[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-vector-dbs-2026-better-rag-production-zh":3,"article-related-vector-dbs-2026-better-rag-production-zh":30,"series-tools-f047e89f-ff64-488e-831c-6d86b10eee8b":77},{"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},"f047e89f-ff64-488e-831c-6d86b10eee8b","vector-dbs-2026-better-rag-production-zh","2026 向量資料庫讓你把 RAG 做穩","\u003Cp data-speakable=\"summary\">這篇拆向量資料庫在 2026 的實戰位置，順手給你一份可\u003Ca href=\"\u002Fnews\u002Fmastercard-opens-ai-payments-stablecoins-zh\">直接\u003C\u002Fa>套進專案的選型模板。\u003C\u002Fp>\u003Cp>我用向量搜尋一陣子了，老實說，早期那些 demo 真的很會騙人。embedding 丟進去、文件餵進去、再接個聊天框，大家就開始講 AI 搜尋、知識助理、智慧問答，好像只差一個按鈕就能上線。結果一到真實專案，問題就全冒出來：切 chunk 切到像在亂剪報紙、embedding 模型一換整個結果飄掉、團隊還在吵到底該不該為了這件事再多養一套資料庫。我一直覺得，大家不是搞不懂向量資料庫，是太常把 demo 的順手感，誤認成 production 的可用性。\u003C\u002Fp>\u003Cp>我會開始重看這件事，是因為 Rashan Dixon 在 DevX 寫的這篇 \u003Ca href=\"https:\u002F\u002Fwww.devx.com\u002Funcategorized\u002Fvector-databases-beyond-ai-hype-2026\u002F\">Vector Databases in 2026: Moving Beyond the AI Hype\u003C\u002Fa>。文中提到 Gartner 預測，到 2026 年，超過 30% 使用 GenAI 的新企業應用會由向量資料庫支援，而 2023 年還不到 5%。這數字不花俏，但很煩人，因為它逼你承認：這東西已經不是玩具了。\u003C\u002Fp>\u003Ch2>向量搜尋不是 AI 魔法，是相似度管線\u003C\u002Fh2>\u003Cblockquote>Vector databases store high-dimensional embeddings and support fast similarity search across them.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是，你不是在找一模一樣的字，你是在找意思接近的東西。文字、圖片、音訊、程式碼，先被轉成 embeddings，再用距離去比對。資料庫做的不是語意理解，而是幫你算幾何距離。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781411590537-ez7x.png\" alt=\"2026 向量資料庫讓你把 RAG 做穩\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前幫內部搜尋改版時就踩過這坑。使用者輸入「invoice late fee」，他腦中想的是政策文件裡那種「payment delinquency penalty」，但傳統 keyword search 常常只會回你完全同字的東西。你不手動補同義詞，它就裝死。向量搜尋在這裡比較像是把「意思差不多」撈出來，而不是硬背字串。\u003C\u002Fp>\u003Cp>所以我現在看向量資料庫，第一件事不是問它會不會「懂」資料，而是問它能不能比字面比對更會湊近相關內容。這差很多。前者是行銷話術，後者才是\u003Ca href=\"\u002Fnews\u002Fllm-research-engineers-post-training-services-zh\">工程\u003C\u002Fa>問題。\u003C\u002Fp>\u003Cp>實操寫法很簡單：\u003C\u002Fp>\u003Cul>\u003Cli>只在「意思比字面更重要」的場景用向量搜尋。\u003C\u002Fli>\u003Cli>使用者會在意 ID、代碼、精準名稱時，保留 keyword search。\u003C\u002Fli>\u003Cli>先檢查 embedding 品質，別把爛輸入怪到資料庫頭上。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>工具面我會這樣分：\u003Ca href=\"https:\u002F\u002Fwww.pinecone.io\u002F\">Pinecone\u003C\u002Fa> 偏託管向量搜尋，\u003Ca href=\"https:\u002F\u002Fweaviate.io\u002F\">Weaviate\u003C\u002Fa> 是專門做這塊的平台，\u003Ca href=\"https:\u002F\u002Fqdrant.tech\u002F\">Qdrant\u003C\u002Fa> 也是常見選項，\u003Ca href=\"https:\u002F\u002Fwww.postgresql.org\u002F\">Postgres\u003C\u002Fa> 加 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\">pgvector\u003C\u002Fa> 則是我最常看到團隊先用的路線，因為不用先把整個資料棧拆掉重來。\u003C\u002Fp>\u003Ch2>真正決定品質的，常常不是資料庫 logo\u003C\u002Fh2>\u003Cp>DevX 那篇的重點我很認同：production 現實比「選哪個資料庫」大很多。embedding 品質、索引策略、更新頻率、chunk 切法，這些東西任何一個歪掉，最後出來的結果都會像鬼打牆。\u003C\u002Fp>\u003Cp>白話講，就是很多團隊把時間花在比 ANN index，卻繼續沿用超爛的 chunking。比如一段說明文被切成三塊，每塊都像半句話，embedding 出來根本沒上下文。你再怎麼換昂貴的向量庫，結果還是爛。這不是資料庫不行，是 pipeline 從上游就壞了。\u003C\u002Fp>\u003Cp>我現在 debug 這類系統，順序都反過來。不是先看資料庫，而是先看資料怎麼進來、怎麼被切、怎麼被更新。因為 retrieval 壞掉，十次有八次是前面那段流程在亂搞。\u003C\u002Fp>\u003Cp>實操寫法我會這樣做：\u003C\u002Fp>\u003Cul>\u003Cli>先定義文件管線，再決定存哪裡。\u003C\u002Fli>\u003Cli>拿真實查詢測 chunking，不要只用 toy prompt。\u003C\u002Fli>\u003Cli>把 retrieval 品質和 generation 品質分開量。\u003C\u002Fli>\u003Cli>原文變了或 embedding 模型變了，就重新評估 re-embed。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你想更具體理解效能與召回率的交換，DevX 也提到 Pinecone 的 FAISS 教學系列。這種東西看起來很學術，但其實就是在提醒你：快，通常要付代價；準，也常常要付代價。沒有白吃的午餐。\u003C\u002Fp>\u003Ch2>很多團隊其實不需要新系統，只需要誠實\u003C\u002Fh2>\u003Cp>DevX 把市場分成三類：專門的向量資料庫、帶向量能力的通用資料庫、雲端託管服務。這個切法我覺得對，因為「哪個最好」這種問法根本沒意義，工作負載長什麼樣才有意義。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781411585511-6w2g.png\" alt=\"2026 向量資料庫讓你把 RAG 做穩\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻成工程語言就是：很多團隊根本不需要專門的向量資料庫。如果你本來就穩定跑 Postgres，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\">pgvector\u003C\u002Fa> 常常就夠了。如果你已經在用 \u003Ca href=\"https:\u002F\u002Fwww.elastic.co\u002F\">Elasticsearch\u003C\u002Fa> 或 \u003Ca href=\"https:\u002F\u002Fopensearch.org\u002F\">OpenSearch\u003C\u002Fa>，它們的 vector 功能可能比再多上新系統更不痛。如果你的規模、隔離需求、調校需求真的上來了，再考慮專門平台，才比較像在做工程，不是在追新玩具。\u003C\u002Fp>\u003Cp>我看過太多團隊一聽到 AI app，就覺得一定要換一套新 infra。結果呢？on-call 更多、維運更多、跨系統除錯更多。說穿了，很多人不是需要新資料庫，是需要少一點幻想。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先選「最小變更」能達標的方案。\u003C\u002Fli>\u003Cli>優先用團隊已經熟的系統，不要為了新鮮感加一層維運。\u003C\u002Fli>\u003Cli>只有在規模、隔離或功能真的卡住時，才搬去專門向量平台。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你在 \u003Ca href=\"\u002Ftag\u002Faws\">AWS\u003C\u002Fa> 或 GCP 裡面打轉，也有現成路線可走：\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fopensearch-service\u002F\">Amazon OpenSearch Service\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fcloud.google.com\u002Fvertex-ai\u002Fdocs\u002Fvector-search\u002Foverview\">Google Vertex AI Vector Search\u003C\u002Fa>。這種選擇的好處不是酷，而是少寫很多不想養的 glue code。\u003C\u002Fp>\u003Ch2>RAG 會贏，不是因為炫，是因為夠務實\u003C\u002Fh2>\u003Cp>DevX 會把 retrieval-augmented generation 當成最能代表這波價值的用法，我也同意。因為它終於把向量資料庫從「聽起來很厲害」拉回「真的能用」。先找相關上下文，再叫模型回答，這樣至少比讓模型自己瞎掰來得穩。\u003C\u002Fp>\u003Cp>也就是說，向量資料庫不是產品本體，它比較像產品的記憶層。你先把正確、最新、相關的內容撈出來，再讓模型去組句。這樣 hallucination 會少很多，至少不會每次都像在胡亂作文。\u003C\u002Fp>\u003Cp>我自己做過內部文件問答、客服助手、程式碼庫 QA，失敗原因其實很固定：chunk 切不好、rerank 沒做、prompt 亂寫、metadata filter 沒設。大家老愛怪模型，但真相通常是 retrieval 根本沒設計成一個系統，只是把資料丟進去碰碰運氣。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先做 metadata filter，再想 fancy reranking。\u003C\u002Fli>\u003Cli>用真實使用者問題量 top-k retrieval。\u003C\u002Fli>\u003Cli>如果 recall 還行但 precision 不夠，再加 rerank。\u003C\u002Fli>\u003Cli>不要拿 prompt 去補爛 retrieval。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你想把這件事放回更大的 AI 應用脈絡，DevX 也有連到 open omni-modal AI 與 agentic workflows 的內容。那是另一條線，但底層邏輯一樣：先把資料找對，再談生成。\u003C\u002Fp>\u003Ch2>成本和延遲，最會把幻想打回原形\u003C\u002Fh2>\u003Cp>向量工作負載有個很討厭的地方，就是 demo 看不出來，真的上線才知道貴。index storage 要錢、query compute 要錢、embedding generation 也要錢。流量一上來，原本看起來「只是加個 AI 功能」，很快就\u003Ca href=\"\u002Fnews\u002Fvector-lakebase-milvus-ai-data-platform-zh\">變成\u003C\u002Fa>財務 review 上的麻煩項目。\u003C\u002Fp>\u003Cp>翻白話就是，這種系統不能等到之後再想成本。因為「之後」通常就是大家已經開始抱怨 latency、帳單和不穩定的時候。\u003C\u002Fp>\u003Cp>我看過最常見的失誤，是 retrieval path 每次都做太多事：沒 cache、沒 hybrid search、沒 index tuning，還硬上超大的 embedding model 去處理根本不需要那種精度的內容。結果就是花高價，拿中等偏爛的相關性。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>把高頻查詢和重複 retrieval context 做 cache。\u003C\u002Fli>\u003Cli>字面精準和語意相似都重要時，用 hybrid search。\u003C\u002Fli>\u003Cli>embedding model 要按任務選，不要按 hype 選。\u003C\u002Fli>\u003Cli>一定要在真實 concurrency 下測 latency，不要只看單人 demo。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>DevX 提到多數工作負載可以做到 100ms 以下的 retrieval，但如果你要在大規模下壓到單位數毫秒，就得接受更多調校，甚至吞下較低 recall。這句很實在，因為它把很多簡報裡不想講的代價直接攤開了。\u003C\u002Fp>\u003Ch2>安全不是附加題，embedding 也不是無辜數學\u003C\u002Fh2>\u003Cp>這段很多人都想跳過，直到法務或資安來敲門。DevX 提到 embeddings 可能洩漏資訊，而且文字 embeddings 在某些情況下有機會被重建回原始內容。對碰到受管制資料的人來說，這不是小事。\u003C\u002Fp>\u003Cp>也就是說，你不能把 embeddings 當成什麼都不是的數學向量。它們還是從真實內容轉出來的，而且那批內容可能本來就敏感。權限控管也不能只卡在資料庫外面，retrieval 路徑本身就要一起管。\u003C\u002Fp>\u003Cp>我看過最扯的情況，是系統把敏感 metadata 直接撈回來，因為大家只檢查原始文件權限，沒檢查查詢結果的可見性。表面上很安全，實際上助理一句摘要就把不該看的東西講出去了。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先分類來源資料，再決定要不要 embedding。\u003C\u002Fli>\u003Cli>權限檢查要套在 retrieval 結果上，不只是原始文件。\u003C\u002Fli>\u003Cli>敏感內容的 embedding model 行為要事先驗證。\u003C\u002Fli>\u003Cli>metadata filter 要跟你的 access model 對齊。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你想延伸看風險怎麼量化，DevX 也有連到 cyber risk quantification 的內容。這種思路很適合拿來看向量檢索：資料重要，retrieval layer 就不是小事。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># 2026 向量資料庫選型模板（可直接貼到專案文件）\n\n## 1) 我到底在解什麼問題？\n- 語意搜尋\n- RAG 檢索\n- 推薦系統\n- 異常 \u002F 詐欺偵測\n- 相似項目查找\n\n## 2) 我要向量化什麼資料？\n- 資料型態：文字 \u002F 程式碼 \u002F 圖片 \u002F 音訊 \u002F 混合\n- 更新頻率：即時 \u002F 每小時 \u002F 每日 \u002F 批次\n- 敏感度：公開 \u002F 內部 \u002F 受管制 \u002F 機密\n\n## 3) 我需要什麼品質？\n- 目標延遲：___ ms\n- 目標 recall \u002F precision：___\n- top-k：___\n- 需要 reranking 嗎：yes \u002F no\n- 需要 hybrid search 嗎：yes \u002F no\n\n## 4) 我現有的基礎設施是什麼？\n- Postgres：yes \u002F no\n- Elasticsearch \u002F OpenSearch：yes \u002F no\n- Kubernetes：yes \u002F no\n- 雲端偏好：AWS \u002F GCP \u002F Azure \u002F none\n- 團隊對新資料庫的熟悉度：low \u002F medium \u002F high\n\n## 5) 哪個選項比較適合？\n### 用 pgvector，如果：\n- 我本來就有 Postgres\n- 規模中等\n- 我想少養一套系統\n- 我能接受 Postgres 等級的效能取捨\n\n### 用專門向量資料庫，如果：\n- 我需要更大規模或更細的調校\n- 檢索流量很重\n- 我想把向量搜尋和 OLTP 分開\n- 我需要 vector-native 的進階功能\n\n### 用雲端向量搜尋，如果：\n- 我想跟現有雲端 stack 整合\n- 我想少管維運\n- 我可以接受綁在單一雲生態裡\n\n## 6) Pipeline 檢查清單\n- chunking 策略已定義\n- embedding model 已選定\n- re-embedding 規則已定義\n- metadata schema 已設計\n- access control 已對齊\n- retrieval evaluation set 已建立\n- reranking 計畫已決定\n- cache 策略已決定\n\n## 7) 上線守門條件\n- retrieval 品質和 generation 品質分開量\n- 用真實使用者問題測試\n- 記錄 latency、recall proxy、每次請求成本\n- 每季重看 embedding model\n- 稽核敏感資料暴露風險\n\n## 8) 決策規則\n如果現有 stack 已經滿足 latency、quality、ops，就先別搬。\n如果不夠，再只搬到剛好夠用的程度。\n\n## 9) 貼進你的專案筆記\nChosen stack: __________________\nWhy this stack: ________________\nRisks to watch: ________________\nNext review date: ______________\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板我刻意寫得很白。因為我不想讓團隊把它當哲學文，我想讓它變成決策紀錄。你如果連自己為什麼選這個向量方案都講不清楚，通常不是你很前瞻，是你選太早。\u003C\u002Fp>\u003Cp>原始拆解來源是 Rashan Dixon 的 DevX 文章 \u003Ca href=\"https:\u002F\u002Fwww.devx.com\u002Funcategorized\u002Fvector-databases-beyond-ai-hype-2026\u002F\">https:\u002F\u002Fwww.devx.com\u002Funcategorized\u002Fvector-databases-beyond-ai-hype-2026\u002F\u003C\u002Fa>。我這篇的例子、語氣和模板是我自己重寫的，但核心觀點和引用脈絡來自那篇文章與它提到的資料。\u003C\u002Fp>","拆向量資料庫在 2026 的實戰位置，順手給你一份可直接套進專案的選型模板。","www.devx.com","https:\u002F\u002Fwww.devx.com\u002Funcategorized\u002Fvector-databases-beyond-ai-hype-2026\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781411590537-ez7x.png","tools","zh","61318121-cc12-48b1-a35a-83bc06de1503",[17,18,19,20,21],"vector database","RAG","embeddings","pgvector","retrieval quality",[23,24,25],"向量資料庫在 2026 比較像 production infrastructure，不是 AI 魔法。","選型先看資料管線、品質、成本與權限，不要先迷信 logo。","可先用模板記錄決策，很多團隊其實不需要立刻換新系統。",0,"2026-06-14T04:32:40.958309+00:00","2026-06-14T04:32:40.948+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":11,"relatedPosts":40},[32,34,36,37,38],{"name":18,"slug":33},"rag",{"name":21,"slug":35},"retrieval-quality",{"name":19,"slug":19},{"name":20,"slug":20},{"name":17,"slug":39},"vector-database",[41,47,53,59,65,71],{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"747a5bf4-09b1-4b07-843f-6f03a11ae91c","devin-desktop-turns-windsurf-into-agent-hub-zh","Devin Desktop 把 Windsurf 變成代理控制台","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781428679674-nhbu.png","2026-06-14T09:17:27.902313+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"944a3f71-0264-4e6f-9774-8ab1facc7930","coinbase-for-agents-turns-ai-into-trader-zh","Coinbase for Agents 讓 AI 會交易","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781407994397-kdn7.png","2026-06-14T03:32:47.804945+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"687ac572-2f0f-4bb0-9a54-4563c7696310","five-patching-steps-distributed-estates-zh","分散環境補丁管理五步驟","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781352248524-913d.png","2026-06-13T12:03:41.692394+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"3493158e-1dbf-4fd4-8d17-a2f83cc428ca","texas-design-system-37-components-state-websites-zh","德州上線 37 組件設計系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781348571580-s8dw.png","2026-06-13T11:02:20.020693+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"6627f35e-3e66-445f-8c2a-188797ffd22b","microsoft-build-2026-agents-into-systems-zh","Build 2026 把代理變系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781329733213-teym.png","2026-06-13T05:48:21.486989+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"1f8c57f4-698a-42a5-80e8-85cf7cb915d6","mimo-v25-pro-turns-agent-work-into-one-api-call-zh","MiMo-V2.5-Pro 把 agent 工作變成一個 API","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781320694317-up12.png","2026-06-13T03:17:48.351417+00:00",[78,83,88,93,98,103,108,113,118,123],{"id":79,"slug":80,"title":81,"created_at":82},"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":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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"]