2023 年 8 月，我在 Evernote 的社團裡發了一篇文，講我想搬家但卡住了。那篇沒什麼人看到，但它記錄了一個很多人現在正在面對的處境，所以我想先把當年的脈絡講清楚，再講三年後發生了什麼。 這篇的重點 當年我卡在哪、怎麼判斷、最後選了什麼 2026 年的轉檔工具現況：多了一條走 API、不走 .enex 的新路 標籤到底保不保得住（我當年保住了，但故事沒那麼簡單） 轉檔只是開始，真正的工作在轉完之後 搬過來之後，這些筆記能做到哪些 Evernote 時代做不到的事 當年我卡在哪 問題很具體：我的筆記本身只有 30MB，附件卻有 20GB。 5,000 多則筆記，文字轉成 Markdown 一點都不難。難的是那 20GB 要放哪、以及怎麼在 iPhone 跟 Windows 之間同步。我當年把三條路都試過，每一條都撞牆： iCloud：在 Windows 上不即時同步 官方 Obsidian Sync：當年一個月 8 美金但只有 10GB，我有 20GB Git：單檔不能超過 100MB，一次要上傳下載這麼大的量，電腦跟手機都動不了 如果你全套是 Apple，iCloud 就沒問題；全套是 Windows 加 Android，OneDrive、Dropbox、Google Drive 也都沒問題。我的麻煩就在於兩邊都有。 那時候我同時在評估 Heptabase。它的優點很明顯：不限檔案大小、上手容易、開發者是台灣人、跟社群溝通很積極。但我試著把資料搬過去的時候，附件上不去、原本的標籤也匯不進來，白板功能看起來也還不太支援匯出。 那才是讓我做決定的點。 我剛經歷完 Evernote 的興衰，最怕的就是再來一次：哪天這個服務又出事，我搬不搬得走？當年我寫下這句話： 現在特別重視 future-proof，希望能永遠用下去。 最後我選了 Obsidian，並且把 vault 拆成兩份來閃過 10GB 的限制：一份放全部筆記加比較小的附件，另一份放工作上要隨時取用的檔案，其餘附件丟雲端硬碟，真要用再搜檔名。 這個做法很土，但它撐過去了。 三年後，這個 vault 長成什麼樣子 項目 數量 Markdown 筆記 5,664 篇 附件（圖片、PDF） 16,769 個 醫學筆記（一個疾病一篇） 2,520 篇 vault 總大小 約 14 GB 當年搬過來的是 5,000 多則，現在多出來的是這三年新長的：復健科的疾病筆記、論文整理、演講轉成的筆記、專案紀錄。 ...

用 AI 工作一陣子的人，大概都遇過這件事：同一個錯，你講過了，規則也請它記下來了，過幾天它又犯一次。 而且我不是沒有防：規則寫進了它的記憶檔、違規有計數器、還有每月的定期檢視，該有的機制都在。但七月底，我看著我的 AI 助理第三次犯下同一個錯（最後兩次只隔一天），才認真面對一個事實：「記得」跟「會做」是兩回事。而更意外的是，後來的調查發現，問題甚至不在它不記得，是我們整套「記錯誤」的系統，量尺本身壞掉了。 這篇想分享的，就是我們最後長出來的一套「AI 自我糾錯系統」的設計，以及中間最有趣的一段：我讓 AI 自己調查自己，還特別交代它「不要相信寫交班單的那個 AI」。 事情是怎麼爆開的 這陣子我陸續把一些自己做的工具開源（工具箱總整理裡的那些）。發布開源軟體有一套禮儀：改了什麼要寫進更新紀錄（CHANGELOG）、打版本標籤（tag）、在 GitHub 上建立正式的發布頁（release）。這些規則早就寫在 Claude 的記憶檔裡。 七月底某天，我點開一個剛發布新版的 repo，首頁看起來什麼都沒有。我第一反應是「你沒寫 CHANGELOG」。它查了之後回報：CHANGELOG 其實寫了，tag 也打了，漏的是最後一步「建立 release」，而那恰好是訪客唯一看得到的一步。回頭一查，前兩個版本也都一樣。 隔天我請它把我全部十三個公開 repo 掃一遍，結果挖出十五個同樣的缺口。更妙的是，就在稽核到一半的時候，它又犯了第三次同型的錯。規則就寫在它的記憶裡，它也讀得到，然後照樣犯。 關鍵的一問:「你以後真的會用嗎？」 它的第一個提案很自然：寫一支腳本，把正確的發版流程整個包起來。 我問了一句：「你以後會固定呼叫這支腳本嗎？」 它想了一下，誠實地說：不會。腳本跟記憶檔的失效模式一模一樣，都要它先「想起來」才有用。這個答案讓我們改變了做法：與其多一個要記得的東西，不如加一道攔截（hook，上手系列第二篇講過的關卡概念）：只要它想手動跑發版指令，動作會在當下直接被擋下來，只剩包好的正確流程能走。從「請你記得」變成「你想錯也錯不了」。 讓它調查自己，但不准相信自己 前面說過，揪錯的零件一直都在。所以問題比「沒有機制」更刁鑽：零件都在，錯還是溜過去了，到底卡在哪？ 這裡我們用了一個我很喜歡的設計。當天犯錯的那個 AI session 把來龍去脈寫成一份調查交班單，但裡面明白寫著一條： 交班單裡的自我迴避條款 「不要把我的假設當成計畫——這份文件是犯錯者本人寫的，幾乎必然被它的立場影響。請先獨立驗證診斷，再決定要不要建任何東西。」 接著換一個全新的 session 接手調查，手上只有可以重跑的驗證指令，沒有前一位的結論。 做過品質改善的人應該覺得眼熟：根本原因分析（root cause analysis）的調查，本來就不該由事件當事人自己主導。當局者迷這件事，對 AI 一樣成立。 調查結果：推翻了兩個前提 獨立調查翻出來的東西，跟交班單猜的不一樣。 第一，AI 並沒有隱瞞錯誤。我原本合理懷疑：違規次數是它自己記的，它會不會少記？結果翻遍紀錄，低報只有零星幾筆，而且是「自首了但記錯地方」。其中一個規則檔裡，它老老實實記了十二次違規，好幾次我根本沒發現。誠實度不是問題。 第二，問題出在量測層。幾個具體的發現： 計數無法歸屬：違規次數記在「檔案」上，但一個檔案裡合併了十幾條規則。帳面上的「違規 4 次」，追不回是哪一條規則的 4 次，這個數字沒有行動意義。 偵測器本身有 bug：負責從歷史對話裡撈「使用者糾正過什麼」的程式，寫死了只看最近二十筆，而且漏看一整類訊息格式。回頭驗證時發現，最關鍵的那筆證據，它從結構上就不可能抓到。 記錯帳本：有三筆真正的違規，被寫進了另一本記「工具摩擦」的帳，正好躲過所有檢查。 還有一個反轉：交班單斷言「這些計數完全沒有版本紀錄，無從稽核」。錯了——記憶目錄其實一直有自己的 git 版本庫，一千多筆自動存檔，稽核軌跡從頭到尾都在，只是被上層設定蓋住，連 AI 自己都不知道。 換句話說：這個系統不缺零件，缺的是接線。計數器沒有人讀、偵測器壞著、帳本記錯棚。在量尺壞掉的情況下加更多自動化，只是把錯的數字算得更快而已。所以後面的修法幾乎沒有新建什麼大東西，都是把既有的零件接起來。 最後的設計：四條原則 修完之後，整套系統收斂成四條原則。它們不是 AI 專用的，你會發現每一條在醫院的品質管理裡都有對應物。 一、錯誤要記成「可歸屬的事件」，不是一個數字。每次違規記一行：日期＋哪一條規則＋一句事實。計數是用數的，不是用手改的。（對應：異常事件通報寫事件經過，不是只在統計表上加一。） ...

這是 AI 上手系列的第三篇。第一篇講怎麼裝起來，第二篇講怎麼跟它講話、怎麼設關卡。 第二篇的結尾我說：難的從來不是「怎麼問」，是「怎麼設計流程」。 這篇要把那句話收掉。答案可能跟你想的相反：流程不是設計出來的，是長出來的。 最常見的卡點：「我不知道要怎麼開始規劃」 我被問過很多次類似的問題：「你那套自動化好厲害，我要怎麼規劃我自己的？」 老實說，我從來沒有規劃過。我三月的時候只做了一件事：挑了一件每週都在重複的小事，叫它做一次。 今天回頭看，我的規則檔、十幾個 skill、一堆自動排程，沒有一個是事先設計的。每一個都是同一件事重複了幾次之後，才「升級」成現在的樣子。 所以如果你卡在「不知道怎麼開始」，好消息是：你不需要想清楚才開始，你只需要開始得夠小。 起手式：五件事講清楚，其他都不用 挑好那件小事之後，交代它的時候把這五件事講清楚。這不是我發明的，是把官方 best practices 濃縮成非工程師版本： ① 目標講清楚：你要什麼、給誰用、拿去做什麼。「幫我整理逐字稿」不如「整理成 SOAP 格式，這是要放進病歷系統的」。 ② 只補它不知道的：你們科的慣例、單位的格式、只有你知道的眉角。模型已經會的不用教：SOAP 是什麼不用解釋，你們科的 SOAP 長什麼樣才要講。每一句廢話都在稀釋它的注意力（原因寫在第二篇「為什麼它會越聊越笨」那節）。 ③ 界線先講：哪些檔案不准動、哪些事要先問過你。而且真正的紅線不要只用嘴巴講，第二篇的三層機制（hooks / permissions / CLAUDE.md）就是拿來放這個的。 ④ 訂「怎樣算做完」：這條是官方排第一優先的建議，也是我覺得投資報酬率最高的一條。給它一個它能自己跑的檢查： ❌「幫我整理這些逐字稿」 ✅「整理完自己檢查一遍：每一份都要有四段、每段都要有內容，缺的標出來給我」 ⑤ 先跑一個爛版本：不滿意再一句話改。迭代永遠比一次寫滿快。 就這樣。不用畫流程圖、不用寫規格書。 流程怎麼長大：重複第三次，就升一級 真正的重點來了。你的「流程」不是某天坐下來設計的，它是照一個很簡單的規則長出來的： 同一件事重複到第三次，就往上升一級。 你發現自己在… 升級動作 成本 同一句話講第三次（「回我繁體中文」） 寫進 CLAUDE.md 一行字 同一套多步驟流程做第三次（先轉檔、再整理、再歸檔） 包成 skill：跟它說「把剛剛這整套存成一個 skill」 一句話 發現某件事絕對不能出錯（改到原始檔、送出病人資料） 交給程式關卡（hook / permissions） 要動手設定，但一勞永逸 三層的差別在第二篇講過了，這裡只補一句：寫在規則裡是建議，做成機制才是保證。 界線越重要，就該住在越下面那層。 這個階梯還有一個隱藏的好處：每一級都是你已經驗證過的東西。你不是在憑空設計一個 skill，你是把一套「已經手動跑成功三次」的流程存起來而已。設計可能會錯，重複不會。 驗收的習慣：這篇最重要的一節 起手式的第④點（訂「怎樣算做完」）值得單獨拉出來講，因為它不是五件事之一而已。它是整套方法裡唯一「做與不做會決定你能走多遠」的習慣。 驗收有三個層次，照順序養成： 層次一：單次驗收。 每個任務交代時就附上檢查方法，讓它做完自己查（「每一份都要有四段、缺的標出來給我」）。這是起手式教的。 層次二：可重跑的驗收。 把檢查存下來，變成隨時可以再按一次的按鈕。差別很大：單次驗收保證「這次做對了」，可重跑的驗收保證「以後改東西也不會弄壞它」。工程師管這個叫回歸測試（regression test），但概念本身跟程式無關：哪怕你的檢查只是「數一數每份紀錄都有四段」，能重跑，就有資格叫驗收。 層次三：驗收先行。 這是官方 best practices 裡明講的工作流：先寫檢查、確認它現在會失敗，再叫 AI 做到通過。聽起來像工程師的儀式，翻成白話就是：開工前先給它看一個「做對了長這樣」的具體例子。它有目標可以自己迭代，你也不會做完才發現彼此想的不一樣。 ...

之前分享過幫 AI 裝省錢儀表板，那時候主要在看「花了多少錢」。用到現在，我發現真正會痛的其實不是錢，是額度：Claude Code 的訂閱制有 5 小時和 7 天兩個滾動視窗，用滿就是停給你看。 這篇來分享我們為此做的開源小工具：claude-pacer（github.com/drpwchen/claude-pacer）。 為什麼會想做這個？ 起點是好幾次的半夜斷頭。 我很常睡前丟一個長任務給 Claude：批次整理講座逐字稿、跑論文雷達、掃描教科書轉筆記。想說睡醒收成果，結果凌晨兩點撞到 5 小時上限，任務被硬生生停掉，隔天起來看到的是做一半的殘局，還要幫它收拾。 AI 工作起來不知道累，但它完全沒有「額度快用完了，該先存檔」的概念。 另外還有幾個多工時的日常小困擾： 開了四五個視窗，忘記哪個在做什麼：每個終端長得一模一樣，切過去要先滾一下對話才想起來。 不知道還剩多少可以跑：現在派一批 agent 下去，會不會跑到一半全家斷頭？ 忘記模型切在哪一個：早上開 Opus 處理難題，下午拿它跑雜事，額度就這樣蒸發了。 市面上不是已經很多狀態列工具了嗎？ 對，而且都很好！ccusage、ccstatusline、CCometixLine 都是很成熟的作品，用它們完全沒問題。自動續跑的腳本也找得到，不過它們的做法是盯著畫面等「撞到上限」的訊息出現，再自動幫你按 continue：任務死在哪就斷在哪，檔案改到一半也照斷。 但我想要的多一點：狀態列是做給「人」看的，人半夜在睡覺；真正需要看到警戒的，是還在跑的那個 AI。撞牆之前它的行為就該先改變：85% 起不再開新的大工程，93% 把手上的步驟收乾淨再停，然後自己排好額度恢復後從同一個對話接續。所以 claude-pacer 是三層設計： 第一層：狀態列，給人看 一行看完所有狀態： 對話主題 │ 5h ▓▓▓┃░░ 42%·剩2h13m │ 7d ▓▓▓▓┃▓░ 71% │ Ctx ▓▓░░░░ 34% │ Fable 5·high 對話主題：用 Claude Code 自己生成的 session 標題，多開視窗每個都有名牌。 用量長條上疊一個時間記號 ┃：實心條超過記號，代表你燒得比時鐘快，該收手了；還沒到記號，就可以放心繼續派工。 Ctx：context window 滿度，快被 compact 之前先心裡有數。 模型＋推理強度掛在最右邊，忘記切回來之前就會先看到。 寬度是自適應的，終端變窄會自動換緊湊版，手機上看也不會爆版。 第二層：budget-guard，給 AI 看 這層是整個工具的起心動念 ...

這是一篇會一直更新的文章。 我把自己做的工具都開源放在 GitHub 上，陸續有人跟我說：「東西看起來很厲害，可是我連第一步該幹嘛都不知道。」也有人問我：「GitHub 是什麼？我點進去看到一堆檔案，然後呢？」 所以這篇不是介紹工具，是帶你把第一個跑起來。 已經在用 Claude Code 的朋友，直接跳到 第 4 節。 最後更新：2026-07-24 先花 30 秒確認這篇適不適合你 讀完你會做到的事：在自己的電腦上，丟一個論文的 DOI 給 AI，十幾分鐘後拿到一份有引用查核、有證據等級的評讀報告。或者丟一本 PDF 教科書給他，讓他整理成一篇一篇帶出處的筆記。 你需要準備的： 一台電腦（Mac 或 Windows 都可以，醫院／公司電腦也行，不需要系統管理員權限） Claude 的付費訂閱，Pro 就夠了（約 US$20/月）。免費帳號不支援 Claude Code，這是硬條件 不需要會寫程式。真的。你需要的是「會複製貼上指令」跟「看到紅字錯誤訊息不要嚇到，把它整段貼回去問 AI」這兩件事而已 如果這兩件事你做得到，就繼續往下 👇 — 1. 同一個人，只是工具長大了 先講一段我自己的時間軸，因為我覺得這比任何教學都重要： 三月：第一次把 AI 搬到自己的電腦上，做了語意搜尋、把上課錄影自動轉成筆記。那時候我每做一件事都要手動貼一段「你只能根據我給的資料回答」的咒語，盯著它會不會亂講，每一步都要按確認，煩到快瘋掉 四到五月：慢慢把轉書、抽圖、OCR 磨成一條生產線，開始把重複的事變成一鍵 六月：一邊準備專科考試，一邊架了論文雷達、復健課程雷達，會自動推播新東西給我 七月：門診智慧病歷、額度守門、讓兩個 AI 互相審查對方的產出。開始在「管一群 AI」 中間我沒有變聰明，是工具長大了，加上我學會把每個踩到的坑寫成一條規則。 我講這個是想說：你現在就是我的三月。而且你比當年的我幸運，你一開始拿到的工具，就已經是好用的版本了。 2. Claude Code 不是聊天機器人 這是最多人卡住的地方，卡住的原因不是技術，是觀念沒轉過來。 ...

上一篇 《從零開始》 講的是怎麼裝、怎麼跑起來。 這篇講的是用得好，而這跟裝得起來，是完全不同的一件事。 我發現真正決定成效的不是你用哪個模型、不是你會不會寫程式，是你怎麼交代事情、怎麼設關卡。這篇的東西不綁特定工具，你用 ChatGPT 也適用（最後一節會講差在哪）。 三個心法 心法①：它像個很聰明、但記憶有限的新人 它知道很多，但它有一張有限的桌面。塞太多東西就會顧此失彼、會忘記你前面講什麼。 用交班來比喻最好懂：講重點、講清楚，別把整本病歷從頭念一遍。 所以你要主動幫它保持桌面乾淨：一個任務講清楚、講完就 /clear 重開，不要一路累積用不到的東西。 （為什麼會這樣、成本怎麼算，我在 AI Token 經濟學系列 寫了四篇，這裡先講結論。） 心法②：用機制管，不要只靠它自律 這是我覺得最多人做錯的一件事：大家都在 CLAUDE.md 裡寫規則，然後抱怨它不聽話。 問題是，那份檔案在官方的定位裡，是「參考資料」，不是「強制設定」。官方文件講得很白： Claude treats them as context, not enforced configuration. （Claude 把它當成脈絡，不是被強制執行的設定。） 真正能管住它的機制有三層，強度差很多： 層級 是什麼 強度 適合放什麼 ① hooks 在它要動手的那一刻，由你的程式攔下來檢查 ⭐⭐⭐ 程式性強制，模型無法忽略 「這件事絕對不准發生」 ② permissions settings.json 裡的 allow / deny / ask 清單 ⭐⭐ 硬性擋下，但只認工具與指令樣式 「這類操作要先問我 / 永遠不准」 ③ CLAUDE.md 一份它每次開工都會讀的文字說明 ⭐ 靠它自律，可能被忽略 「通常我們這樣做」的慣例與風格 ① hooks：把規矩變成程式 hook 是掛在它生命週期上的一段程式。最常用的是 PreToolUse：它要動手之前先跑你的檢查，你的程式回傳「拒絕」，這個動作就執行不了。 關鍵差別在這裡：被 hook 擋下來的動作，不會回頭讓模型去想替代方案。它不是「勸退」，是「做不到」。 ...

為什麼「太多筆記」跟「沒有筆記」是同一件事 先講一個我很早就認定、到現在也沒改過的規矩：我的筆記庫裡，一個主題只能有一則筆記。 不是因為潔癖。是因為同一件事如果有五個地方在講，我查東西的時候就得開五個檔案，還要自己判斷哪一版才算數。那個整理的工作沒有消失，只是原封不動地留給了未來的我。 而未來的我通常正在看診、正在趕投影片，沒空做這件事。資訊太多造成的混亂，跟資訊不足是同一種痛苦。 這條規矩在只有一個素材來源的時候很好守。難的是後來，來源越長越多，而且沒有一種會停下來等我： 教科書 → textbook-to-note，把自己的 PDF 教科書轉成有出處、有架構的筆記（repo） 論文 → paper-radar 追蹤、paper-fetch 抓全文、paper-review-and-digest 評讀與內容整理 演講 → 還沒整理好，是目前唯一還沒開源的一支 這些工具解決的都是同一件事：把外面的東西變成看得懂的素材。它們讓素材的產量變高了，但那條「一個主題一則筆記」的規矩沒有因此變好守，反而變難守。 所以整套架構是兩層，界線畫得很硬： 素材庫：外面進來的東西全部丟進去，原樣留著、隨時可以回頭溯源。它可以雜、可以重複、可以互相矛盾，因為它的職責只是「保存證據」。 主題筆記：屬於我自己的部分，一個主題永遠只有一則，放在獨立的資料夾、照同一份模板寫。它是我唯一信任、也唯一會拿去用的那一份。 素材不是筆記 這條界線一旦模糊掉，筆記庫就會退化成一個比較漂亮的下載資料夾。 而把素材的內容併回主題筆記的那個動作，就是這兩層的交界處。這篇要講的 note-supplement，做的就是那一件事。 那也是整條線裡我卡最久的一段。從零寫一份新筆記，AI 做不好你一眼就看得出來：架構亂、沒出處、內容空。但「把新素材補進一份已經存在的筆記」不一樣。我有幾千則筆記，每一則都是過去某個時間點的我認真查證過的結果。 為什麼「幫我更新筆記」這句話這麼危險 直覺做法是把新素材丟給 AI 說「幫我更新這篇筆記」。我吃過幾次虧才想清楚問題出在哪： AI 更新筆記真正的風險，不是它漏掉新內容，而是它會很安靜地改掉你舊筆記裡原本就對的東西。 而且你不會發現，因為輸出看起來仍然是一篇好筆記。 這兩種錯誤的代價完全不對稱： 漏掉新內容：可回復。下次讀到同一份素材、或同一個主題再出現，你還有機會補。 改壞舊內容：不可回復。因為那條內容你已經查證過了，你不會再去查第二次。它從此就以錯誤的樣子留在你的筆記庫裡，還帶著你自己給它的信任。 一旦看清這個不對稱，整個工具的設計就只剩一句話。 設計原則：新增很便宜，改動很昂貴 每一輪，note-supplement 會把素材跟既有筆記對三件事： 哪些是筆記沒有、可以補進去的 哪些是兩邊講得不一樣的 哪些是筆記本來就有、素材沒提到的（這些一律不動） 然後把每一項變更先分類，再決定誰有權限執行。 自動放行的：帶引用的新增 多一條有出處的內容，不會傷害筆記。所以「新增事實 bullet 且帶引用」這類變更直接寫入，記進 changelog。 （有一項後來被我從自動放行拿掉了：把散落的 bullet 收成表格。它看起來只是排版，實際上是把每個事實重新塞進欄位裡，這是改寫不是新增，而且欄位錯位這種壞法無聲無息，產出還比原本更整齊。現在它要問過才做。） 不做「破壞性」裁決的：事實矛盾 這一段是我改最多的地方，也是這個工具第一版最大的設計錯誤。 第一版的規則寫得很硬氣：只要有事實矛盾就送審，不管哪一邊的證據看起來多強，一律不自動裁決。 聽起來很負責。實際跑了一段時間，我發現兩件事： 一、待審清單不是安全機制，是拖延機制。 清單一長，人就會一路按過去，所謂「留給你判斷」，實際效果等於「自動套用，只是多按了幾下」。而且報告每一條後面都有一行「我的建議是⋯」，那行字會定錨，你多半就照著它按了。那不是我在判斷，是它在判斷，只是排版比較客氣。 二、不決定本身就是一種決定。 衝突躺在清單裡的那段期間，筆記裡那條可能已經過時的舊說法，仍然是唯一被寫在那裡、被我信任的版本。「不裁決」的實際效果是「舊的自動贏」，而這個政策我從來沒有主動選過它。 所以 v1.1 換了個立場：不是不裁決，是不破壞。 矛盾先分兩個軸分類： 類型：是同一本書、同一份 guideline 的新版取代舊版（那不是真的爭議）？是兩個各自可信的來源真的講不一樣？還是筆記那條根本沒出處、而素材那條有？ 風險：這個值弄錯了會怎樣。劑量、閾值、禁忌症、紅旗徵象算高風險；盛行率、命名沿革、背景知識算低風險。這個軸是一個可以調的旋鈕，不同領域刻度不一樣，醫學筆記只是刻度最嚴的那一端。 然後照分類路由：新版取代舊版直接更新，但舊的值用刪除線原地留著、附上原本的出處和日期，一個字都沒有消失；低風險的分歧，直接在筆記裡就地寫成一個區塊： ...

最近在準備給治療師夥伴的 AI 上手講座，想說來個進階清單，把我平常用的工具、寫過的程式都列出來，這樣想做某件事的時候，可以快速對照「這個功能該找誰」。這也是我自己一直想整理的東西，趁這次一次寫完整。 這篇不挑受眾、不做刪減，從 AI 助手到家裡的備份系統全部列出來～用法是先找到你的需求分類，再看那一節的表。標 ⭐ 的是我自己寫、已經開源的程式，歡迎直接拿去用；標「免費」的都是我實際在免費額度內用的。（太愛免費了，全部幾乎都沒付錢 XD） 目錄 一、AI 主力與引擎 — AI 助手與協作主力・免費雲端與本機 AI 引擎 二、聲音與文件處理 — 語音轉文字・文字轉語音・OCR 三、學習與知識管理 — 筆記與個人知識庫・臨床資料去識別化・論文與臨床實證・考題練習 四、對外發布：網站與信箱 — 架網站與 Cloudflare・網域信箱與寄信 五、自動化與自架後盾 — 自動化排程與通知・家庭伺服器與智慧家庭・備份與不斷電 怎麼開始？ 一、AI 主力與引擎 AI 助手與協作主力 工具 做什麼 免費？ Claude Code 能讀寫檔案、執行程式、把事情「做完」的 AI 代理，我所有工作流的中心 訂閱制 claude.ai 網頁版，卡關時換乾淨對話問、手機臨時查 有免費層 Gemini 查資料廣度強、原生吃 PDF 和圖片，當第二意見 有免費層 OpenAI Codex 程式卡關找不同解法、對抗式 code review ChatGPT 免費帳號可用 herdr 多工終端管理器，讓好幾個 AI 任務同時在背景長跑、隨時切換 ✅ ⭐ claude-pacer Claude Code 的用量油表＋自動煞車：狀態列顯示額度，快撞上限時先收尾、額度重置後自動續跑 ✅ 開源 Claude Code 是這份清單裡少數我付錢、而且付得心甘情願的東西。它不只是聊天，這個部落格、下面所有我寫的工具，幾乎都是我跟他一起完成的。其他 AI 我當第二意見用：Gemini 查資料、Codex 挑毛病。要注意 Gemini 免費層的資料會被拿去訓練，敏感內容不要餵；Codex 記得先到設定把訓練關掉。 ...

緣起 我從醫學生時代就很愛做筆記，這些年累積了幾千份醫學筆記。但老實說，在資訊取得這麼容易、要學的東西又這麼多的現在，已經很難再把每一份筆記都按照自己的架構做到相同品質了。 另一方面，在現代資訊越來越多的時代，能信任的高品質來源反而變得珍貴，這時教科書就是很好的資訊來源。不過復健科專科考試指定參考書就有四十多本，同個概念可能散在好幾本書的不同章節裡。要真的把它們都念過，幾乎是不可能的事。 很幸運這年代有了 AI，這類大型語言模型 (LLM) 擅長處理的就是這樣的長上下文處理，可是一次丟給他幾百本教科書也不切實際。這時就搭配好的內容搜尋與資料庫管理，並且把我做筆記的流程講清楚、調教給 AI，能夠避免幻覺下，確保AI有根據、有架構地產出筆記，我只要用心把整理好的高密度資料吸收進腦袋就好。 於是這變成了一個大型的教科書 LLM Wiki 專案：把書本轉成 AI 容易讀取的格式、精準找到目標章節、按照我的架構整理呈現、從教科書把重要圖片抓進筆記，最後還能跟既有筆記整合。 今天把它開源了，這篇來講講中間過了哪幾關。 第一關：把書轉成 AI 適合讀的格式 直接把 PDF 丟給大模型有幾個坑：又慢又貴（上千頁的書逐頁讀，token 開銷很可觀）；掃描頁和字型編碼壞掉的頁面，他會若無其事地跳過，你不會發現筆記裡少了東西；圖片則是直接消失。 我的解法是把重活全部留在本機：文字抽取用 PyMuPDF，每頁約 0.13 秒、0 token。掃描頁走本地 OCR 階梯（Surya → PaddleOCR-VL → 本地視覺模型），真的都失敗才輪到大模型親自看。比較特別的是兩個細節： 靜默失敗偵測：用字型風險、字元密度等規則，抓出「看起來有抽到字、其實是亂碼」的頁面 雙欄排序：教科書常是雙欄排版，直接抽會把左右欄句子交錯在一起，而且亂碼偵測抓不到這種錯。我們做了欄位偵測，確保閱讀順序正確 第二關：把書切成可搜尋的單位 書轉好了，AI 要怎麼找到內容？傳統的目錄（index）不夠用，因為一個主題常散在好幾章；自己上 tag 也不實際，維護不完也切不夠細。答案是語意搜尋（semantic embedding）：把內容變成向量，用意思找而不是用關鍵字找。 這裡有個容易被忽略的設計：chunk（切塊）不是無腦固定字數。切太小會失去脈絡，切太大會稀釋語意。我們選擇照標題結構切塊，並保留每塊的上層章節脈絡，讓搜尋結果撈回來的每一塊都是有頭有尾的完整概念。 第三關：在幾十本書裡找到對的那本 跨書搜尋的底層，就是我之前開源的 vault-search 那套方法（那篇的介紹在這裡），本地 LanceDB 加 bge-m3 embeddings，資料不出自己電腦。 在這之上我們還加了一層：重點書目加權。考試指定用書、學會官方教科書，搜尋時分數會被調高，另外也有依出版年份的新舊加權。同一個主題，AI 會優先引用你最信任的來源。 第四關：建立寫筆記的 algorithm 與原則 工具都有了，真正決定筆記品質的是流程設計： 先盲寫：AI 先不看我的既有筆記，獨立從教科書查完完整資料寫草稿，最後才合併。這是為了避免被舊筆記的結構和內容干擾 Template 是抓取的依據：每種主題有固定模板，這個設計很重要，AI 知道該去書裡找哪些東西，我每次閱讀也知道會有哪些段落，吸收速度快很多。repo 裡直接附上我每天在用的五套模板（中英雙語），可以照著改成自己的 為理解而設計的段落：像是開頭的 Summary、結尾的 management algorithm，這種段落的存在本身就是在協助理解，不只是資料的堆放 沒有引用就不算數：每條主張都標到書名＋章節，AI 用自己知識補的內容一律標記為推論 第五關：從書裡抽出圖片 這是整套系統最難的部分，因為每本書的排版邏輯都不一樣。我們的做法是先有一套通用方法（幾何比對：圖說跟最近的圖像互相認領），配上決定論的 audit：留白檢查、文字滲入檢查，規則過了才算過，AI 說了不算，而且全程用省 token 的方式在本機執行。 ...

最近陪伴一位長輩，他跟我說：「人生其實不用活那麼久啦，我都 80 幾歲了，幹嘛還要去運動健身呢？我也都每天出門走路好幾趟呢，已經很好了！」 老實說，前半句「人生不用活那麼久」把我問住了。那是人生意義的問題，不是我在門診能三兩句回答的。但後半句「走路好幾趟就夠了」，剛好是我的本業，這個我有把握：走路很好，但對一位 80 幾歲的長輩來說，光靠走路其實不太夠，這篇後面就從這裡講起。 我把這個困惑貼到臉書上，張舜欽學長一個人就回了我一大串很棒的想法：動機式晤談、老年醫學的「復能」、還有一個我完全沒聽過的「超越老化」，甚至提醒我失智長輩「自覺很好」但家屬其實照顧得很辛苦的兩難。這些角度比我原本的困惑深太多了。 所以我做了一件這個時代很好玩的事：把學長丟出來的這些概念，一個一個交給 Claude，請他從我轉成資料庫的 250 多本教科書、還有 PubMed 上的論文裡查證、抓重點，再一起整理成筆記。這篇就是那份筆記的科普版，我把整件事拆成五個問題，從「到底要不要運動」一路問到「如果他就是不想呢」。（每個主題後面也都有更完整的筆記可以點進去看。） 每天走那麼多路，還需要「運動」嗎？ 這題是我的本業，可以講得很有把握。先講結論：走路很好，但單靠走路不夠。 走路是很棒的有氧活動起點，對心肺功能有幫助、風險低、隨時能做，官方指南也把它列為 65 歲以上的首選有氧活動。但對一位 80 幾歲的長輩，它有三個補不到的洞。 第一，對肌少症（sarcopenia）幫助有限。肌肉流失從中年就開始，到 80 歲時肌肉量已經掉了大約 30%，而走這種低強度有氧擋不太住，真正要對抗肌少症得靠阻力訓練。 第二，走路對預防跌倒的證據其實不足。這點蠻反直覺的，我原本也以為多走就會比較穩。但老年復健的教科書寫得很直接：沒有科學證據支持快走能降低跌倒風險；走路或阻力訓練「單獨」做，對跌倒可能都沒有顯著效果，要搭配平衡訓練才行。真正能把跌倒受傷降低 32 到 40%、骨折降低 40 到 66% 的，是多元運動（multicomponent exercise），也就是阻力、平衡、有氧一起來。 第三，老化流失最快的是爆發力（muscle power），走路練不到。 爆發力跟「跌倒當下能不能及時跨一步穩住」這種功能關係最直接，衰退速度比一般肌力還快，需要專門的快速用力訓練。 那 80 幾歲練阻力訓練還有用嗎？有，而且到 90 幾歲都還有效。 老年復健的經典證據顯示，即使進入人生的第九個十年，肌肉無力仍然可以靠肌力訓練逆轉。安全性方面，風險主要來自設計不良的課表，不是訓練本身；衰弱的長輩避免測極限重量、避免憋氣用力就好，真的很虛弱、甚至臥床的，也可以從床上運動開始，「永遠不嫌太早，也永遠不嫌太晚」。 還有一個我覺得很重要、值得講出來的觀念：運動指南其實沒有「80 歲以上」的獨立版本。 WHO、ACSM、美國的身體活動指南，全都用「65 歲以上」當一個群組，然後改用功能狀態（有沒有衰弱、有沒有肌少症、心肺能不能負荷）去分層，而不是用年齡切。換句話說，決定運動處方的是「這個人的身體狀況」，不是「他幾歲」。 為什麼「叫長輩運動」常常沒用？ 因為我們常常用錯階段的工具。 這裡要講一個很實用的架構：跨理論模式（Transtheoretical Model）的行為改變五階段，從前思期、思考期、準備期、行動期，到維持期。 關鍵的錯配是這樣：會說「我都 80 幾歲了幹嘛還運動」的長輩，其實正處在前思期，也就是根本還沒打算改變。而我們最習慣做的事，擬計畫、訂課表、要他承諾，其實是準備期到行動期才用得上的工具。工具跟階段對不上，講再多都是白費力氣。 （那「講不運動的後果」呢？那其實是前思期就該做的事，用來喚起他的問題意識，重點是讓他自己意識到，而不是拿來當成要他明天就開始運動的命令。每一階段各自該怎麼做，我整理在行為改變的五個階段這篇筆記。） 而且前思期不代表懶惰。教科書指出，前思期的成因常常是資訊不足，或是過去嘗試失敗的挫折感。長輩那句「幹嘛還運動」，背後可能是曾經試過、放棄過的無力，而不是不在乎。 長者要不要持續運動，最重要的決定因子是他自覺的健康狀態；而最大的障礙，往往是怕運動會受傷、會痛、會讓身體更差。 小訣竅 這裡還有一個老年獨有、很隱微的障礙：家人那句「別太累了，我來就好」，聽起來是關心，其實傳達的是「你太老、太虛弱了」，反而把長輩推離運動。 那到底該怎麼開口？ 答案是動機式晤談（Motivational Interviewing），核心是引出對方自己想改變的理由，而不是灌輸。 這也是張舜欽學長提到的方法，我特別去翻了 Miller 和 Rollnick 2023 年的原著。 它的精神可以用 PACE 四個字記：夥伴關係（Partnership）、接納（Acceptance）、同理關懷（Compassion）、賦能（Empowerment）。其中「賦能」我覺得最關鍵：相信長輩本來就有改變的能力，我們的角色不是塞給他缺的東西，而是肯定並幫他善用他已經有的能力，同時尊重他自己選擇的權利。 ...