[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-qvac-turns-consumer-hardware-into-local-ai-zh":3,"article-related-qvac-turns-consumer-hardware-into-local-ai-zh":30,"series-tools-86025b0d-d299-4b7b-a77a-589c8fa5b4f4":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},"86025b0d-d299-4b7b-a77a-589c8fa5b4f4","qvac-turns-consumer-hardware-into-local-ai-zh","QVAC 把消費硬體變本地 AI","\u003Cp data-speakable=\"summary\">我拆 Tether 的 QVAC 堆疊，整理成一套可直接套用的\u003Ca href=\"\u002Fnews\u002Fopen-source-llms-run-locally-2026-zh\">本地\u003C\u002Fa>優先 AI 模板。\u003C\u002Fp>\u003Cp>我最近一直盯著 AI 工具怎麼長歪。大家嘴上都說 local、private、efficient，結果你一打開文件，還是那套老把戲：雲端 API 包一層、GPU 帳單藏一層、資料照樣往別人的伺服器送。更煩的是，很多產品把「本地」講得像信仰，實際上只是把雲端依賴換個包裝。我想要的是模型真的跑在資料所在的地方，不是再多一個漂亮的轉接頭。\u003C\u002Fp>\u003Cp>後來我看了 Tether 的贊助文章 \u003Ca href=\"https:\u002F\u002Ftechcrunch.com\u002Fsponsor\u002Ftether\u002Ftether-ai-is-building-the-stable-intelligence-layer-a-highly-efficient-platform-designed-to-scale-on-edgedevices-made-for-the-people\u002F\">Tether AI is building the Stable Intelligence layer\u003C\u002Fa>，我在意的不是行銷詞，是它把整個堆疊拆成什麼樣子：\u003Ca href=\"https:\u002F\u002Ftether.io\u002F\">QVAC\u003C\u002Fa> Fabric、QVAC SDK、本地推理、delegated \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa>，還有真的想讓消費級硬體做事的企圖。TechCrunch 這篇有明講是 sponsored content，所以我不會把它當中立報導；但它提供的架構形狀，剛好可以拿來拆成一套我自己能抄的做法。\u003C\u002Fp>\u003Ch2>別再把「本地 AI」當口號\u003C\u002Fh2>\u003Cblockquote>“QVAC SDK and Fabric give people and companies the ability to execute inference and fine-tune powerful models on their own terms, on their own hardware, with full control of their data.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：重點不是「AI 變小」，重點是控制權回到自己手上。模型如果真的跑在你的筆電、手機、桌機，或團隊自己的機器上，延遲、隱私、成本就不再是簡報上的漂亮名詞，而是你能直接設計的產品限制。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781228002022-ear4.png\" alt=\"QVAC 把消費硬體變本地 AI\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我看過太多團隊被反殺。先在託管 API 上做原型，做出一個看起來很能打的功能，然後才發現使用量一上來，帳單直接把老闆的臉色改寫。或者更慘，資料不能出境，法遵直接把雲端方案打槍。再不然就是想客製模型，結果整個流程掉進雲 GPU、重訓、排程和月結單的泥巴裡。\u003C\u002Fp>\u003Cp>Tether 這套說白了就是：少把每一步推理都租給別人。這不是道德口號，這是系統設計。只要工作負載能留在消費級硬體上，很多壓力會直接消失。代價也很現實：你要自己扛裝置差異、後端混雜、還有跨硬體的穩定性。沒有免費午餐，只有把麻煩換到你能掌控的位置。\u003C\u002Fp>\u003Cp>實操寫法很簡單：我會先替每個 AI 功能問一個很土但很有用的問題，這個功能真的需要雲端嗎，還是只是需要一個模型？如果只是需要模型，我會先設計成 local-first，再考慮遠端 fallback。這個決定會直接改寫你的架構，不是小修小補。\u003C\u002Fp>\u003Ch2>QVAC Fabric 其實是在賭 runtime，不是在賭模型\u003C\u002Fh2>\u003Cp>文章裡說 QVAC Fabric 是一個「high-throughput inference runtime」，而且是從 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp\">llama.cpp\u003C\u002Fa> 延伸出來的。這個細節比那些更響亮的「Stable Intelligence」更重要。做過模型工具的人都知道，真正痛的是 runtime，不是模型名單。模型負責吸睛，runtime 負責挨罵。\u003C\u002Fp>\u003Cp>也就是說，Tether 不是只在包一層模型 API，而是在做一個通用的 AI 執行層。文章提到 Fabric 是 hardware-agnostic，能跑在 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002F\">NVIDIA\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002F\">AMD\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002F\">Intel\u003C\u002Fa> 的桌機 GPU，也能碰到 Mali、Adreno、\u003Ca href=\"\u002Ftag\u002Fapple\">Apple\u003C\u002Fa> silicon 這些行動端晶片，還能依 GPU 切換 Vulkan、CUDA、ROCm。這種說法聽起來很無聊，但你只要真的要支援混合裝置，就會知道這有多重要。\u003C\u002Fp>\u003Cp>我以前做內部工具就撞過這種牆。工程師手上是 \u003Ca href=\"\u002Ftag\u002Fnvidia\">NVIDIA\u003C\u002Fa>，設計師是 MacBook，外勤同事的筆電則是那種不該拿來跑推理的等級。如果你的堆疊只認一種 GPU 廠牌，你基本上已經把半個團隊踢出局。如果你只押雲端，那離線、敏感資料、低網路環境也都別玩了。\u003C\u002Fp>\u003Cul>\u003Cli>runtime 的可攜性，通常比模型新鮮度更重要。\u003C\u002Fli>\u003Cli>只要硬體不是單一規格，backend 切換就不是加分題，是生存題。\u003C\u002Fli>\u003Cli>消費級硬體支援有沒有用，關鍵看 runtime 能不能撐住裝置差異。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操寫法是把 runtime 當成產品的一級元件。先列出你要支援的 backend，再列出最低裝置規格，最後才去挑模型。順序顛倒的話很常見：模型選得很漂亮，結果一半使用者的機器\u003Ca href=\"\u002Fnews\u002Fmlx-community-apple-silicon-model-weights-zh\">直接跑\u003C\u002Fa>不動，那你的 AI 功能其實只是帶 UI 的實驗室 demo。\u003C\u002Fp>\u003Ch2>真正的麻煩是記憶體，不是聽起來很酷的演算法\u003C\u002Fh2>\u003Cp>文章提到一個 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMatrix_tiling\">Dynamic Tiling Algorithm\u003C\u002Fa>，說它可以透過切分大型矩陣運算來繞過記憶體限制。這種東西很多人會直接滑過去，因為聽起來太技術、太乾。但我不會。做本地 AI，記憶體就是地雷區。你可以有很聰明的模型，最後還是死在裝置塞不下工作集。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781228002184-cimh.png\" alt=\"QVAC 把消費硬體變本地 AI\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：軟體要負責把工作切成硬體吃得下的尺寸。這不性感，但它決定了「模型能在手機上跑」跟「模型只適合出現在簡報裡」的差別。文章還說 QVAC Fabric 會降低 mobile GPU 的運算開銷。如果這件事在實際使用上站得住腳，那差別就是產品像原生功能，還是像一個會把手機烤熱的負擔。\u003C\u002Fp>\u003Cp>我看過很多團隊犯同一個錯：先在桌機上 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，然後預設手機只是「慢一點」而已。不是。手機不是慢版桌機，它是完全不同的環境，有不同的記憶體上限、散熱限制、電池條件。你不照這些條件設計，功能就算 technically 能跑，也會讓人用到火大。\u003C\u002Fp>\u003Cp>實操寫法是先算記憶體，再談模型大小。把目標裝置類型列出來，接著 profile 最大 context window、最重的 adapter、以及最糟的併發情境。如果你說不清楚記憶體去哪了，你根本不是在做 edge strategy，你是在賭運氣。\u003C\u002Fp>\u003Ch2>微調不該是有錢公司的奢侈稅\u003C\u002Fh2>\u003Cp>這篇文章最實際的地方，其實是成本。它一直在談 fine-tuning 的成本、多 GPU cluster 的成本，以及那種團隊已經把流程做下去，帳單才慢慢浮出來的煩躁。它也提到 PEFT 方法像 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.09685\">LoRA\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14314\">QLoRA\u003C\u002Fa>，這些東西的共同方向就是把模型適配變得沒那麼貴。\u003C\u002Fp>\u003Cp>也就是說，模型客製不該只屬於 GPU 預算很鬆、還有一票 infra 人員待命的公司。如果你的任務有固定模式，你就\u003Ca href=\"\u002Fnews\u002Fweb3-wallets-financial-super-apps-zh\">應該\u003C\u002Fa>能用比較輕的方式去適配，而不是為了改幾個行為去蓋一座小型資料中心。Tether 的說法是 QVAC Fabric 裡面有完整的 LoRA fine-tuning workflow，我在意的不是它時髦，而是它把「AI 訂閱制」往「可被你調整的工具」推了一步。\u003C\u002Fp>\u003Cp>我看過團隊花在 \u003Ca href=\"\u002Ftag\u002Fprompt-engineering\">prompt engineering\u003C\u002Fa>、重試、人工覆核、以及各種補鍋工的成本，最後比直接做適配還貴。這種隱形稅最麻煩，因為它不會立刻出現在模型訓練報表上，只會出現在每個月的工時和情緒裡。如果一條較輕的 fine-tuning 路線能把這些浪費壓掉，它不只是省錢，是比較不會把人搞瘋。\u003C\u002Fp>\u003Cul>\u003Cli>任務模式穩定、輸出重複性高，就該考慮 adaptation。\u003C\u002Fli>\u003Cli>用途還很廣、每週都在變，就先用 base model，不要急著訓練。\u003C\u002Fli>\u003Cli>別只算訓練成本，人工清理成本通常更可怕。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操寫法是替 fine-tuning 設門檻。如果你每週都在重寫 prompt 去修同一個行為，就把那段邏輯搬進可重用的適配流程。若資料敏感，本地 fine-tuning 會更有吸引力，因為原始資料不用先送進第三方服務。\u003C\u002Fp>\u003Ch2>delegated inference 才是我會先偷走的那一段\u003C\u002Fh2>\u003Cp>文章說 QVAC Workbench 支援透過 \u003Ca href=\"https:\u002F\u002Fholepunch.to\u002F\">Pear\u003C\u002Fa> 做 delegated inference，而 Pear 是建立在 \u003Ca href=\"https:\u002F\u002Fholepunch.to\u002F\">Holepunch\u003C\u002Fa> stack 上的 P2P runtime。例子很直白：你可以先在手機上開工，然後把重活交給家裡的桌機去跑。這個模式我很喜歡，因為它不是叫你接受某個雲端中繼站，而是讓裝置之間自己分工。\u003C\u002Fp>\u003Cp>翻譯一下就是，裝置選擇變成工作流程的一部分，不再是硬限制。手機負責啟動任務，桌機負責收尾，可信裝置圖或本地網路負責路由。這比把所有工作都硬塞進同一台伺服器舒服多了，至少你不用為了單一架構圖去犧牲使用情境。\u003C\u002Fp>\u003Cp>我以前做研究工作流時也碰過類似問題。資料不能亂跑，但我又希望出門時能繼續處理。最煩的不是模型本身，而是怎麼在裝置之間移交任務，還不能丟 state、不能洩漏資料。delegated inference 如果做得好，產品就不再像聊天機器人，而比較像一個分散式工作台。\u003C\u002Fp>\u003Cp>實操寫法是先畫任務移動邊界。哪些任務可以在低功耗裝置上起手？哪些應該轉去更強的機器？哪些任務不管怎樣都必須留在本地？這些邊界先畫清楚，你才有辦法做出兼顧電池、隱私和算力的體驗，而不是讓使用者自己當調度員。\u003C\u002Fp>\u003Ch2>Workbench 和 Health 才讓這套東西看起來像真的要出貨\u003C\u002Fh2>\u003Cp>文章提到兩個已經建立在 QVAC 上的產品：\u003Ca href=\"https:\u002F\u002Ftether.io\u002F\">QVAC Workbench\u003C\u002Fa> 和 QVAC Health。我不太在意品牌名，我在意的是它們代表 Tether 想拿實際應用來證明這套堆疊。平台故事通常都在這裡分勝負，不是變成產品，就是變成簡報。\u003C\u002Fp>\u003Cp>Workbench 被描述成一個 local-first AI assistant，能做排程、寫作、coding、研究。QVAC Health 則是偏私人的健康助理，把資料留在裝置上，還能用 OCR 掃檢驗報告、記錄 biomarker。這兩個情境差很大，但它們都靠同一個底層承諾：資料留在本地，模型也在使用者自己的裝置上跑。\u003C\u002Fp>\u003Cp>也就是說，這不是單純的 library bundle，而是一種產品設計立場。如果這個堆疊能同時支撐工作助理和健康助理，那它想賣的就不是單一 app，而是一個應用層的基座。這比單點工具難賣，但如果真的能跑，實用度也高很多。\u003C\u002Fp>\u003Cp>我對只存在於承諾裡的 AI 平台一向很保留，但當我看得到它想長出來的 app 長相，我就比較願意相信它。Workbench 告訴我它想碰一般生產力，Health 告訴我它想碰敏感個人資料。這兩個放在一起，本地優先架構就不再是興趣，而是產品需求。\u003C\u002Fp>\u003Cp>實操寫法是，不要先講平台，先拿一兩個具體 app 把模式證明出來。底層可以做得很通用，但第一個版本一定要窄，窄到讓人一眼看懂這個架構到底值不值得信。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># 本地優先 AI 產品模板，參考 QVAC 這種設計思路\n\n## 1) 核心承諾\nAI 任務先在使用者自有硬體上完成。\n只有當任務無法在本地完成時，才送往雲端。\n\n## 2) 架構\n- 模型 runtime：可插拔 backend 的本地推理引擎\n- 裝置目標：桌機 GPU、手機 GPU、CPU fallback\n- 資料政策：預設原始使用者資料不離開裝置\n- 同步政策：只同步衍生結果，不同步原始資料\n- 任務移交政策：允許任務在可信裝置之間搬移\n\n## 3) 必要模組\n- inference\n- adapter fine-tuning\n- OCR\n- transcription\n- translation\n- embeddings\n- RAG\n- text-to-speech\n- delegated execution\n\n## 4) 產品規則\n- 每個 AI 功能都要寫清楚是否可離線\n- 每個功能都要寫清楚最低裝置規格\n- 每個功能都要寫清楚記憶體預算\n- 每個功能都要寫清楚資料是否離開裝置\n\n## 5) 實作清單\n- 先選一個本地推理 runtime\n- 定義支援的 GPU 和 fallback 路徑\n- 先做 adapter-based customization，再考慮完整重訓\n- 做一個可在裝置間移動的任務 queue\n- 對任何同步的 metadata 做加密\n- 先做一個窄應用，再擴成平台\n\n## 6) 給產品規劃用的 prompt\n你正在設計一個面向消費級硬體的本地優先 AI 功能。\n\n請回傳：\n1. 最小但有用的本地工作流\n2. 必須支援的裝置類型\n3. 記憶體與延遲預算\n4. 哪些資料絕對不能離開裝置\n5. 本地算力不足時的 fallback 行為\n6. 哪一個 app 最能證明這個平台真的可用\n\n## 7) 決策門檻\n符合以下條件就先本地執行：\n- 任務涉及隱私\n- 任務重複頻繁\n- 任務可接受裝置差異\n- 使用者需要離線能力\n\n以下情況才用雲端推理：\n- 任務超過本地記憶體\n- 任務需要共享的集中式 state\n- 任務更適合伺服器級排程\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>如果我要把這篇文章的想法變成真的產品規劃，我會先拿這份模板開會。它逼團隊不要再含糊講什麼 edge AI，而是老實回答幾個很煩但很重要的問題：模型在哪跑、哪些裝置算數、哪些資料要留在本地、什麼時候我們真的得認輸改走別條路。\u003C\u002Fp>\u003Cp>這份模板不花俏，但它的價值就是把架構講清楚，清楚到大家可以在浪費三個 sprint 之前先吵一輪。這種吵法，通常比事後救火便宜多了。\u003C\u002Fp>\u003Ch2>我會怎麼收尾\u003C\u002Fh2>\u003Cp>我把 Tether 這套 QVAC 拆下來之後，最有感的不是它有多會講 AI，而是它一直在逼你面對現實：硬體會碎、記憶體會爆、資料不想出門、使用者也不想每次都連雲。這些問題沒有一個靠口號能解。真正有用的，是把 runtime、記憶體、資料政策、任務移交都先寫死，然後再去談模型。\u003C\u002Fp>\u003Cp>如果你也在做本地優先 AI，我會直接建議你先從模板開始，不要先從願景開始。願景很便宜，架構很貴。這篇我拆的是 Tether 的方法論，模板是我整理出來的可抄版本。\u003C\u002Fp>\u003Cp>來源：\u003Ca href=\"https:\u002F\u002Ftechcrunch.com\u002Fsponsor\u002Ftether\u002Ftether-ai-is-building-the-stable-intelligence-layer-a-highly-efficient-platform-designed-to-scale-on-edgedevices-made-for-the-people\u002F\">TechCrunch sponsored article\u003C\u002Fa>。文中的產品主張、模組與架構描述來自原始來源；模板、取捨與實作建議是我自己的整理與延伸。\u003C\u002Fp>","我拆 Tether 的 QVAC 堆疊，整理成一套可直接套用的本地優先 AI 模板。","techcrunch.com","https:\u002F\u002Ftechcrunch.com\u002Fsponsor\u002Ftether\u002Ftether-ai-is-building-the-stable-intelligence-layer-a-highly-efficient-platform-designed-to-scale-on-edgedevices-made-for-the-people\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781228002022-ear4.png","tools","zh","42164bdf-1cae-4f43-ba29-f54d449ae2b9",[17,18,19,20,21],"local-first AI","edge inference","LoRA","runtime","consumer hardware",[23,24,25],"本地 AI 的核心不是縮小模型，而是把控制權、成本與資料邊界收回來。","真正難的是 runtime、記憶體與裝置差異，不是模型名字夠不夠新。","先用可抄模板把離線、裝置、記憶體、資料流規則寫死，再談平台化。",2,"2026-06-12T01:32:54.046032+00:00","2026-06-12T01:32:54.036+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,34,36,37,39],{"name":21,"slug":33},"consumer-hardware",{"name":19,"slug":35},"lora",{"name":20,"slug":20},{"name":17,"slug":38},"local-first-ai",{"name":18,"slug":40},"edge-inference",{"id":15,"slug":42,"title":43,"language":44},"qvac-turns-consumer-hardware-into-local-ai-en","QVAC turns consumer hardware into local AI","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"9947d432-419a-4fb2-b63e-2df73e5503f0","vibe-coding-lets-you-ship-a-tiny-app-fast-zh","Vibe coding 讓你先把小工具做出來","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781254115147-lr0c.png","2026-06-12T08:47:56.34535+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"f7cfd9fc-4795-40e6-9ccf-8d1d320d8560","what-vibe-coding-means-for-developers-zh","Vibe Coding 對開發者的真正意義","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781253188911-llz7.png","2026-06-12T08:32:32.032314+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"6371d809-9372-4a40-bf34-09ca516bf1c5","product-hunt-vibe-coding-tools-2026-zh","Product Hunt 的 vibe-coding 堆疊怎麼配","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781252320426-k29l.png","2026-06-12T08:18:03.871398+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"048fe239-c575-457f-87b3-7a11dcc92b45","copilot-keeps-old-amd-linux-gpus-alive-zh","Copilot 讓舊 AMD GPU 活下來","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781242402748-dls4.png","2026-06-12T05:32:53.912906+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"851e075c-b22f-4425-a5c8-28132574da25","fine-tune-slm-emotion-recognition-zh","情緒辨識 SLM 微調實作指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781231575451-p3g5.png","2026-06-12T02:32:23.646134+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"5c8150a0-bd9a-4b69-bba3-09548f5dcc84","midjourney-pricing-guide-2026-plans-costs-zh","Midjourney 2026 訂閱費用與方案判讀","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781230674954-vf1u.png","2026-06-12T02:17:24.385566+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"]