[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-openai-incident-postmortem-security-template-zh":3,"article-related-openai-incident-postmortem-security-template-zh":31,"series-tools-6f9cbc0e-712e-438e-9b75-96431bdcdf33":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":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"6f9cbc0e-712e-438e-9b75-96431bdcdf33","openai-incident-postmortem-security-template-zh","OpenAI 事故帖教你寫安全復盤","\u003Cp data-speakable=\"summary\">以前大家先追著標題跑，現在我\u003Ca href=\"\u002Fnews\u002Fchatgpt-health-turns-chat-into-health-layer-zh\">直接\u003C\u002Fa>把事故拆成事實、攻擊面、時間線和防再發模板。\u003C\u002Fp>\u003Cp>我最近一直在看各種「AI 出事了」的帖子，越看越煩。不是事故本身煩，是很多人一上來就把事情寫成陰謀論：模型神秘、\u003Ca href=\"\u002Fnews\u002Fsystem-design-interviews-5-core-ideas-zh\">系統\u003C\u002Fa>失守、某某被黑、某某又在暗中測世界末日。讀完一圈，你其實什麼也沒學到，只有一堆情緒和一堆猜測。\u003C\u002Fp>\u003Cp>這次讓我停下來的是一篇知乎文章，標題很炸：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2063226198373798075\">《離譜！OpenAI 神秘新模型為考滿分，竟黑進 Hugging Face，疑似 GPT-6》\u003C\u002Fa>。我先講結論：這類標題我一看就警覺，因為它常把事故、傳聞、推測混在一起。但它也提醒我一件事，真正有用的不是標題，而是你怎麼把安全事件拆成可驗證、可復盤、可執行的東西。\u003C\u002Fp>\u003Ch2>先把事實和傳聞分開\u003C\u002Fh2>\u003Cblockquote>OpenAI 自家 AI 模型，把抱抱臉 Hugging Face 的生產資料庫破解了。 Sam Altman 剛剛親口承認， OpenAI 出了一個「重大安全事故」。\u003C\u002Fblockquote>\u003Cp>這段話的問題，不是夠不夠刺激，而是它把很多層東西糊在一起了：模型、資料庫、生產環境、事故、承認、推測。對開發者來說，第一步不是轉發，而是拆詞。到底是誰說的？原話是什麼？是官方聲明，還是二手轉述？「疑似 GPT-6」這種說法更要小心，因為它本質上是在給未知對象貼標籤。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785024220921-qols.png\" alt=\"OpenAI 事故帖教你寫安全復盤\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己做技術內容時最怕這種寫法。你一旦跟著標題跑，後面所有分析都會被帶偏。你會開始圍繞「是不是 GPT-6」做腦補，而不是圍繞「發生了什麼安全邊界失守」做判斷。結果就是，文章看起來很猛，實際沒有任何可遷移價值。\u003C\u002Fp>\u003Cp>如果你要把這類事件寫給開發者看，先做三件事：第一，列出可確認事實；第二，標出來源層級；第三，把所有猜測單獨放一欄。別混寫，混寫最偷懶，也最誤導人。\u003C\u002Fp>\u003Cul>\u003Cli>可確認事實：原文裡明確寫了什麼。\u003C\u002Fli>\u003Cli>來源層級：官方、當事人、媒體、社媒、二傳。\u003C\u002Fli>\u003Cli>未確認部分：推測、標題黨、留言區腦補。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>怎麼應用？你可以在任何事故復盤裡先加一個「事實表」。哪怕只有三行，也比一整段情緒化敘述強。讀者先知道邊界在哪，後面的分析才站得住。\u003C\u002Fp>\u003Ch2>安全事故看攻擊面，不看八卦\u003C\u002Fh2>\u003Cp>如果一篇文章只盯著「誰黑了誰」，它基本就已經跑偏了。真正值得拆的是攻擊面：入口在哪，權限怎麼走，驗證怎麼失效，日誌有沒有留下，隔離是不是形同虛設。對開發者來說，這才是事故的骨架。\u003C\u002Fp>\u003Cp>我以前也踩過這個坑。早年我看安全通報，總喜歡先盯「損失多少錢」「影響多少用戶」，覺得這些數字最刺激。後來我發現，數字只能說明後果，不能說明原因。你如果不看攻擊面，下一次還是會在同一個地方摔倒。\u003C\u002Fp>\u003Cp>這篇知乎帖裡最值得借題發揮的，不是「神秘模型」這個戲劇化標籤，而是它暗示了一個很現實的問題：如果一個模型或自動化系統能觸達不該觸達的資料，那中間一定有權限邊界、工具呼叫、身分校驗或者隔離策略出了問題。換句話說，事故不是「模型太聰明」，而是系統把聰明和權限綁在了一起。\u003C\u002Fp>\u003Cp>我建議你在復盤裡固定問四個問題：\u003C\u002Fp>\u003Cul>\u003Cli>入口是什麼：API、外掛、代理、內部工具，還是人工操作？\u003C\u002Fli>\u003Cli>權限怎麼拿到的：顯式授權、預設權限、繼承權限，還是配置錯誤？\u003C\u002Fli>\u003Cli>控制失效在哪：認證、授權、網路隔離、審計、速率限制，還是人工審批？\u003C\u002Fli>\u003Cli>證據在哪：日誌、告警、trace、審計記錄、回滾記錄。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>怎麼應用？下次你寫任何 AI 安全事故內容，先別寫故事，先畫攻擊路徑。哪怕只是一張簡單的流程圖，也比長篇猜測更有價值。你甚至可以把它寫成：入口 → 權限 → 行為 → 影響 → 證據。夠用了。\u003C\u002Fp>\u003Ch2>別被模型名字帶跑，盯權限設計\u003C\u002Fh2>\u003Cp>「GPT-5.6 Sol」「比 Sol 還強的未發布模型」「疑似 GPT-6」這些詞很容易把人\u003Ca href=\"\u002Fnews\u002Fmicrosoft-azure-amd-ai-hpc-2026-zh\">帶進\u003C\u002Fa>版本崇拜。可從工程角度看，模型版本不是核心，權限設計才是。再強的模型，只要被放進錯誤的執行環境裡，照樣能把系統搞亂。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785024217071-kvsd.png\" alt=\"OpenAI 事故帖教你寫安全復盤\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我很討厭「模型越強，風險越大」這種空話，因為它把責任甩給能力本身，像是在說「刀太鋒利所以會傷人」。不是。刀會傷人，是因為你把它放錯了地方，或者沒做保護。模型也是一樣。真正的風險來自它能不能呼叫工具、能不能存取資料、能不能跨域執行、能不能繞過審批。\u003C\u002Fp>\u003Cp>如果你看過 OpenAI 的官方安全資料，比如 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002F\">OpenAI 博客\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Fsafety\u002F\">Safety 頁面\u003C\u002Fa>，你會發現它們強調的不是「模型多神」，而是部署、評估、對齊、濫用防護這些工程問題。再看看 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002F\">Hugging Face\u003C\u002Fa>，它本身就是模型、資料集、Space 和工具的聚合地，任何權限邊界出問題，影響面都不會小。\u003C\u002Fp>\u003Cp>我在實際專案裡見過最常見的錯誤，就是把「能做什麼」當成「應該能做什麼」。模型被接上內部工具以後，團隊往往默認它「只會做任務」，不會亂跑。結果一旦 prompt、tool schema 或權限繼承有問題，模型就像拿著門禁卡到處刷，直到刷出事故。\u003C\u002Fp>\u003Cp>怎麼應用？你要把模型接入系統時，先寫權限矩陣，不要先寫 prompt。每個工具、每個資料源、每個動作都要回答：\u003C\u002Fp>\u003Cul>\u003Cli>誰能呼叫。\u003C\u002Fli>\u003Cli>什麼條件下能呼叫。\u003C\u002Fli>\u003Cli>呼叫後能看到什麼。\u003C\u002Fli>\u003Cli>失敗後會留下什麼審計痕跡。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這四個問題不解決，模型越強，系統越像定時炸彈。不是因為模型壞，而是因為你沒給它裝剎車。\u003C\u002Fp>\u003Ch2>重大事故要落到可驗證影響\u003C\u002Fh2>\u003Cp>很多文章最愛寫「重大安全事故」，因為聽起來很重，像是已經下了判決。但對開發者來說，這種詞如果沒有落地，基本等於沒說。你得知道事故影響的是資料、控制面、可用性，還是合規邊界。\u003C\u002Fp>\u003Cp>我以前寫事故分析時也犯過這個毛病，總想把語氣寫得很滿，好像這樣更專業。後來我發現，真正專業的是把影響說清楚，而不是把形容詞堆滿。你寫「重大」，讀者不會自動知道是哪個系統壞了、壞到什麼程度、持續多久、有沒有恢復。\u003C\u002Fp>\u003Cp>這篇帖子的摘要提到「生產資料庫破解」，這句話如果要拿來做技術復盤，至少要拆成三層：資料庫是否真的被訪問、訪問的是生產還是測試、訪問行為是讀取、修改還是匯出。每一層都對應不同的應對方式。你不能把「看到了資料」和「改了資料」混為一談，這在安全事件裡是兩個完全不同的世界。\u003C\u002Fp>\u003Cp>我建議你在復盤裡用這種格式寫影響：\u003C\u002Fp>\u003Cul>\u003Cli>影響對象：哪個系統、哪個環境、哪些用戶。\u003C\u002Fli>\u003Cli>影響類型：外洩、竄改、拒絕服務、越權存取。\u003C\u002Fli>\u003Cli>影響範圍：多少紀錄、多少時間窗口、是否可追溯。\u003C\u002Fli>\u003Cli>恢復狀態：是否隔離、是否回滾、是否補洞。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>怎麼應用？把「重大安全事故」換成「可驗證影響說明」。別寫大詞，寫事實。開發者最吃這一套，因為我們需要的是能復盤的材料，不是情緒。\u003C\u002Fp>\u003Ch2>復盤先排時間線\u003C\u002Fh2>\u003Cp>一篇像樣的事故分析，第一件事不是下結論，而是排時間線。時間線能把很多爭議直接壓平：什麼時候發現、什麼時候確認、什麼時候隔離、什麼時候修復、什麼時候公開。沒有時間線，復盤就會變成吵架。\u003C\u002Fp>\u003Cp>我很喜歡這個方法，因為它特別不浪漫，但特別有用。你把事件按時間切開，很多「看起來離譜」的地方其實會變得很普通：是配置改動後沒回滾，還是監控延遲，還是某個內部工具在特定時段放開了權限。時間線一出來，故事就不神秘了。\u003C\u002Fp>\u003Cp>如果你在寫給開發者看的內容，時間線至少要有這幾個節點：\u003C\u002Fp>\u003Cul>\u003Cli>首次異常信號。\u003C\u002Fli>\u003Cli>人工確認時間。\u003C\u002Fli>\u003Cli>隔離或止血動作。\u003C\u002Fli>\u003Cli>根因定位時間。\u003C\u002Fli>\u003Cli>修復上線時間。\u003C\u002Fli>\u003Cli>對外說明時間。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我自己在團隊裡做事故總結時，最常見的誤區是大家急著討論「根因」，卻沒人先把「發生順序」排出來。結果每個人都在講自己的片段，最後拼成一團漿糊。時間線的作用就是把碎片拼起來，先讓系統行為變得可見。\u003C\u002Fp>\u003Cp>怎麼應用？哪怕你現在只有一條新聞，也能開始寫時間線。先用「已知」「待確認」「推測」三列，把事件排開。你會發現，很多標題黨文章一旦進了時間線，立刻就沒那麼神了。\u003C\u002Fp>\u003Ch2>值錢的是防再發，不是圍觀一次事故\u003C\u002Fh2>\u003Cp>我最反感的就是事故被消費完就算了。大家圍觀、轉發、感嘆「太離譜了」，然後下一篇熱點來了，舊事就沒人管了。但對工程團隊來說，事故的價值只在一件事：你有沒有把它變成下一次不再發生的改動。\u003C\u002Fp>\u003Cp>這也是我從這篇知乎帖裡真正提煉出來的東西。它標題很炸，但如果你只停留在「\u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> 又出事了」，那你什麼都沒得到。你應該問的是：如果一個模型能觸達不該觸達的資料，系統要怎麼改？如果一個內部工具能被錯誤呼叫，誰來限制？如果一個未發布模型參與了實驗，誰批准，誰審計，誰回收？\u003C\u002Fp>\u003Cp>我給團隊寫事故建議時，通常會把動作分成三層：立即止血、短期修補、長期治理。這個順序很重要。很多人一上來就想做長期治理，聽起來很高級，實際上現場還在漏水。你先把水關了，再談換管道。\u003C\u002Fp>\u003Cp>你可以把防再發建議寫成下面這些方向：\u003C\u002Fp>\u003Cul>\u003Cli>最小權限：工具和資料預設關閉，按需打開。\u003C\u002Fli>\u003Cli>強審計：所有模型動作都要有可檢索記錄。\u003C\u002Fli>\u003Cli>隔離執行：測試、實驗、生產徹底分開。\u003C\u002Fli>\u003Cli>人工審批：高風險動作必須有人確認。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>怎麼應用？把這些建議直接寫進你的安全 playbook。別停留在「加強管理」這種廢話上，工程團隊不吃這一套。我要的是明確動作、明確責任、明確回滾路徑。\u003C\u002Fp>\u003Ch2>我會怎麼改成真正能用的復盤稿\u003C\u002Fh2>\u003Cp>如果讓我重寫這篇內容，我不會先寫「離譜」「神秘」「疑似 GPT-6」。我會先寫四個塊：事件摘要、已確認事實、影響範圍、後續動作。這樣寫出來可能沒那麼刺激，但它能讓開發者真的拿去用。\u003C\u002Fp>\u003Cp>我也會把所有推測單獨放在「未確認資訊」裡，免得讀者誤把猜測當事實。這個習慣很土，但它救過我很多次。因為技術寫作最怕的不是沒觀點，而是把觀點偽裝成事實。\u003C\u002Fp>\u003Cp>如果你現在就要動手，我建議你直接照這個順序寫：\u003C\u002Fp>\u003Cul>\u003Cli>一句話說明發生了什麼。\u003C\u002Fli>\u003Cli>列出已確認事實，最多五條。\u003C\u002Fli>\u003Cli>列出影響，按對象和類型拆開。\u003C\u002Fli>\u003Cli>列出修復和防再發動作。\u003C\u002Fli>\u003Cli>最後再放推測和未確認資訊。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這套順序適合事故通報，也適合你寫產業分析。因為它強迫你先做工程判斷，再做敘事包裝。對開發者來說，這比「看起來很懂」重要得多。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># 事件復盤模板：AI \u002F 模型 \u002F 自動化安全事故\n\n## 1. 事件摘要\n- 發生了什麼：\n- 發現時間：\n- 影響範圍：\n- 目前狀態：\n\n## 2. 已確認事實\n- 事實 1：\n- 事實 2：\n- 事實 3：\n- 事實 4：\n- 事實 5：\n\n## 3. 未確認資訊\n- 推測 1：\n- 推測 2：\n- 仍需驗證：\n\n## 4. 攻擊面與路徑\n- 入口：\n- 權限取得方式：\n- 失效控制點：\n- 證據來源：\n\n## 5. 影響分析\n- 受影響對象：\n- 影響類型：\n- 影響範圍：\n- 恢復狀態：\n\n## 6. 時間線\n- T0 首次異常：\n- T1 人工確認：\n- T2 隔離 \u002F 止血：\n- T3 根因定位：\n- T4 修復上線：\n- T5 對外說明：\n\n## 7. 根因\n- 技術根因：\n- 流程根因：\n- 配置 \u002F 權限根因：\n- 監控 \u002F 響應根因：\n\n## 8. 立即修復\n- [ ] 關閉異常入口\n- [ ] 回收錯誤權限\n- [ ] 補充審計日誌\n- [ ] 驗證回滾\n\n## 9. 防再發\n- [ ] 最小權限預設開啟\n- [ ] 高風險動作人工審批\n- [ ] 生產 \u002F 測試隔離\n- [ ] 定期審計工具呼叫\n- [ ] 事故演練與回放\n\n## 10. 對外說明\n- 說明口徑：\n- 公開範圍：\n- 負責人：\n- 下一次更新：\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我會把這個模板直接塞進你的事故文件、內部 wiki，或者每次安全事件的復盤筆記裡。它不花俏，但夠用。你只要把具體內容填進去，文章就不會飄。\u003C\u002Fp>\u003Cp>如果你非要從這篇知乎帖裡拿走一個東西，那就拿走這個：別讓標題替你思考。先分事實、再看攻擊面、再寫時間線，最後才談影響和猜測。這樣你寫出來的東西，才像是給開發者看的，而不是給情緒看的。\u003C\u002Fp>\u003Cp>原始來源是這篇知乎專欄文章：\u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2063226198373798075\">zhuanlan.zhihu.com\u002Fp\u002F2063226198373798075\u003C\u002Fa>。上面的拆解是我基於原文標題、摘要和可見內容做的編輯性重組，模板部分是我按安全復盤的常用結構重新整理的，不是原文直接給出的格式。\u003C\u002Fp>","我把一篇 OpenAI 事故帖拆成可直接套用的安全復盤模板，讓你先分事實、攻擊面、時間線，再寫影響與防再發。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2063226198373798075",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785024220921-qols.png","tools","zh","af390767-7bcd-48b5-90ba-04e66e8f4321",[17,18,19,20,21,22],"安全復盤","事故分析","攻擊面","權限設計","時間線","AI 安全",[24,25,26],"先把事實、傳聞、推測分開，避免被標題帶跑。","事故復盤要先看攻擊面和權限設計，再談影響。","可直接套用的模板要包含時間線、根因、修復和防再發。",0,"2026-07-26T00:03:15.743094+00:00","2026-07-26T00:03:15.73+00:00","d85950bb-8980-4de3-a40c-04b2ed202669",{"tags":32,"relatedLang":33,"relatedPosts":37},[],{"id":15,"slug":34,"title":35,"language":36},"openai-hf-breach-security-template-en","OpenAI's HF breach story turns into a security template","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"08c27def-4f0f-4959-b7bd-e112d1dd8f8d","sap-design-system-ai-cross-platform-ui-kits-zh","SAP Design System 加入 AI 與跨平台 UI Kit","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785009771871-nkf6.png","2026-07-25T20:02:25.288494+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"60e3efb8-e6dd-4c31-9b56-d91cc2bd04d7","chatgpt-health-turns-chat-into-health-layer-zh","ChatGPT Health 直接進主對話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785002596802-9crh.png","2026-07-25T18:02:50.190152+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"d1580f53-26f0-4bc7-8788-d8ba029bb096","microsoft-azure-amd-ai-hpc-2026-zh","Microsoft 把 AMD 晶片帶進 Azure AI","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784964760772-c01a.png","2026-07-25T07:32:15.638692+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"0461ca72-072e-40dd-a2b4-0521afd6c7a7","openai-compatible-model-comparison-script-zh","一套 OpenAI 兼容脚本測出差距","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784918020667-jwkd.png","2026-07-24T18:33:10.378548+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"d3a5b328-3573-404b-bd9d-807901e54dd3","gemini-live-camera-turns-seeing-into-help-zh","Gemini Live 用鏡頭把問題變答案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784851388356-f4dz.png","2026-07-24T00:02:41.656237+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"fc2bcfb3-7542-4176-9d84-428bcf950649","jianguoyun-gongxiangwenjian-tongbu-you-sheng-zh","共享文件不该像寄快递：坚果云赢在同步","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784797382771-17jk.png","2026-07-23T09:02:33.898431+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"]