API 範例\ncurl http:\u002F\u002Flocalhost:11434\u002Fapi\u002Fchat \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\n    \"model\": \"llama3.1\",\n    \"messages\": [\n      {\"role\": \"user\", \"content\": \"Give me one practical use case for Ollama.\"}\n    ]\n  }'\n\n## 整合筆記\n- 把支援 OpenAI-compatible 的工具指到 http:\u002F\u002Flocalhost:11434\n- 固定測一題 code、一題摘要、一題結構化輸出\n- 只保留真的值得放在硬碟上的模型\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>如果你只想記最短版本，那就是：先裝 Ollama，跑一個模型，用你真的會碰的任務測它，再把本地 API 接進你現有工具。這就是整個流程。\u003C\u002Fp>\u003Cp>這篇拆解主要參考 \u003Ca href=\"https:\u002F\u002Fpasqualepillitteri.it\u002Fen\u002Fnews\u002F3703\u002Fwhat-is-ollama-how-to-get-started-2026-guide\">pasqualepillitteri.it\u002Fen\u002Fnews\u002F3703\u002Fwhat-is-ollama-how-to-get-started-2026-guide\u003C\u002Fa>，我沿用了它的實務角度，但本文的重點整理、語氣、案例和可直接複製的模板，都是我重新整理過的。\u003C\u002Fp>","拆 Ollama 的本地 LLM 工作流：先裝、先跑、先測，再把 API 接進你現有工具。","pasqualepillitteri.it","https:\u002F\u002Fpasqualepillitteri.it\u002Fen\u002Fnews\u002F3703\u002Fwhat-is-ollama-how-to-get-started-2026-guide",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781885006324-jvvo.png","tools","zh","18d080c5-bbc2-46b6-82af-fb67f3c669fd",[17,18,19,20,21],"Ollama","local LLM","API","inference","model runtime",[23,24,25],"Ollama 的價值不是聊天介面，而是把本地模型變成可重複使用的 runtime 和 API。","先用小模型、固定測試題和短名單驗證，不要先買硬體或囤模型。","把 Ollama 當成本地 OpenAI-compatible backend，最容易接進現有工具鏈。",0,"2026-06-19T16:02:56.601682+00:00","2026-06-19T16:02:56.576+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"tags":31,"relatedLang":11,"relatedPosts":35},[32,33],{"name":20,"slug":20},{"name":19,"slug":34},"api",[36,42,48,54,60,66],{"id":37,"slug":38,"title":39,"cover_image":40,"image_url":40,"created_at":41,"category":13},"563c146c-b078-4610-93fa-af399a02c89a","three-multimodal-models-work-in-claude-code-zh","Claude Code 現在能接三個多模態模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781892161193-9rla.png","2026-06-19T18:02:15.364369+00:00",{"id":43,"slug":44,"title":45,"cover_image":46,"image_url":46,"created_at":47,"category":13},"434cf6ed-e754-4dd7-be27-1aa0bc38761e","pypi-wasm-wheels-pyodide-zh","PyPI 開始收 WASM wheel，Pyodide 包裝順多了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781875102614-0iu8.png","2026-06-19T13:17:56.091729+00:00",{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"45ae2326-cf6b-4164-883b-f33e48428502","windsurf-model-router-ide-opinion-june-2026-zh","Windsurf 正在變成模型路由器，而不只是 IDE","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781871473044-8win.png","2026-06-19T12:17:22.381+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"d2a143b9-efa1-4ffd-adcb-7a315ae6344e","renesas-acquires-altium-pcb-design-tool-update-zh","瑞萨全资收购 Altium，PCB 教程更新","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781859766720-ow6s.png","2026-06-19T09:02:23.113145+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"1e47b8fc-1eab-4342-83bd-a270d59a41f9","rust-forum-week-25-turns-ideas-into-shipping-work-zh","Rust 論壇週報把想法變交付","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781857111111-md5g.png","2026-06-19T08:18:04.893117+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"300d082a-4df5-4a26-8b5b-7dff73dd0da3","claude-code-rust-native-terminal-interface-zh","Claude Code Rust 把終端機變輕了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781854439295-lkeg.png","2026-06-19T07:33:29.722095+00:00",[73,78,83,88,93,98,103,108,113,118],{"id":74,"slug":75,"title":76,"created_at":77},"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":79,"slug":80,"title":81,"created_at":82},"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":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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"]