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。

遇到某本書抓錯時，就修正那本書的抽取邏輯，之後再抓同一本書就不會錯了。這套已經進化了很多版，但老實說還是實驗性質，目前不敢說對所有書都適用，非常歡迎大家一起改良～

Bonus：接上外部證據來源

在我自己的版本裡，筆記流程還能再往外接：像是接 OpenEvidence 做臨床實證補充，或是查詢健保給付規範的資料庫。

其中 OpenEvidence 的提問加 verify 這一組，我們把它獨立開源成另一個小專案 openevidence-tools。

這裡要特別致謝林醫師 htlin222。我原本是自己寫瀏覽器自動化去接 OE，被擋掉之後才看到他的作品，而後來讓這套查核真正成立的關鍵概念，幾乎都來自他近期的更新：OE 的 origin 欄位是混淆過的，解開後可以知道這段內容是從哪個資料庫撈出來的，因此能預測這條引用被錯置的機率；連 transitive citation（綜述引用了別人的數字、OE 卻把功勞算在綜述頭上）這個失效模式的命名、以及整套查核架構，也都是他的。我們加的是他沒做的那一半，也就是 OE 到底漏掉了什麼。細節寫在 repo 的致謝段與 NOTICE 裡。提醒一下：一定要做 verify，OE 是會引用出錯的。

其他的外部來源在流程文件裡設計成可插拔的擴充階段，有需要的人可以接上自己領域的資料來源。同樣的「不能靠印象唬爛」原則，我之前也寫進了讀論文的工具組，那篇在這裡。

用法：把 repo 丟給你的 AI

會來用這套系統的人，八成也帶著自己的 AI 助理，所以 repo 裡放了一份 AGENTS.md，是直接寫給 AI 看的部署說明。使用方式就是把 repo 丟給 Claude Code（或任何 coding agent），跟他說：

「讀 AGENTS.md，幫我把它裝起來。」

Repo 在這裡：github.com/drpwchen/textbook-to-note，MIT 授權。工具本身不含任何書的內容，請用自己合法取得的書（開放授權的 OpenStax 教科書就很適合拿來試）。

結語：學習從來沒有這麼容易過

這套系統做完之後，對一個專業主題取得快速、深入、教科書等級的理解，變成一件按下去就會發生的事。

我有時會想，以後的筆記會變成什麼樣子？也許會更傾向記錄「讀到某個東西時的靈光一閃」，而不是辛苦的整理歸納。雖然說實話，現在 AI 也已經能從知識地圖裡找出我以前沒想到的連結了🤣

學習變得前所未有的容易，早個幾年真的不敢想像這種便利。這套系統不限定於復健科，我想甚至不限定於醫學，希望它能幫助到所有需要學習的人！

如果有bug、改善建議，也歡迎提出開立issue / PR，讓這個系統越來越好！