[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-xurrent-q2-2026-ai-release-turns-itsm-into-agents-zh":3,"article-related-xurrent-q2-2026-ai-release-turns-itsm-into-agents-zh":30,"series-tools-1e852f64-41ab-476c-83a6-d0c8732f86b1":79},{"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},"1e852f64-41ab-476c-83a6-d0c8732f86b1","xurrent-q2-2026-ai-release-turns-itsm-into-agents-zh","Xurrent Q2 AI 讓 ITSM 變成代理","\u003Cp data-speakable=\"summary\">Xurrent 的 Q2 \u003Ca href=\"\u002Fnews\u002Ftop-ai-github-repositories-dominating-2026-zh\">2026\u003C\u002Fa> AI 發佈把 Assist、\u003Ca href=\"\u002Ftag\u002Fcopilot\">Copilot\u003C\u002Fa>、autonomous a\u003Ca href=\"\u002Fnews\u002Fagentic-ai-turns-autonomy-into-security-problem-zh\">gent\u003C\u002Fa>s 分層塞進 ITSM 工作流。\u003C\u002Fp>\u003Cp>我看 ITSM 工具有一陣子了，真的很容易一眼看出哪家是在做事，哪家只是把舊流程包一層 AI 皮。我打開 Xurrent 這份 Q2 2026 AI release 的時候，原本也以為會是老套路：多一個 sidebar、加一個聊天框、再把「智慧」兩個字貼滿頁面。結果讀下去，我反而有點不爽，因為它不是在賣單一 chatbot，而是在把 AI 拆成四種工作方式，直接塞回 service desk 的既有介面裡。這種做法比較像真的懂現場，不像那種只會做 demo 的產品簡報。\u003C\u002Fp>\u003Cp>我這次主要看的是 Xurrent 自家的更新文章：\u003Ca href=\"https:\u002F\u002Fwww.xurrent.com\u002Fproduct-updates\u002Fagentic-ai-xurrents-q2-2026-release\">Agentic AI: Xurrent’s Q2 2026 AI Releases\u003C\u002Fa>。作者是 Jim Hirschauer，發佈時間是 2026-05-12。文中還提到 Sera AI 已經在 91% 的客戶環境中上線，這個數字我覺得很重要，因為它不是實驗室玩具，而是已經進到真實工作流裡了。這也是我願意拆它的方法論，而不是只看行銷詞的原因。\u003C\u002Fp>\u003Ch2>先別把 AI 做成另一個分頁\u003C\u002Fh2>\u003Cblockquote>“Most enterprise teams aren’t ready to abandon their service desk interface for a blank chat prompt. They shouldn’t have to.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：Xurrent 先承認一件很現實的事，企業團隊根本不想離開自己每天在用的 service desk，跑去對著一個空白 prompt 發呆。這句話很直白，但我很買單。因為我看過太多 AI 導入失敗，不是模型不夠強，而是工作流被切成兩半。系統裡有一半資料，\u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>裡有另一半，最後專家要自己在兩邊搬來搬去，超煩。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779140063861-o0jh.png\" alt=\"Xurrent Q2 AI 讓 ITSM 變成代理\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Xurrent 的做法是把 Sera AI Assist 直接放進 specialist 的操作畫面裡。它不是要你開新頁面問問題，而是在 request 裡直接做摘要、找相似案件、拉出相關問題。這種設計看起來很小，實際上很關鍵，因為它解決的是上下文切換成本，不是炫技。\u003C\u002Fp>\u003Cp>我之前幫一個 support 團隊看過類似需求。模型可以摘要得很好，但大家就是不想把 ticket 內容複製到另一個工具裡。最後不是 AI 不行，是流程很蠢。工作都在 ticket 裡發生了，你卻要人跳出去問 AI，這就是在逼人中斷思考。\u003C\u002Fp>\u003Cp>實操上，我會先問三件事：\u003C\u002Fp>\u003Cul>\u003Cli>AI 能不能在同一個 request 畫面裡摘要內容？\u003C\u002Fli>\u003Cli>能不能直接找出相似 incidents、problems 或 KB？\u003C\u002Fli>\u003Cli>建議能不能被 specialist 直接接受、修改或忽略？\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果這三題答不出 yes，我就不會把它叫做 workflow AI。我會把它叫做 demo wrapper，漂亮但沒用。\u003C\u002Fp>\u003Ch2>Copilot 不是會聊天就夠了，它得看得懂系統\u003C\u002Fh2>\u003Cblockquote>“When they need to go deeper, they ask.”\u003C\u002Fblockquote>\u003Cp>這句話其實在講一個很重要的邊界：Assist 是幫你看表面，Copilot 才開始讓你追問。也就是說，Xurrent 想做的不是單純的摘要機，而是能在 request 上下文裡繼續問問題的互動式分析工具。這個差別很大，因為 service work 本來就不是單一答案的世界，而是要把歷史、責任歸屬、影響範圍、最近變更全部串起來。\u003C\u002Fp>\u003Cp>如果 Copilot 只會把人話改寫得更順，那它其實沒什麼用。真正有價值的是，它要能讀懂目前這張單、這個 CI、這個 assignment group，甚至最近相似事件的脈絡。沒有這些上下文，它再會講也只是 polished autocomplete，聽起來像懂，其實沒懂。\u003C\u002Fp>\u003Cp>我很常看到團隊被「AI assistant」騙到。介面做得很順，回答也像人話，但它根本分不出 password reset 跟 Sev 1 outage 的差別。這種東西拿來聊天可以，拿來做 service decision 就很危險。Xurrent 這份 release 比較有意思的地方，是它一直把 Sera AI 跟 service data、signals、workflow 綁在一起，意思就是它不是一顆飄在空中的腦袋。\u003C\u002Fp>\u003Cp>實操上，我會把 Copilot 的問題設計得很具體，別問那種「幫我看這張單」的廢話。直接問這些：\u003C\u002Fp>\u003Cul>\u003Cli>過去 24 小時哪些變更可能跟這次 spike 有關？\u003C\u002Fli>\u003Cli>有哪些相似 request 是同一個團隊解掉的？\u003C\u002Fli>\u003Cli>依照 CI 與分類，最可能的 owner 是誰？\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果它能在這種問題上給出可追溯的答案，才算真的有上下文。答不出來，那就是把錯誤講得比較順而已。\u003C\u002Fp>\u003Ch2>Autonomous agents 不是魔法，是有權限邊界的流程\u003C\u002Fh2>\u003Cblockquote>“Whether your team wants AI woven into the interface they already use, or you’re ready to deploy autonomous agents across your workflows, these capabilities meet you where you are.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：Xurrent 沒把 autonomy 當成另一個獨立產品在賣，而是把它當成成熟度階梯的一段。這點我覺得比很多廠商誠實，因為大部分人一講 \u003Ca href=\"\u002Fnews\u002Fwhy-googles-gemini-spark-should-worry-anyone-using-ai-agents-zh\">agen\u003C\u002Fa>t 就像在講召喚獸，彷彿模型一接上去就能自己把事情做好。現實不是這樣，尤其在 ITSM 裡，\u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 一旦會動作，就一定要先問權限、範圍、稽核、例外處理。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779140063179-brdv.png\" alt=\"Xurrent Q2 AI 讓 ITSM 變成代理\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前處理過一套自動化，表面上很聰明，實際上很難追。票被重新分派了、通知發了、流程被跳過了，但沒人能說清楚為什麼。這種 automation 不叫省工，叫製造法務和維運的共同噩夢。Xurrent 這次的說法比較像是想把 autonomy 留在平台治理框架裡，這才是正路。\u003C\u002Fp>\u003Cp>如果 agent 要真的去動 ITSM record，我會要求三件事：role-based permissions、完整 audit trail、明確 scope。最重要的是，human override 不能跟系統打架。你不能一邊說可控，一邊把人工接手做得比 agent 還麻煩。\u003C\u002Fp>\u003Cp>實操上，我會把 autonomy 切成四層，而不是二選一：\u003C\u002Fp>\u003Cul>\u003Cli>Tier 1：摘要與建議\u003C\u002Fli>\u003Cli>Tier 2：產生待審核動作\u003C\u002Fli>\u003Cli>Tier 3：在政策內執行低風險動作\u003C\u002Fli>\u003Cli>Tier 4：依信心門檻自動升級或轉派\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要你講不出風險邊界，就先不要談 autonomous agent。那不是成熟，那只是希望模型不要出事。\u003C\u002Fp>\u003Ch2>Sera AI 真有料，前提是你的資料也要像樣\u003C\u002Fh2>\u003Cblockquote>“Sera AI has been part of how Xurrent works for years, routing and classifying requests, drafting knowledge articles, and assisting users directly as a virtual agent, with 91% of customers already running it in production.”\u003C\u002Fblockquote>\u003Cp>這段我認為是整篇最有份量的地方，因為它把 release 從「未來規劃」拉回到「已經上線」。91% 這個數字是 Xurrent 自己提供的，我不亂加戲，但它確實代表一件事：這不是在空中畫餅，而是建立在既有 production 基礎上。\u003C\u002Fp>\u003Cp>白話講，新的 AI 功能不是從零開始，而是疊在既有的 signals、service data 跟 workflow 上。這很重要，因為 AI 最怕的不是模型不夠會講，而是你的環境根本沒什麼可讀的東西。資料亂、分類亂、關聯亂，最後只會得到一台很會講幹話的機器。\u003C\u002Fp>\u003Cp>我看過太多 service environment 的真實問題都不是模型問題，而是 taxonomy 爛、assignment group 過期、knowledge base 沒人維護、CMDB 一堆垃圾資料。這種情況下你上 AI，只是把混亂自動化。Xurrent 這次一直強調 service data 和 workflow，我反而覺得比「agentic」這個詞本身更值得注意。\u003C\u002Fp>\u003Cp>實操上，我會先做一輪 readiness check：\u003C\u002Fp>\u003Cul>\u003Cli>分類是否夠一致，能支撐自動分類或提示\u003C\u002Fli>\u003Cli>assignment group 是否還活著，不是歷史遺跡\u003C\u002Fli>\u003Cli>knowledge articles 是否夠新，能安全引用\u003C\u002Fli>\u003Cli>incidents 和 problems 是否有足夠關聯，能看出模式\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這四項只要有兩項很爛，你就先別急著上 agent。先整理資料，不然 AI 只是在幫你更快複製混亂。\u003C\u002Fp>\u003Ch2>真正的賣點不是 AI 很多，是它放在大家信任的地方\u003C\u002Fh2>\u003Cblockquote>“All governed by the platform your team already trusts.”\u003C\u002Fblockquote>\u003Cp>這句話聽起來很像廠商口吻，我知道。但我不覺得它空。enterprise 裡面，治理跟信任就是能不能上線的差別。Xurrent 明顯想把 Sera AI 包成平台內的受控能力，而不是一個另開政策文件、另做風險審查的外掛 AI 產品。\u003C\u002Fp>\u003Cp>翻譯一下就是：這波產品策略不是在賣新奇，而是在賣 adoption。最容易被團隊接受的 AI，通常不是最聰明的，而是用幾天之後大家就忘了它叫 AI、只覺得流程變順的那種。這種東西不酷，但真的會被用。\u003C\u002Fp>\u003Cp>我自己也比較相信這種做法。AI 如果出現在 request、incident、knowledge article、assignment queue 這些熟悉物件裡，團隊學習成本很低。相反地，如果它跑去另一個 portal，還要人重新學一套互動方式，採用率通常很慘。\u003C\u002Fp>\u003Cp>實操上，我會把導入問題改寫成「AI 出現在哪裡」，而不是「AI 能做什麼」。如果它能直接出現在系統記錄、queue 或 dashboard 裡， adoption 就比較有機會。最後跟主管講的時候，也不要講什麼 transformation，講這四個就好：\u003C\u002Fp>\u003Cul>\u003Cli>少切換上下文\u003C\u002Fli>\u003Cli>更快 triage\u003C\u002Fli>\u003Cli>更穩定的摘要\u003C\u002Fli>\u003Cli>更一致的 routing\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這才是能過會議的語言。其他那些很會喊的詞，通常只會讓人更想睡。\u003C\u002Fp>\u003Ch2>我會怎麼把這套 rollout 到自己團隊\u003C\u002Fh2>\u003Cblockquote>“Four new AI capabilities — from in-interface assistance to fully autonomous agents.”\u003C\u002Fblockquote>\u003Cp>這句話其實已經把 Xurrent 的產品路線講完了：不是單點功能，而是從 assistive 到 autonomous 的完整範圍。這種 framing 我覺得比較健康，因為它讓不同成熟度的團隊都能找到切入口，不會一上來就被迫接受最激進的玩法。\u003C\u002Fp>\u003Cp>白話講，這是一個分階段 adoption model。先從風險低的地方開始，證明有用，再慢慢擴大。這才是 enterprise service operations 的正常節奏。你如果一開始就把 agent 放到高風險流程裡，最後不是收到掌聲，是收到 incident review。\u003C\u002Fp>\u003Cp>我自己的做法會是三步走。第一步先開 Assist，讓它做摘要和相似 request 查找。第二步再開 Copilot，讓它針對固定類型的單做上下文問答。第三步才挑一個低風險流程交給 agent，讓它在 policy 內執行。不要反過來，真的會出事。\u003C\u002Fp>\u003Cp>如果要借 Xurrent 的邏輯，我會把 use case 切成三種：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Assist\u003C\u002Fstrong>：摘要、建議、找相似案件\u003C\u002Fli>\u003Cli>\u003Cstrong>Copilot\u003C\u002Fstrong>：針對記錄做上下文問答\u003C\u002Fli>\u003Cli>\u003Cstrong>Agent\u003C\u002Fstrong>：執行一個邊界清楚的流程\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣講給團隊聽很清楚，也比較容易跟資安、維運、主管對齊。每一步都對應不同風險和不同 success metric，不會整團人都在同一個模糊地帶打轉。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># ITSM Agentic AI rollout template（可直接改成你們內部版本）\n\n## 1) 先挑 workflow，不要先挑模型\n- 選一個高頻、邊界清楚的 service workflow\n- 定義 AI 介入的確切時機\n- 第一版一定要放在既有 ticket \u002F incident 畫面裡\n\n## 2) 分三層上 AI\n### Assist\n用來：\n- 摘要目前 request\n- 找相似 incidents \u002F requests\n- 提示下一步建議\n\n### Copilot\n用來：\n- 針對目前 record 做上下文問答\n- 解釋歷史、owner、impact\n- 草擬回覆給 specialist 審核\n\n### Agent\n用來：\n- 執行一個低風險 workflow\n- 只在明確 policy 與權限內動作\n- 每一步都寫入 audit log\n\n## 3) 必備 guardrails\n- 開 RBAC，不要讓 agent 到處亂跑\n- 記錄 prompts、outputs、actions\n- 設 confidence threshold\n- 高風險動作一律保留 human approval\n- 超出 scope 就直接擋掉\n\n## 4) 資料準備清單\n導入前先確認：\n- 分類一致\n- assignment groups 還有效\n- request \u002F incident 歷史可用\n- knowledge articles 有在維護\n- CMDB 或 service data 沒一堆過期垃圾\n\n## 5) Pilot 成功指標\n追這些就夠：\n- time to triage\n- time to assignment\n- time to resolution\n- 減少多少 context switches\n- AI 建議被接受的比例\n- AI 動作需要 rollback 的比例\n\n## 6) 上線節奏\n1. 先開 inline summarization\n2. 再加 contextual Q&A\n3. 只讓一個 agent 跑一個 bounded workflow\n4. 每週 review logs\n5. 有信任再擴大\n\n## 7) 決策規則\n- AI 不能在 system of record 裡工作，就先不要上\n- AI 不能解釋自己的建議，就先不要上\n- AI 不能被 audit，就先不要上\n\n## 8) 一句操作原則\nAI 在 service management 裡的工作，是減少 friction、保留治理，並且待在大家原本就會用的 workflow 裡。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我會真的丟給平台團隊的版本。它不花俏，但夠用，而且把治理、資料品質、導入節奏都講清楚了。比起喊 agentic，我更在意的是你能不能把它安全地放進既有流程。\u003C\u002Fp>\u003Cp>原始來源是 Xurrent 的產品更新頁：\u003Ca href=\"https:\u002F\u002Fwww.xurrent.com\u002Fproduct-updates\u002Fagentic-ai-xurrents-q2-2026-release\">Agentic AI: Xurrent’s Q2 2026 AI Releases\u003C\u002Fa>。上面這篇拆解裡，產品觀點和數字來自原文；流程判讀、導入建議和可抄模板則是我根據這份 release 延伸整理出來的。\u003C\u002Fp>","拆 Xurrent Q2 2026 AI 發佈怎麼把 Assist、Copilot、agent 分層塞進 ITSM，最後附可直接複製的 rollout 模板。","www.xurrent.com","https:\u002F\u002Fwww.xurrent.com\u002Fproduct-updates\u002Fagentic-ai-xurrents-q2-2026-release",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779140063861-o0jh.png","tools","zh","a87c9ef7-6731-4602-9d5e-b275e86d521a",[17,18,19,20,21],"ITSM","agentic AI","Sera AI","Copilot","workflow automation",[23,24,25],"Xurrent 不是只加 chatbot，而是把 AI 拆成 Assist、Copilot、agent 三層塞進同一個 service workflow。","真正的導入關鍵不是模型多強，而是資料品質、治理邊界和是否留在既有介面裡。","如果你要抄這套做法，先從低風險摘要與上下文問答開始，再往可審核的自治流程推進。",3,"2026-05-18T21:33:56.788859+00:00","2026-05-18T21:33:56.748+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":11,"relatedPosts":42},[32,34,36,38,40],{"name":21,"slug":33},"workflow-automation",{"name":19,"slug":35},"sera-ai",{"name":20,"slug":37},"copilot",{"name":17,"slug":39},"itsm",{"name":18,"slug":41},"agentic-ai",[43,49,55,61,67,73],{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"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":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"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":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"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":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"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":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"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",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"80f6f40b-3217-45e4-acff-7b2f6d261779","codex-workspace-limits-tell-you-why-zh","Codex 讓工作區限額錯誤說人話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780514293711-ltqa.png","2026-06-03T19:17:41.340056+00:00",[80,85,90,95,100,105,110,115,120,125],{"id":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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":126,"slug":127,"title":128,"created_at":129},"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"]