我 3 月開始用 AI，6 月考過專科。考完之後它沒有停在考試那裡，慢慢變成我平常讀書的方法。這幾個月下來，做法分散寫在好幾篇工具文裡，每篇都只講一條產線，沒有一篇講它們合起來是什麼。這篇就是那個骨架：三個來源怎麼進同一個知識庫、庫建好之後怎麼把讀到的接到看到的病人身上、還有用 AI 學習的時候哪些事要留給自己。工具怎麼裝、法規細節怎麼查，都留給已經寫過的文章，這裡只給結構跟判斷。
一、三個來源，一個知識庫
臨床上會讀的東西就三種：教科書、演講、論文。以前這三種東西各自散在書架、手機錄音跟一堆下載下來的 PDF 裡，讀過就過了，要用的時候找不到。現在三條產線各自有工具，落點都是同一個地方。
教科書。專科指定參考書四十多本，同一個概念散在好幾本裡，我把自己做筆記的方法調教給 AI，讓它有根據、有頁碼地整理，這套寫在跨教科書自動筆記生產流程那篇。
演講。教室後面那片腳架森林錄下來的影片，多數人不會回去看第二次。我的做法是本機轉錄、抽投影片、整理成筆記，寫在 lecture-to-notes 那篇。
論文。這條最長，拆成三件工具：論文雷達每天自動抓、照我的興趣排序；paper-fetch 給它一個 DOI 就把全文抓下來；讀論文的 skill 把 journal club 那套評讀流程交給 AI，證據等級的判斷用小程式算，不讓它靠印象。
三條產線各自能用，但真正有意思的是它們的出口是同一個資料夾：一個純文字的 Obsidian vault，放在我自己的機器上。三種來源不是三套筆記，是一個庫。 這件事帶來兩個以前沒有的能力：
- 用意思找，不用記字。幾個月前讀到的東西，你不會記得當時用了什麼字，語意搜尋（semantic search）解決的就是這個，寫在會用意思找筆記的第二大腦那篇。
- 找相關的筆記。同一個主題，教科書那章、某場演講、最近一篇論文，它們之間本來沒有連結。加了圖檢索（graph retrieval）之後，找對相關筆記的比例從三成多升到八成多，細節在把圖檢索加進我的醫學 LLM Wiki。
這一切的前提是筆記得先是純文字、放在本機、任何工具都讀得到。我從 Evernote 搬到 Obsidian 的三年追蹤報告講的就是這個決定，那篇有一句話到現在還是對的：轉檔只是開始，真正的工作在轉完之後。
所以第一段的結論很短：讀到的東西不要讀過就算，要進庫。 三條產線只是讓「進庫」這件事不再花時間。
二、把讀到的，接到看到的病人身上
庫建好之後，考試考完之後，它的用途才開始。
以前讀書跟看病人是兩件事。書在書上，病人在診間，中間那條線要靠自己的記憶去接，而記憶會掉。現在多了一個做法：門診遇到的狀況，跑出問題，拿去跟 AI 討論，而 AI 讀的是我自己的庫。 它變成一個讀過我全部筆記的 consultant。
舉一個虛構的例子。一位七十多歲的女性，兩邊肩膀痛了大半年，之前打過幾次針，每次打完鬆一陣子，過幾週又腫回來，回診時肩膀還是脹的，手抬不過肩。X 光看起來就是很嚴重的退化。門診當下我會想幾件事：兩側一起來、抽掉又積回來的肩膀，還算不算單純的退化性關節炎、關節液抽出來要送哪幾項、之前聽過的某場肩關節演講講者說他自己遇到會先看什麼、最近有沒有論文比較過保守治療跟介入的結果。
這四個問題以前要翻四個地方。現在我把狀況重寫成一段一般化的描述，丟給 AI，請它從我的庫裡把教科書那章、那場演講的筆記、那篇論文的評讀一起找出來，對照這個問題。它回來的不是標準答案，是三個來源在這個問題上各自怎麼講、哪裡一致、哪裡不一致。判斷還是我的，但那個「翻四個地方」的時間省下來了，而且庫裡的東西因為被病人用到，才真的記得住。
這個例子對照出來的東西，教科書那條線最有話說。X 光看起來的「嚴重退化」本身就是線索：這一組表現指向的是 Milwaukee shoulder，老年女性、六成兩側、關節液抽出來量大又常帶血色，而 X 光的特徵是骨刺很少、破壞卻很重，跟原發性退化性關節炎骨刺多、破壞慢的樣子剛好相反。接下來要做什麼，教科書也寫得很清楚：先抽液送檢，驗細胞數、做結晶染色（鹼性磷酸鈣結晶不折光，偏光顯微鏡看不到，要用 alizarin red S 染），還有一定要一起送的細菌染色與培養，因為驗到結晶不能拿來排除感染。確認不是感染，關節內類固醇才進場；積液一直回填的，主力就是重複抽吸加注射。保守做滿了還是痛、手還是抬不起來，才是轉骨科評估逆置式人工肩關節置換（reverse shoulder arthroplasty）的時候。這一整則整理放在Milwaukee shoulder：反覆抽出大量積液的肩膀那篇。
送出去之前，有一道轉譯
上面那段有一個動作不能跳過：病人的狀況要先轉譯，才能拿去討論。
這裡容易犯的錯是以為把姓名跟病歷號換成代號就好。台灣的標準不是刪幾個欄位的清單，是「無從辨識特定個人」這個結果；而且只要還原用的對照表還在你手上，那份資料做的是假名化（pseudonymisation），不是匿名化（anonymisation）。這兩件事的法源、憲法法庭的判決、還有把資料往外送要過的三道關卡，我在病歷可以貼給 AI 嗎？我把台灣的規範查了一輪那篇逐條查過，這裡不重講。要把身分從病歷文字裡拿掉的工具在病歷不能就這樣貼給 AI那篇，它是第一道網子，不是保證。
對學習這個用途來說，有一個比「遮」更好的做法，而且剛好是法規文那篇的結論：不要送遮過的病歷原文，送重寫過的臨床問題。 上面那位肩膀的長輩，我要問 AI 的本來就是「老人家兩側肩膀反覆積液、打針只鬆一陣子，該想什麼」，這個問題不需要她的姓名、生日、哪家醫院、哪一天打的針。復健科的病歷特別容易從敘述本身認出人來，罕見診斷加上特定處置加上就診年月，三項湊起來常常就指向一個人，而這三項沒有一項是「欄位」。重寫成一般化的問題，唯一性在重寫的當下就被拆掉了。
而且這個轉譯本身就是學習。把一個活生生的病人重述成一個臨床問題，是 clinical reasoning 的第一步，這一步交給 AI 做反而可惜。
送出去的順序，法規文那篇也講清楚了：本機模型優先，院內部署次之，外部商業模型放最後；去識別化永遠排在最前面。學習用途的討論，多半走「重寫過的問題」就夠，根本不需要動到原始資料。
還有一件事要講準。衛福部 2026 年 5 月發布的「醫療機構應用生成式人工智慧指引」是行政指導，不是法律，適用對象是醫療機構。它把「個人研究、教育示範」跟「涉及真實病人資料或臨床作業流程」分開處理，前者參照指引原則辦理就好，後者屬於機構導入、建議走機構的評估流程。同一份指引也點名醫療機構的教育訓練應納入輸入安全（prompting safety）的觀念與實務操作。也就是說，「拿去識別化過的問題跟 AI 討論來學習」跟「在門診流程裡把真實病歷貼進 AI」，在指引裡是兩件事。分界怎麼畫、每一關看什麼，都在那篇法規文裡。
三、用 AI 學習，哪些可以外包、哪些不能
前兩段講的是把東西放進來、把病人接進來。第三段講一個更根本的問題：這樣學，會不會反而學不到？
先講一個讓我停下來想很久的研究結果。2026 年 7 月發表在 SSRN 的一篇追蹤研究，跟了中國一個縣兩萬六千多名七到十二年級的學生，追了三十個月，期間 AI 工具的使用率從接近零升到八成左右。結果是這樣：
| 指標 | 變化 |
|---|---|
| 作業分數 | +18% |
| 作業時間 | 64 分鐘 → 45 分鐘 |
| 月考成績（六個月內） | −20% |
| 升學考成績（兩年後） | −18% 到 −24% |
（數字取自 SCMP 與 The Decoder 的報導，預印本頁面目前無法直接開啟，作者全名我還沒核到，所以這裡只寫到出處層級。）
作業變好、考試變差，這個方向本身不算意外。真正值得記的是同一篇裡的另一句：作業時間跟不用 AI 的同學一樣長的人，考試沒有退步，作業還更好。 損失幾乎全部來自「把作業外包出去」的那群人。AI 本身沒有讓人變笨，是省下來的那 19 分鐘讓人變笨。
同一年 Brcic 與 Frljic 在 arXiv 上的一篇文章（The Effortless Trap）把機制講得更直接：同一個 AI 助手，改成不給答案、只給提示的版本，考試上的傷害就消失了。他們留下一句話，我覺得可以直接當判準：
如果讓 AI 進來之後，任務變得毫不費力，那它就放錯位置了。
程式領域也有對應的數字。Maier 等人 2026 年的 meta-analysis 整理了 23 篇研究，AI 輔助對生產力的效果量 g = 0.33，對學習的效果量 g = 0.14，而且後者不顯著。做得快跟學得會，是兩件事。
把這幾篇擺在一起，界線就出來了：
| 可以外包 | 不能外包 |
|---|---|
| 蒐集 | 投入 |
| 問答 | 整理 |
| 即時回饋 | 試錯 |
左邊三件事的共同點是，做完之後你腦袋裡不會多出東西，只是省下時間。右邊三件事的共同點是，它們本身就是學習發生的地方，外包出去就沒有了。
回頭看前面兩段，會發現它們剛好落在這條線的兩側。第一段的三條產線，做的全是「蒐集」：把書、影片、PDF 變成庫裡可查的東西。這是可以外包的，而且應該外包，因為那幾十個小時的轉檔跟切段，腦袋裡不會多出任何東西。第二段的「把病人重寫成問題」，是投入；「對照三個來源之後自己下判斷」，是整理跟試錯。這三件事我沒有交出去，也不打算交出去。
我準備專科考試那幾個月，AI 用得最多的三個地方，也都在左邊：
- 口試練習：我對著它講，它評分、指出哪裡漏了。講的人是我。
- 考古題：把題庫餵給它，叫它打亂順序考我，隔幾天再考一次。想答案的人是我。
- 整理教科書：四十幾本書的同一個概念散在好幾處，這件事交給它。讀進腦袋的人是我。
三個用法有一個共同的形狀：AI 站在回饋那一端，我站在投入那一端。 它從來沒有替我答過一題，但它讓每一次投入都有人接。
反過來的用法就是遇到不會的直接要答案。當下很順，但那跟研究裡外包作業的學生是同一件事：作業變好了，考試還是空的。所以我對自己的規則是：遇到問題時去問它、跟它討論、質疑它，而不是叫它給答案。 第一次自己想不出來的那段時間，就是研究裡說的那 19 分鐘，那段時間不能省。
四、AI 會的不用記，它不可能知道的才記
界線畫出來之後，筆記要記什麼就變得很清楚。
以前做筆記有一大半是在做「整理」：把教科書的某一章、某篇綜述的重點，用自己的架構重寫一次。這個動作在沒有 AI 的年代是必要的，因為不整理就找不到。現在教科書等級的整理已經可以交給第一段那三條產線了，問就有。
那我自己還要記什麼？答案是它不可能知道的東西：
- 自己的經驗：這個病人為什麼做了那個決定、後來怎麼樣了。
- 講師的經驗：演講裡講者順口說的「我在臨床上會這樣做」，那句話不會出現在任何教科書。
- 這個系統怎麼運作：醫院的 order 怎麼開、哪個科要怎麼會診、健保怎麼給付。這些每家醫院都不一樣，AI 不可能知道。
- 外面找不到的領域知識：小科、小技術、老前輩口耳相傳的那些。
- 靈光乍現的關聯：讀到 A 的時候突然想到 B。這個瞬間過了就沒了。
反過來說，可以快速取得的東西，不用花心思整理。醫學生時代那種把整章重抄一遍的筆記，我現在不做了。
這五類跟第二段其實接在一起。那位肩膀反覆積液的長輩，後來我決定先抽液送檢還是直接轉骨科、她三個月後怎麼樣了，這就是第 1 類；跟 AI 對照三個來源的時候突然想到另一個病人也是這樣，這是第 5 類。你記的不是知識，是知識跟你之間發生過什麼。 而這些東西要能發生，前提是那個病人真的被接回庫裡討論過。
五、怎麼跟 AI 一起維護筆記
庫會越長越大，筆記交給 AI 一起維護，有四條我踩過坑才定下來的規矩。
一個主題一則。 這條我在太多筆記，等於沒有筆記那篇講過，一句話帶過就好：同一件事有五個地方在講，等於沒有筆記。對 AI 來說這條更重要，因為它要改一則筆記的時候，得先找到對的那一則。五則同題的筆記，它改了其中一則，另外四則還是舊的。
筆記資料夾也開 git。 這條聽起來很工程師，但理由很生活：你要看得到它每次改了什麼。AI 動過的檔案，開 diff 一眼就知道它加了哪幾行、動了哪幾行。沒有這個，你只能相信它說的「我只有補充，沒有改動」。
每句盡量附來源。 哪本書第幾頁、哪篇論文。這不是學術潔癖，是因為筆記會越來越多，兩年後再看到一條數字，你需要知道它是從哪裡來的、要不要更新。附了來源的筆記，AI 也才有辦法幫你查「這條還是不是最新的」。第一段那三條產線出來的筆記每句都帶頁碼或 DOI，就是為了這一條。
新增便宜，改動昂貴。 這是四條裡最重要的一條。AI 更新筆記真正的風險，不是它漏掉新內容，是它會很安靜地改掉你舊筆記裡原本就對的東西，而你不會發現，因為輸出看起來仍然是一篇好筆記。漏掉可以回復，下次還會補；改壞不可回復，因為那條你已經查證過，不會再查第二次。新增的內容可以放行，改動既有內容的要先問過。這條怎麼做成工具，note-supplement 那篇有完整的設計。
有了這套方法之後
把五段收成一張圖。教科書、演講、論文三條產線把讀到的東西送進同一個庫；門診看到的病人狀況，去識別化、重寫成一般化的問題之後進來討論；討論裡冒出來的、AI 不可能知道的那些，寫回筆記；筆記變厚，下一個病人進來的時候能對照的東西更多。讀到的接到看到的，看到的又寫回讀到的，這是一個迴圈。
這樣做之後，讀書的時間沒有變少，但花的地方變了。以前一半的時間在整理，現在那一半拿去讀整理好的東西、拿去對著 AI 講一遍、拿去被它考、拿去把病人接回來。作業還是會變好，只是這次考試不會變差。