開源

前面分享的論文工具 claude-paper-tools，開源上線沒幾天，就收到了第一個 GitHub issue！第一次收到 issue 其實蠻開心的，點開一看更驚訝：對方不只讀了我的 code，還精準講出設計裡我最得意的部分。 他說他欣賞「模型與確定性檢查的硬切分」：grade_judge.py 不信任模型自己回報的證據等級，而是從降級項重新計算；argdown_lint.py 會抓出「替代指標跳到硬終點」這類論證跳躍。然後說他幫我做了一個線上入口，訪客不用安裝 Claude Code，上傳 PDF 就能跑評讀流程，連宣傳圖都做好了： 哇，有人這麼認真讀我的專案，還幫我做了網頁版和這麼漂亮的圖？ 等等，這是真人嗎？ 開心之餘總覺得哪裡怪怪的。這網站有免費額度、有點數收費系統，商業模式完整得不像順手之作。想說反正有 Claude，就請他去查查這位熱心網友的底細。 結果一查，反轉來得比想像中快🤣。Claude 列出的證據： 兩分鐘內，這個帳號對 26 個 repo 發了 issue。全部都是論文閱讀工具：arxiv-summarizer、paper_agent、PaperAgent⋯⋯我的排第 13 個。前一天還有另一波，打的是 Claude Skills 類的 repo。 連結裡的追蹤參數直接寫著 campaign 名稱：20260708-paper-reading-comprehension-assistants。這是排程好的行銷批次，不是有感而發。 帳號今年三月才建立，0 followers，卻有 140 個 repo。 GitHub 的搜尋 API 拒絕搜尋這個帳號（user cannot be searched），這通常代表帳號已經被平台標記為 spam。 那段讓我心花怒放的技術讚美，是 LLM 逐一讀每個 repo 自動生成的。爬 repo 餵給模型很便宜，這正是它讀起來「像真人」的原因。 最後一句「Feel free to close this if it isn’t relevant」，是 spam 帳號降低被檢舉率的標準話術。 宣傳圖角落有小字標我的 repo，連 star 數都即時抓，做得很精緻；但點進他網站的頁面，作者欄掛的是他自己的名字。MIT 授權確實允許商用，不過這個掛名方式就有點微妙了。 認真想了一下，這個生意其實跑得起來 罵完之後認真想，這個模式其實蠻厲害的。我實際註冊進去看了帳務頁，整個商業模式就攤在眼前：註冊送 500 點，跑一次論文分析扣 38 點左右，換算大概不到台幣 2 塊。免費額度夠你跑十幾次，嘗到甜頭之後，Stripe、PayPal、微信、支付寶四種儲值管道排排站等你。 ...

前面分享的論文學習小站，有個「品質」、「內容」按鈕，那時沒有把背後的實作放出來。算是個有前端網頁，但後端還是要靠自己整理的平台。不過我自己的實作，當然後端還是要接給 AI，減輕認知的負荷，這裡就是把後端兩個 skill 分享出來，加速大家學習速度囉！ — 一個負責「這篇可不可信」 第一個叫 paper-review，做的是 journal club 那種評讀。 依研究設計自動選對工具 它會依照論文的類別，選用建議的評讀工具，隨機對照試驗（randomized controlled trial）用 Cochrane RoB 2、觀察性研究用 ROBINS-I、系統性回顧用 AMSTAR-2、診斷準確度用 QUADAS-2，而不是拿一張萬用 checklist 硬套。這件事聽起來理所當然，但你知道大部分「AI 幫你看論文」其實就是一張萬用 checklist 套到底。 引用查核：先確認文獻「真的存在」 我最喜歡的一關是引用查核。它會先去 CrossRef 確認每一篇被引用的文獻「真的存在」，再比對「論文說這篇文獻講了什麼」跟「這篇文獻實際上講了什麼」。 為什麼要先查存不存在？因為 AI 寫出來的引用，沒稽核的話正確率其實只有四到八成，假 DOI、張冠李戴的狀況比想像中多。所以這一步是一個很便宜、但很有用的防呆。 統計顯著不等於臨床顯著 還有一個地方我很堅持：統計顯著不等於臨床顯著。所以它會把效果量拿去跟量表的最小臨床重要差異（minimal clinically important difference, MCID）比，p 值小於 0.05 但根本沒過 MCID，它就會直接講出來。 整體借鏡了林協霆醫師的分享，還有之前學 EBM 的內容，大家也可以再加入你覺得重要的部分。 — 重點：我不讓 AI 靠「印象」給分 這是這次我自己覺得最有意思的部分。 一開始我讓 Claude 自己算證據等級（GRADE）、自己判斷「結論有沒有超過資料能支撐的範圍」。但我後來覺得不對，因為這種東西讓語言模型「憑整體感覺」給一個分數，它其實很會講得頭頭是道，可是你沒辦法檢查它到底怎麼得出來的。 所以我乾脆寫了兩支確定性的小程式，把「判斷」跟「計算」分開： grade_judge.py：把 GRADE 變成算術 語言模型只負責評五個面向（risk of bias、inconsistency、indirectness、imprecision、publication bias），每個面向給「不嚴重／嚴重／很嚴重」。真正的最終等級由程式加總算出來，不是模型自己講。模型自報的等級只當參考，如果跟程式算的不一樣，程式還會跳出來提醒「這兩個對不上，回去重看某個面向」。 它甚至會幫你擋掉 GRADE 的規則錯誤，例如觀察性研究只要有任何一項被降級，就不准再往上升級，這個規則模型很容易記錯，程式不會。 argdown_lint.py：把結論的邏輯漏洞變成可以檢查的東西 這支更好玩。語言模型負責把論文的結論、還有每一個「用來支撐結論的發現」標上類型（這是隨機對照試驗的直接證據？還是只是相關性？還是只是替代指標？還是只是次要 outcome？），然後由程式判斷這個推論跳得合不合法。 例如「用替代指標的改善，去宣稱對真正的臨床終點有效」、「用相關性去宣稱因果」、「用單一研究去宣稱『一致地顯示』」，這些都是論文 spin 最愛躲的地方。程式抓到就直接標紅、回報有漏洞。 ...

備考復健科專科考試的這段日子，我用工程師的方式幫自己解決了一個老問題：考古題到底要怎麼練，才不會練完就忘？最後做出了一個小工具，叫「題庫領航」，想說整理一下、也開放出來分享給有需要的人。 🔗 線上 Demo（內建示範帳號，開啟就能玩）：https://exam-demo.drpwchen.com 🔗 原始碼：https://github.com/drpwchen/exam-practice 為什麼想自己做一個？ 準備筆試時，最有效的方式之一就是反覆練歷屆考題，並針對「會錯的」加強複習。道理大家都懂，但實際做起來有兩個痛點。 第一，單純看著題目考自己很容易疲倦，而且你會不自覺一直練「已經會的」，真正的弱點反而被跳過。 第二，「什麼時候該複習哪一題」這件事，靠人腦排程根本排不來。今天練的這題，三天後還記得嗎？一週後呢？沒有人知道，於是只能全部重練，效率很差。 我想起在背英文單字時用過的記憶演算法，心想：考古題不也是一種「要記住的卡片」嗎？於是就動手了。 它能做什麼？ 把 PDF 考題變成可練習的題庫： 歷屆考題多半是 PDF，我寫了一條匯入管線，自動把題目、選項、答案切出來，圖片題（X 光、超音波、量表）也會一起抽出來。詳解直接以「該頁截圖」呈現，避免文字辨識誤植選項或答案。 用 FSRS 安排每一題的複習時間： FSRS 全名是 Free Spaced Repetition Scheduler，是一套間隔重複演算法。它會根據你每次作答的「對錯、信心、花了多久」，推估你對這一題的記憶曲線，然後在你「快要忘記、但還救得回來」的甜蜜點，把它再丟回來給你練。 和科內夥伴一起練： 你看得到同儕的進度，也看得到「大家最常錯的題」。一個人讀書很孤單，知道大家都卡在同一題，反而有種莫名的安心感 😅。 目標進度設定： 在 Dashboard 可以看到目前自己刷題進度、正確率，並且搭配目標設定功能，確立自己在幾天內需要完成多少題。 預測你考試當天大概會考幾分： 這是我自己最喜歡的功能。系統會用你各科的正確率、乘上該科在真實考試的配分權重、再乘上 FSRS 推估你「到考試那天」還記得多少，算出一個落點分數，還附上信賴區間，以及「持續複習」和「都不複習」兩種情境的對比。看著預測分數隨著複習慢慢往上爬，是很實在的回饋。 畫面一覽 📱 🏠 首頁 📄 PDF 考題原始畫面 ⚙️ 練習設定 ✍️ 答題畫面 👥 大家的錯題本 📌 個人錯題本（依失敗型態分類） 📊 Dashboard 總覽 🎯 落點分數預測 一些設計上的小巧思 做著做著，發現有些細節還滿有意思的： 錯題不是一視同仁。 我把答錯的題分成四種型態：死穴（反覆錯）、易忘（記憶留存率掉太快）、盲區（明明很有把握卻答錯，也就是過度自信）、新錯（最近一次才錯）。你可以只挑某一種弱點來補，對症下藥。 出題用三個池子混。 到期該複習的題 70%、沒看過的新題 20%、自己加星的題 10%，兼顧鞏固舊的跟攝取新的。 選項每次重新洗牌。 避免你背的是「答案在第三個」而不是真的會。 開放非商業使用，商業使用請另外聯絡 我把它整理成原始碼公開的版本，順手清掉了院內的真實資料，換成合成的示範資料，任何人 clone 下來就能看到完整功能。也歡迎其他專科的朋友 fork 過去，改成你自己科別的版本，引擎和排程都不用動，換掉題庫和分類就好。 ...

前陣子分享了我自己做的論文讀書小站，收到不少訊息問「這個我也能用嗎？」、「到底怎麼運作的？」。這篇就好好把它講清楚，順便告訴你，我已經把它整理成開源版本放上 GitHub 了。 先講我想解決的問題。 身為復健科醫師，我想追的期刊有幾十本，還有幾位很想跟的作者、幾個一直在關注的主題。傳統做法是把一堆 RSS 訂閱倒進閱讀器或筆記軟體，結果每天累積上百篇，很快就變成一個「永遠讀不完、也不知道從哪讀起」的垃圾堆。最後不是焦慮，就是乾脆不看。 我要的不是「看更多」，而是一個會先幫我篩、幫我排序的雷達，讓我只把注意力放在真正該讀的那幾篇。於是有了這個小站，它大概分成這幾層在運作。 一、自動抓取：把幾十個來源收成一條河 每天清晨，主機會自動去抓幾十個來源：期刊的 RSS、還有用 PubMed 搜尋做的「作者追蹤」和「主題追蹤」。有些期刊的 RSS 很爛或根本擋機器人，我就改用 PubMed 的查詢繞過去，一樣抓得到，而且附帶 DOI 方便後面處理。全部抓回來後自動去重，變成一份乾淨的清單。 二、興趣評分，而且會越用越懂我 這是我最喜歡的一層。每一篇都會用一個「興趣模型」算分數，把我最可能有興趣的排到最上面，雜訊沉到下面。 更關鍵的是它會學。我在手機上滑的時候，看到喜歡的按個讚、沒興趣的略過，這些反應會回頭微調模型的權重。用得越久，它越懂我的口味，排序就越準。這種「你教它、它回饋你」的迴圈，是我覺得比單純 RSS 高明的地方。 三、全文三層：先幫我確認「拿不拿得到」 看到想讀的，最煩的往往是「找得到、但打不開全文」。所以每篇我都先自動幫它標好取得難度： 🟢 開放取用（Open Access）：直接幫我把 PDF 抓下來。 🏥 機構訂閱：自動去查我所屬圖書館有沒有訂閱這本期刊、這篇現在拿不拿得到。 📎 自己補：以上都沒有的，附上連結讓我自己抓，或直接把 PDF 丟上去。 這樣我在滑的當下就知道每篇「能不能讀」，不用一篇一篇點進去碰運氣。 四、一個只給自己看的私密小站 整個站是鎖起來的，只有我進得去，沒有對外公開、也沒有署名。它是我一個人的閱讀桌，手機、電腦打開都是同一份狀態，昨天在捷運上勾過的、今天在醫院打開一樣看得到。介面就是一張張論文卡片，帶著上面說的徽章，還有幾顆動作鈕。 五、勾一勾，剩下的它包了 這是把前面所有東西串起來的閉環。看到喜歡的，我就勾「想整理內容」或「想評讀品質」，跟它說一聲，它就自動：幫我抓全文、把重點整理成筆記、做評讀，最後收進我自己的筆記系統裡。人在外面看到別人分享的好文章，也能直接丟進這個網頁，一樣幫我處理好。 於是我的閱讀從「被上百篇淹沒」，變成「每天滑一滑、勾幾篇、讀它整理好的重點」。省下來的時間跟力氣，比我想像的多很多。 開源出去，也歡迎你打造自己的雷達 我把自己的東西整理乾淨，放上 GitHub 了，附了中英文說明： 👉 https://github.com/drpwchen/paper-radar 它不只能用在醫學。任何有 RSS 的來源，論文、新聞、部落格，都能 fork 去改成自己領域的雷達。想自己架一個的人，可以照著說明走。 補充一下：雷達幫我挑出來的論文，下游是交給另外兩個負責「評讀」跟「整理」的工具去讀的，那部分我後來也整理開源了，寫在這篇。雷達管挑、skill 管讀，兩端接起來才是完整的讀論文流程。 最後講點私心。這個念頭其實在心裡很久了。還沒踏進 vibe coding 之前，我看到吳易澄醫師（運動醫學、復健醫學）做了一個類似的平台，那時候又羨慕又好奇，心想「要是我也有一個就好了」。沒想到現在真的能親手把它做出來，還能整理乾淨分享給大家。 從一個羨慕別人的念頭，到自己動手實現，再到開源分享出去，這種感覺真的很奇妙，也很開心 😊 如果你也常常被讀不完的資訊淹沒，歡迎來看看，也歡迎順手給顆星 ⭐，這對我會是很大的鼓勵。 如果這個工具有幫你省下時間，也歡迎請我喝杯珍奶，讓伺服器繼續轉下去 🧡 請我喝珍奶！

一個困擾我很久的小事 我是 Obsidian 的重度使用者，vault 裡躺著好幾千則筆記。 但有件事很不方便：Obsidian 內建的搜尋，只會找「你打的那幾個字」。 問題是，三年前寫的筆記，我哪記得當時用了什麼字？我心裡想的是「鬆弛性膀胱要怎麼處理」，筆記裡寫的卻是 Neurogenic Bladder → flaccid type → 間歇性導尿。字對不起來，搜尋就一片空白。最慘的是，有好幾次我以為自己沒寫過，結果重寫一遍，事後才發現早就有一篇更完整的躺在那裡 😅 所以我花了點時間，幫自己的 vault 裝上一套「用意思找筆記」的工具。用了大半年，現在把它整理乾淨、開源出來。 三套組 它不是一個大功能，而是三個各司其職、共用同一份索引的小工具。 🔍 Vault Search — 用一句話找到對的段落 最核心的一個。你用自然語言問一句話，它回傳語意上最接近的筆記段落，而不是關鍵字比對。 我打「脊髓損傷後的鬆弛性膀胱怎麼處理」，它直接翻出 Neurogenic Bladder 那篇，即使那幾個中文字一個都沒出現在筆記裡。它看的是意思，不是字。 結果還會自動分成「主要相關」跟「其他相關」兩層，並且可以折疊預覽，不用一篇一篇點開。 🔗 Related Notes — 替你的筆記接上神經 這是一個會即時更新的側欄。當我在讀某篇筆記、或選取一段文字時，它自動在旁邊跳出相關的其他筆記。 對我來說這是「驚喜製造機」。很多「我早就忘記自己寫過」的東西，就這樣被串了起來。寫一篇新筆記的時候，旁邊會冒出三五篇舊筆記提醒我「這裡其實可以連過去」，慢慢把零散的卡片織成一張網。 💬 Vault Chat — 直接跟自己的筆記對話 這就是大家熟悉的 RAG：它先搜尋相關筆記，再把內容餵給 AI 回答。但我刻意設計了三種模式： Vault 模式：只根據筆記回答，不用擔心 AI 自己生成內容。 Hybrid 模式：以筆記為主，不足時用 AI 自己的知識補充，並標明哪些是「補充」。 Free 模式：不搜尋筆記，純自由對話，還能查 PubMed 文獻。 每次回答後，它會列出引用了哪幾篇筆記，可以一鍵點開查證。對醫療這種「答錯會出事」的領域，可追溯來源這件事我很在意。 點開任何一個引用，還能看到它實際餵給 AI 的那段筆記原文，整條推理鏈是攤開可查的。 ...