[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-power-bi-mcp-servers-ai-model-work-zh":3,"article-related-power-bi-mcp-servers-ai-model-work-zh":34,"series-tools-63e354b2-b54a-4603-a273-8ba1af54d02f":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":25,"views":30,"created_at":31,"published_at":32,"topic_cluster_id":33},"63e354b2-b54a-4603-a273-8ba1af54d02f","power-bi-mcp-servers-ai-model-work-zh","Power BI MCP 讓 AI 直接碰模型","\u003Cp data-speakable=\"summary\">\u003Ca href=\"\u002Ftag\u002Fmicrosoft\">Microsoft\u003C\u002Fa> 的 Power BI MCP servers 讓 \u003Ca href=\"\u002Ftag\u002Fai-agent\">AI agent\u003C\u002Fa> 能查詢語意模型，或在本機直接編修模型。\u003C\u002Fp>\u003Cp>Microsoft 把 \u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fpower-bi\u002Fdeveloper\u002Fmcp\u002Fmcp-servers-overview\" target=\"_blank\" rel=\"noopener\">Power BI MCP servers\u003C\u002Fa> 放進預覽版。說白了，就是把 AI 工作切成兩條路。遠端伺服器負責查資料，本機伺服器負責改模型。\u003C\u002Fp>\u003Cp>這個拆法很實際。查詢和編修，本來就是兩種風險。前者像問問題，後者像動刀。AI 可以幫忙，但權限不能亂給。\u003C\u002Fp>\u003Cp>更細一點看，這次不是單純多一個 connector。它是把 \u003Ca href=\"https:\u002F\u002Fmodelcontextprotocol.io\u002F\" target=\"_blank\" rel=\"noopener\">Model Context Protocol\u003C\u002Fa> 拉進 Power BI 核心工作流。這對台灣做 BI、資料工程、內部報表團隊的人，真的很有感。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>遠端 MCP server\u003C\u002Fth>\u003Cth>本機 MCP server\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>狀態\u003C\u002Ftd>\u003Ctd>Public preview\u003C\u002Ftd>\u003Ctd>Public preview\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>傳輸方式\u003C\u002Ftd>\u003Ctd>Streamable HTTP\u003C\u002Ftd>\u003Ctd>stdio\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>驗證\u003C\u002Ftd>\u003Ctd>Microsoft Entra ID\u003C\u002Ftd>\u003Ctd>Entra ID 或 service principal\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>部署位置\u003C\u002Ftd>\u003Ctd>Fabric-hosted service\u003C\u002Ftd>\u003Ctd>本機執行\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>主要用途\u003C\u002Ftd>\u003Ctd>查詢與洞察\u003C\u002Ftd>\u003Ctd>模型編修與驗證\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>兩個 server，兩種工作\u003C\u002Fh2>\u003Cp>這次最重要的地方，不是 Microsoft 又多了一個工具。重點是它把 AI 工作拆得很清楚。這很像\u003Ca href=\"\u002Fnews\u002F5-2026-new-crypto-picks-utility-zh\">真實\u003C\u002Fa>團隊的分工，而不是把所有事情塞進同一個聊天框。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782190077025-v9mp.png\" alt=\"Power BI MCP 讓 AI 直接碰模型\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fpower-bi\u002Fdeveloper\u002Fmcp\u002Fmcp-servers-overview\" target=\"_blank\" rel=\"noopener\">遠端 Power BI MCP server\u003C\u002Fa> 主要用來問語意模型。你可以讓 AI 幫你查銷售趨勢、做比較、找關聯。它更像分析助理，不像模型管理員。\u003C\u002Fp>\u003Cp>本機 server 則是另一回事。它會碰到 \u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fpower-bi\u002Ftransform-model\u002Fdesktop-modeling-language-tmdl\" target=\"_blank\" rel=\"noopener\">TMDL\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fpower-bi\u002Fdeveloper\u002Fprojects\u002Fprojects-overview\" target=\"_blank\" rel=\"noopener\">Power BI Project files\u003C\u002Fa>，也能處理表格、欄位、量值、關聯。這就不是聊天而已，是在改模型本體。\u003C\u002Fp>\u003Cul>\u003Cli>遠端：查詢 semantic models，產生 DAX\u003C\u002Fli>\u003Cli>本機：編修 tables、columns、measures、relationships\u003C\u002Fli>\u003Cli>兩者都在 public preview\u003C\u002Fli>\u003Cli>兩者都走 MCP\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我覺得這個切法很務實。因為資料分析跟模型維護，本來就不是同一種需求。查詢可以容忍一點延遲，編修卻不能亂來。改錯一個 measure，整份報表都可能歪掉。\u003C\u002Fp>\u003Cp>所以 Microsoft 沒有把 AI 包成萬能按鈕。它反而把界線畫清楚。這點比很多「什麼都能做」的 AI 故事更像工程。\u003C\u002Fp>\u003Ch2>遠端 server 是查詢用，不是改模型用\u003C\u002Fh2>\u003Cp>遠端 server 是一個託管端點。AI \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 可以透過它查 Power BI semantic models，還能生成 DAX query。Microsoft 表示，它用的就是 \u003Ca href=\"\u002Ftag\u002Fcopilot\">Copilot\u003C\u002Fa> for Power BI 背後那套 query generation engine。\u003C\u002Fp>\u003Cp>這代表什麼？代表你在 \u003Ca href=\"https:\u002F\u002Fcode.visualstudio.com\u002F\" target=\"_blank\" rel=\"noopener\">Visual Studio Code\u003C\u002Fa> 或其他 MCP client 裡，直接問 AI「上季營收怎麼變」之類的問題，就能拿到模型層級的答案。你不一定要自己手寫 DAX。\u003C\u002Fp>\u003Cp>這對分析師很方便。尤其是那些平常會查很多臨時問題的人。以前要在報表、DAX、模型之間切來切去，現在可以先用自然語言摸到方向，再決定要不要深入。\u003C\u002Fp>\u003Cblockquote>“The Power BI MCP server enables AI agents to interact with Power BI through natural language.”\u003C\u002Fblockquote>\u003Cp>Microsoft 也把權限處理講得很直白。遠端 server 會沿用使用者的授權，透過 \u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fentra\u002F\" target=\"_blank\" rel=\"noopener\">Microsoft Entra ID\u003C\u002Fa> 做存取控制。你看得到的資料，agent 才看得到。\u003C\u002Fp>\u003Cp>這一點很重要。因為資料工具最怕的不是慢，而是看錯資料。AI 再會講，也不能越權。這種基本盤沒守住，後面都不用談。\u003C\u002Fp>\u003Cul>\u003Cli>Hosted endpoint，不用自己架伺服器\u003C\u002Fli>\u003Cli>用 Entra ID 做 OAuth 驗證\u003C\u002Fli>\u003Cli>適合 conversational querying\u003C\u002Fli>\u003Cli>可搭配支援 MCP 的 client\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你們團隊已經在用 Copilot 或 \u003Ca href=\"\u002Ftag\u002Fvs-code\">VS Code\u003C\u002Fa> 類工具，遠端 server 的導入成本會很低。它比較像一個安全的入口，讓 AI 先讀資料，再談其他事。\u003C\u002Fp>\u003Cp>講白了，這是給分析工作用的。不是給你拿來亂寫模型的。這種分工很合理，也比較不容易出事。\u003C\u002Fp>\u003Ch2>本機 server 才是模型工作重點\u003C\u002Fh2>\u003Cp>本機 Power BI MCP server 才是比較有料的那個。它跑在你的電腦上，可以處理 Power BI Desktop、Fabric workspace，還有 Power BI Project files。這讓 AI \u003Ca href=\"\u002Fnews\u002Fanthropic-scale-lead-frontier-ai-moat-zh\">真正\u003C\u002Fa>進到模型作者的工作區。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782190075573-xt5y.png\" alt=\"Power BI MCP 讓 AI 直接碰模型\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種設計很適合做重複性高的模型維護。像是批次改量值、調整欄位命名、補關聯、跑驗證。這些事人做很煩，AI 做剛剛好。\u003C\u002Fp>\u003Cp>Microsoft 列出的能力也不少。包括 natural language model editing、bulk operations、best-practice checks、agentic development workflows、DAX query validation。講白了，就是不只改一個東西，而是能整批處理。\u003C\u002Fp>\u003Cul>\u003Cli>可建立或更新 tables、columns、measures、relationships\u003C\u002Fli>\u003Cli>支援批次操作\u003C\u002Fli>\u003Cli>可做 DAX 驗證\u003C\u002Fli>\u003Cli>可處理 TMDL 與 Power BI Project files\u003C\u002Fli>\u003C\u002Ful>\u003Cp>本機 server 也支援 service principal。這點對企業環境很實用。因為很多自動化流程，不可能只靠某個人的帳號跑。你總不能叫一個離職員工的帳號繼續做資料工作吧。\u003C\u002Fp>\u003Cp>Microsoft 還提到 transaction support 和 error handling。這種字眼看起來不性感，但很重要。因為一旦你在大模型上做批次修改，沒有交易控制就很容易翻車。\u003C\u002Fp>\u003Cp>如果你有碰過幾十張表、幾百個 measure 的模型，你就知道這有多痛。AI 不是來取代你。它是來把那些重複又煩的活先扛走。\u003C\u002Fp>\u003Ch2>遠端和本機的差別，會影響團隊流程\u003C\u002Fh2>\u003Cp>這兩個 server 解的問題不同，所以導入方式也不同。遠端 server 比較像查詢入口，本機 server 比較像開發工具。這不是語意差異而已，是工作方式差很多。\u003C\u002Fp>\u003Cp>如果你是分析師，你會在意的是\u003Ca href=\"\u002Fnews\u002Fblackwell-mlperf-training-6-0-sweep-zh\">速度\u003C\u002Fa>、權限、答案準不準。你不想碰模型細節，只想快點拿到結果。遠端 server 就是這個用途。\u003C\u002Fp>\u003Cp>如果你是模型作者，你會在意 source control、review、refactor、validation。你要的是可追蹤的變更，不是聊天機器人講得很像懂。這時候本機 server 才有價值。\u003C\u002Fp>\u003Cul>\u003Cli>遠端：query-first，部署簡單\u003C\u002Fli>\u003Cli>本機：write-capable，偏開發流程\u003C\u002Fli>\u003Cli>遠端傳輸：streamable HTTP\u003C\u002Fli>\u003Cli>本機傳輸：stdio，設定更貼近本地環境\u003C\u002Fli>\u003C\u002Ful>\u003Cp>風險也不一樣。查詢工具可能把敏感資料問出來。編修工具則可能直接改壞模型。這兩種風險都真實存在，只是後者更容易留下爛攤子。\u003C\u002Fp>\u003Cp>Microsoft 的安全建議也算老實。用 Entra ID，控好 token，必要時隔離網路，權限採 least privilege。它還提醒，某些 destructive actions 不一定會被所有 MCP client 擋下來。\u003C\u002Fp>\u003Cp>這句話其實很刺耳，但很誠實。因為 MCP 再好用，也只是協定。真正決定安全的，還是權限設計和 client 行為。\u003C\u002Fp>\u003Ch2>跟其他 BI 工具比，差在哪裡\u003C\u002Fh2>\u003Cp>如果拿這次的 Power BI MCP servers 跟其他 BI 工具比，差異很明顯。很多工具都有自然語言查詢，但能直接碰 semantic model 的，沒那麼多。更少工具願意把寫入流程拆出來，讓 AI 進到模型開發。\u003C\u002Fp>\u003Cp>Power BI 的優勢在於它本來就有完整的模型層。語意模型不是附屬品，而是核心。這讓 MCP server 不只是包一層聊天介面，而是真的接到資料結構。\u003C\u002Fp>\u003Cp>你可以把它跟 \u003Ca href=\"https:\u002F\u002Fcloud.google.com\u002Flooker\" target=\"_blank\" rel=\"noopener\">Looker\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.tableau.com\u002F\" target=\"_blank\" rel=\"noopener\">Tableau\u003C\u002Fa>、甚至一些內部 BI 平台比。很多平台會先做問答，再慢慢往模型管理走。Microsoft 這次是直接把兩條路分開，讓 agent 各做各的。\u003C\u002Fp>\u003Cul>\u003Cli>Power BI：直接接 semantic model\u003C\u002Fli>\u003Cli>Looker：偏語意層查詢\u003C\u002Fli>\u003Cli>Tableau：偏視覺分析與探索\u003C\u002Fli>\u003Cli>MCP 的優勢：標準化工具接口\u003C\u002Fli>\u003C\u002Ful>\u003Cp>另一個差別是和開發流程的貼合度。Power BI Project files、TMDL、DAX 這些東西，本來就比較像工程產物。AI 進來之後，整個流程更接近軟體開發，而不是單純做報表。\u003C\u002Fp>\u003Cp>這也是我覺得最有意思的地方。Power BI 一直想從報表工具往工程工具靠。MCP server 這次只是把這件事說得更明白而已。\u003C\u002Fp>\u003Ch2>這波對資料團隊的真正意義\u003C\u002Fh2>\u003Cp>如果你在做資料平台、BI、分析工程，這次更新可以先看成兩件事。第一，查詢變得更容易。第二，模型維護有機會被 AI 接手一部分。\u003C\u002Fp>\u003Cp>前者會先普及。因為它風險低，導入也快。後者會慢一點。因為它牽涉權限、review、版本控制，還有團隊對 AI 的信任程度。\u003C\u002Fp>\u003Cp>但方向很清楚。Microsoft 已經把 MCP 當成 Power BI 的正式整合層，而不是實驗性插件。這會讓 AI-assisted BI 更像工作流程的一部分，而不是聊天視窗裡的附加功能。\u003C\u002Fp>\u003Cp>我猜短期內，最多人先用的是遠端 server。因為它最容易上手。真正會改變日常習慣的，反而是本機 server。它會讓模型作者開始把一些重工交給 agent。\u003C\u002Fp>\u003Cp>如果你們團隊本來就有 TMDL、Git、PR review 這套流程，我會建議先試本機 server 的小範圍場景。像是批次改名、驗證 DAX、同步欄位描述。先從低風險任務開始，比一次把整個模型交出去安全得多。\u003C\u002Fp>\u003Cp>下一步很簡單。先挑一個小模型，測一次遠端查詢，再試一次本機編修。你會很快知道，AI 在 Power BI 裡到底是助手，還是只是多一個會講話的介面。\u003C\u002Fp>","Microsoft 釋出 Power BI MCP servers 預覽版。遠端伺服器負責查詢語意模型，本機伺服器負責編修模型，讓 AI agent 能直接參與 Power BI 工作流程。","learn.microsoft.com","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fpower-bi\u002Fdeveloper\u002Fmcp\u002Fmcp-servers-overview",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782190077025-v9mp.png","tools","zh","c65e6b3e-44a4-4f15-bf68-dce7a6583a21",[17,18,19,20,21,22,23,24],"Power BI","MCP","Microsoft","AI agent","semantic model","DAX","Power BI Desktop","TMDL",[26,27,28,29],"Power BI MCP servers 分成遠端查詢和本機編修，分工很清楚。","遠端 server 適合分析查詢，本機 server 適合模型維護和批次操作。","Entra ID、service principal、權限控管，是這類工具能不能上線的核心。","對資料團隊來說，MCP 會先改變查詢流程，再慢慢影響模型開發習慣。",0,"2026-06-23T04:47:34.052921+00:00","2026-06-23T04:47:34.043+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"tags":35,"relatedLang":42,"relatedPosts":46},[36,38,40],{"name":19,"slug":37},"microsoft",{"name":18,"slug":39},"mcp",{"name":20,"slug":41},"ai-agent",{"id":15,"slug":43,"title":44,"language":45},"power-bi-mcp-servers-ai-model-work-en","Power BI MCP servers bring AI to model work","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"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":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"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":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"1c790be3-fbbb-4ebd-b485-d1c1913043f9","n8n-mcp-workflows-ai-tool-hubs-zh","n8n MCP 把工作流變工具庫","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782191904804-spby.png","2026-06-23T05:17:56.108259+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"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":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"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":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"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",[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"]