[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-top-ai-github-repositories-dominating-2026-zh":3,"article-related-top-ai-github-repositories-dominating-2026-zh":35,"series-tools-6f625844-2519-4fac-8be2-d2d06a0686f5":88},{"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":27,"views":31,"created_at":32,"published_at":33,"topic_cluster_id":34},"6f625844-2519-4fac-8be2-d2d06a0686f5","top-ai-github-repositories-dominating-2026-zh","2026 最強 AI GitHub 倉庫盤點","\u003Cp data-speakable=\"summary\">這篇在整理 \u003Ca href=\"\u002Fnews\u002Ftop-ai-prompt-engineering-tools-2026-zh\">2026\u003C\u002Fa> 年最受開發者關注的 AI \u003Ca href=\"\u002Fnews\u002Fhorizon-github-ai-news-briefings-zh\">GitH\u003C\u002Fa>ub 倉庫，重點放在能直接拿來做產品的框架、\u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa>、在地模型與推論工具。\u003C\u002Fp>\u003Cp>說真的，\u003Ca href=\"\u002Fnews\u002Fgithub-skills-repos-turn-ai-coding-into-workflows-zh\">GitH\u003C\u002Fa>ub 還是 AI 開發的第一戰場。星星數很吵，但真正有用的是，哪些 repo 真的有人 clone、fork，還拿去上線。\u003C\u002Fp>\u003Cp>這篇不看虛的。看的是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 這類專案。它們解的是實際問題，不是只會做 demo。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Repository\u003C\u002Fth>\u003Cth>功能\u003C\u002Fth>\u003Cth>為什麼重要\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>OpenAI API 範例\u003C\u002Ftd>\u003Ctd>直接給可抄的實作模式\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>LLM 應用與 Agent 框架\u003C\u002Ftd>\u003Ctd>很多團隊的起手式\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>資料與 LLM 整合框架\u003C\u002Ftd>\u003Ctd>文件檢索場景很常用\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>多 Agent 協作框架\u003C\u002Ftd>\u003Ctd>適合需要多步推理的工作流\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>星星數不是全部\u003C\u002Fh2>\u003Cp>很多人看 repo，第一眼只看 stars。老實說，這很偷懶。星星高，不代表你週五晚上能把功能生出來。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779136463477-0jml.png\" alt=\"2026 最強 AI GitHub 倉庫盤點\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>真正重要的是文件清不清楚、維護有沒有持續、範例能不能直接搬進專案。這些才決定一個 repo 是玩具，還是真工具。\u003C\u002Fp>\u003Cp>2026 年最值得看的 AI repo，通常都有一個共同點。它們幫你少走很多冤枉路。你不用先自己發明整套架構，才知道模型怎麼接資料、怎麼跑工具、怎麼串 Agent。\u003C\u002Fp>\u003Cul>\u003Cli>文件完整，導入成本低。\u003C\u002Fli>\u003Cli>版本更新穩定，代表還有人管。\u003C\u002Fli>\u003Cli>範例比宣傳圖更有用。\u003C\u002Fli>\u003Cli>API 乾淨，團隊比較好接。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>開發者一直回頭用的幾個 repo\u003C\u002Fh2>\u003Cp>先講最常見的一組：\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa>。這四個剛好涵蓋了 AI 應用最常見的四種需求：範例、編排、檢索、協作。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa> 比較像實戰筆記。它不是完整框架，但你可以直接把範例改成產品程式。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa> 的定位更廣，適合做鏈式流程和工具調用。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa> 則更偏向資料接入，這點對企業案很重要。很多案子卡住的不是模型，而是資料爛得像倉庫。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 走的是多 Agent 路線。講白了，就是讓幾個模型角色分工合作。這種做法不一定每個場景都需要，但一旦工作流很長，就很有感。\u003C\u002Fp>\u003Cblockquote>\"The next big thing in software will be systems that can reason, plan, and act,\" said Satya Nadella at Microsoft Build 2023.\u003C\u002Fblockquote>\u003Cp>這句話放到今天還是對味。AI 應用的重心，已經從單次問答，移到多步驟任務。\u003C\u002Fp>\u003Cp>你現在看到的 repo 熱度，其實就是這個轉向的縮影。大家不再只想要聊天機器人。大家想要的是能查資料、會呼叫工具、還能自己往下做的系統。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa> 適合通用編排。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa> 適合檢索型產品。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 適合多角色協作。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa> 適合快速學 API 寫法。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>在地模型和推論工具更實際\u003C\u002Fh2>\u003Cp>另一群很重要的 repo，是處理成本、延遲和隱私的工具。像 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Follama\u002Follama\" target=\"_blank\" rel=\"noopener\">Ollama\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp\" target=\"_blank\" rel=\"noopener\">llama.cpp\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\" target=\"_blank\" rel=\"noopener\">vLLM\u003C\u002Fa>，都讓在地跑模型或高效率部署變簡單。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779136457309-v16s.png\" alt=\"2026 最強 AI GitHub 倉庫盤點\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這件事很現實。很多團隊不是不想用 AI，而是怕費用炸掉，或資料不能亂出機房。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Follama\u002Follama\" target=\"_blank\" rel=\"noopener\">Ollama\u003C\u002Fa> 讓本機實驗門檻很低。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp\" target=\"_blank\" rel=\"noopener\">llama.cpp\u003C\u002Fa> 一直是高效率推論的代表。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\" target=\"_blank\" rel=\"noopener\">vLLM\u003C\u002Fa> 則偏向高吞吐服務，適合真的有流量的產品。\u003C\u002Fp>\u003Cp>如果你在台灣做 B2B 軟體，這類工具更有感。客戶常常先問兩件事：成本多少，資料放哪裡。技術再酷，這兩題答不好，案子一樣卡。\u003C\u002Fp>\u003Cp>這裡也可以看出一個趨勢。模型 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 不是唯一答案。很多團隊開始混用雲端 API、在地模型、快取和批次推論，目的很簡單，就是把錢省下來，把延遲壓下去。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Follama\u002Follama\" target=\"_blank\" rel=\"noopener\">Ollama\u003C\u002Fa> 適合本機測試。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp\" target=\"_blank\" rel=\"noopener\">llama.cpp\u003C\u002Fa> 適合輕量推論。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\" target=\"_blank\" rel=\"noopener\">vLLM\u003C\u002Fa> 適合高流量服務。\u003C\u002Fli>\u003Cli>這三個都在壓低部署成本。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>數字攤開來看更清楚\u003C\u002Fh2>\u003Cp>如果把這些 repo 放在一起比較，你會發現它們解的是不同層的問題。有人負責教你怎麼寫，有人負責讓你串資料，有人負責讓模型跑得快。\u003C\u002Fp>\u003Cp>下面這張表很直白。你可以直接拿來判斷，哪個 repo 比較適合你的情境。講白了，別把所有問題都丟給同一個框架。\u003C\u002Fp>\u003Cp>我自己會把它們分成三類。第一類是學習型。第二類是產品型。第三類是基礎設施型。這樣選起來比較不會亂。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>專案\u003C\u002Fth>\u003Cth>定位\u003C\u002Fth>\u003Cth>適合場景\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>範例庫\u003C\u002Ftd>\u003Ctd>學 API、做 PoC\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>通用框架\u003C\u002Ftd>\u003Ctd>Agent、工具調用、流程編排\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>資料框架\u003C\u002Ftd>\u003Ctd>RAG、文件問答、內部知識庫\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>多 Agent 框架\u003C\u002Ftd>\u003Ctd>複雜任務拆解、協作式工作流\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Follama\u002Follama\" target=\"_blank\" rel=\"noopener\">Ollama\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>在地推論\u003C\u002Ftd>\u003Ctd>本機測試、內網部署\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp\" target=\"_blank\" rel=\"noopener\">llama.cpp\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>高效率推論\u003C\u002Ftd>\u003Ctd>輕量硬體、邊緣裝置\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\" target=\"_blank\" rel=\"noopener\">vLLM\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>服務端推論\u003C\u002Ftd>\u003Ctd>高吞吐、低延遲服務\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>這份比較也反映 2026 年的開發現實。AI 開發已經不是單點工具。它更像一條供應鏈。前面有模型，中間有框架，後面有推論和監控。\u003C\u002Fp>\u003Cp>你如果只學框架，不懂推論，最後還是會被成本打臉。你如果只玩模型，不懂資料，產品一樣答非所問。這就是現在最常見的坑。\u003C\u002Fp>\u003Ch2>這些 repo 背後的產業脈絡\u003C\u002Fh2>\u003Cp>AI 開源社群這幾年很明顯，重心一直在往「可上線」移動。以前大家愛看模型參數，現在大家更在意延遲、成本、評估和可維護性。\u003C\u002Fp>\u003Cp>這也解釋了為什麼框架型專案和推論型專案會一起紅。前者解決開發速度，後者解決營運壓力。兩邊缺一個，產品都不完整。\u003C\u002Fp>\u003Cp>如果再往前看，這種變化其實很像雲端時代。早期大家比誰先做出功能，後來就開始比誰撐得住流量、誰的架構比較好維護。AI 現在也走到這一步了。\u003C\u002Fp>\u003Cp>我覺得接下來最重要的不是再多一個聊天 demo，而是更好的 eval、觀測和部署工具。畢竟模型再聰明，出錯時還是要有人收尾。\u003C\u002Fp>\u003Ch2>接下來該怎麼選\u003C\u002Fh2>\u003Cp>如果你現在要開始，我的建議很簡單。先選一個框架 repo，再選一個推論 repo。不要一開始就全都碰，會很亂。\u003C\u002Fp>\u003Cp>最實際的組合是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa> 或 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fllama_index\" target=\"_blank\" rel=\"noopener\">LlamaIndex\u003C\u002Fa>，再搭配 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Follama\u002Follama\" target=\"_blank\" rel=\"noopener\">Ollama\u003C\u002Fa> 或 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\" target=\"_blank\" rel=\"noopener\">vLLM\u003C\u002Fa>。這樣你可以先把產品跑起來，再慢慢補 Agent、評估和監控。\u003C\u002Fp>\u003Cp>我的預測很直接。2026 年會更吃重「能不能穩定上線」，而不是「星星有多少」。如果你是開發者，現在最值得做的事，就是挑一個 repo，真的做一個可用功能出來。\u003C\u002Fp>","整理 2026 年最受開發者關注的 AI GitHub 倉庫，包含框架、Agent、在地模型與推論工具，幫你快速看懂哪些專案真的能上線。","medium.com","https:\u002F\u002Fmedium.com\u002Flets-code-future\u002Ftop-ai-github-repositories-that-are-dominating-2026-and-you-also-need-to-know-about-that-970ce6a61b96",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779136463477-0jml.png","tools","zh","6dad42df-02b8-437e-ac11-6f687dec68be",[17,18,19,20,21,22,23,24,25,26],"AI GitHub repo","LangChain","LlamaIndex","AutoGen","Ollama","llama.cpp","vLLM","OpenAI Cookbook","AI 工具","Agent 框架",[28,29,30],"星星數只能當參考，文件、維護和實作範例更重要。","LangChain、LlamaIndex、AutoGen 各自解不同層的問題。","Ollama、llama.cpp、vLLM 代表 2026 年更重視在地推論與部署效率。",8,"2026-05-18T20:33:51.029803+00:00","2026-05-18T20:33:50.82+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":36,"relatedLang":47,"relatedPosts":51},[37,39,41,43,45],{"name":17,"slug":38},"ai-github-repo",{"name":18,"slug":40},"langchain",{"name":21,"slug":42},"ollama",{"name":20,"slug":44},"autogen",{"name":19,"slug":46},"llamaindex",{"id":15,"slug":48,"title":49,"language":50},"top-ai-github-repositories-dominating-2026-en","Top AI GitHub Repositories Dominating 2026","en",[52,58,64,70,76,82],{"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",{"id":83,"slug":84,"title":85,"cover_image":86,"image_url":86,"created_at":87,"category":13},"f44a28d3-2305-43de-b5fa-21217d561054","amazon-rekognition-content-moderation-filter-zh","Amazon Rekognition把審核變成過濾器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517005409-bxfc.png","2026-06-03T20:02:57.634353+00:00",[89,94,99,104,109,114,119,124,129,134],{"id":90,"slug":91,"title":92,"created_at":93},"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":95,"slug":96,"title":97,"created_at":98},"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":100,"slug":101,"title":102,"created_at":103},"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":105,"slug":106,"title":107,"created_at":108},"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":110,"slug":111,"title":112,"created_at":113},"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":115,"slug":116,"title":117,"created_at":118},"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":120,"slug":121,"title":122,"created_at":123},"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":125,"slug":126,"title":127,"created_at":128},"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":130,"slug":131,"title":132,"created_at":133},"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":135,"slug":136,"title":137,"created_at":138},"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"]