❌

普通视图

发现新文章，点击刷新页面。
昨天以前首页

收集資料時 3 步驟「任務化」！AI 工具取代不了的整理技巧教學

✇電腦玩物
作者 Esor Huang
2025年7月7日 18:31


資料、筆記之間最好的「連結」關係是「任務」，而不是屬性、相關性，這也是在 AI 時代擁有大量自動分析資料工具後， AI 依然無法為我們代勞的整理技巧。也是幫助你不再努力分類、標籤、連結後，還是出現「用不到」、「找不到」、「只是蒐集沒在用」的狀況。

近期我在電腦玩物分享的這篇文章，也闡述了類似想法：「AI 時代建立筆記系統的關鍵是「任務／經驗」而非「資料／知識」」

AI 或許可以幫大量資料下關鍵字，自動建立類似維基百科那樣的相關性連結，但 AI 無法幫我決定這個資料用在什麼任務上。

在還沒有生成式 AI 爆發的時代，我在《防彈筆記法》書籍裡就開始強調真正的數位第二大腦整理是以「任務的連結」為中心（資料連結是不太重要的弱連結，任務連結才是真正有用的強連結：Evernote 實踐 Zettelkasten 卡片盒筆記法，整理知識網路系統），而現在進入了AI時代，我更加認為「以任務為整理中心的連結方式」才是建構高效率第二大腦的關鍵，而這個步驟需要人來做。





以下為 Google NotwbookLM 製作的本篇文章影片版解說：





為什麼要讓資料任務化？兩個層次的思考：

在我的防彈筆記法課程中，常常會分享一個自己收集資料的原則（參考：別怕失去什麼，看到好像不錯、好像有用的資料，最好不要收集）：

  • 每次看到一個好像不錯，有點意思的文章，我會問自己一個問題：「近期內哪個任務用得到？」
  • 然後用任務導向的原則，把資料連結到用得到的那則「任務筆記」。
  • 如果當這個核心的問句得不到解答的時候，我會選擇「放下這個資料」。

不過之前主要都是分享：不要收集不必要資料，問題是：那如何能夠有效地把資料「任務化」呢？

最近一次課程中，有學員在下課時跑來問我上述問題。他說自己是工程師，平常也很喜歡閱讀學習大量新資訊，有很多時候看到一些覺得好像不錯的內容，但是當下似乎很難去思考什麼任務要用？這時候應該怎麼辦才好呢？我當下提供了兩個層次的想法來回答他：

  • 第一個層次是：練習建立第二大腦的「核心邏輯」轉換，勇敢放下資料是節省更多時間

以前在收集各種資料的過程當中，常常只是為了收集而收集，在資料的層次做處理，打造了一個花時間卻不一定能夠準確拿出來使用的系統，並且誤以為是要花更多時間整理，才能有效取出資料來使用。

其實，我們應該轉換的是自己的收集邏輯，透過提問：「這是哪一個任務可以用的資料？」而非這是什麼資料？可以有效過濾自己需要收集整理的內容，這是跨出有效整理系統的第一步。

當然，這個過程不會盡善盡美，但也不需要完美。在這樣的練習當中，或許我還是會收集到一些最後都用不到的資料，但一定也會增加跟明確任務連結的資料比例，而這樣我們的系統就會變得比之前更加有用。

如果在這個核心邏輯轉換時，發現很多看到的新資料都找不到可以連結的任務，那麼或許我們應該勇敢地告訴自己：

「因為這就是現在的自己不需要的資料，放下他們，讓我去處理真正任務，這樣我可以獲得更多時間與成果。」

  • 第二個層次是：練習「以輸出為目的」，而非輸入，我的任務是我自己可以設計的

很多時候我們看到有感覺的資訊，自己當下沒有任何任務用得到，但又很想收集，覺得無法實踐以任務為導向的整理系統？

或者認為，如果都不收集任務以外的新資訊，那我們要如何成長？如何跨出舒適圈？如何擴展自己的多領域能力呢？

這其實忽略了一個關鍵的重點：那就是任何我要執行的任務，其實是我們自己可以主動設計出來的！

任務，並非只能是別人給我們的。簡單的說，如果我看到一個非常棒的資訊，很想要收集，但這時候在既有的任務中沒有任何連結，那麼我應該反問自己：「我可不可以為這個新知識建立一個有任務成果的新任務呢？」

大家現在應該都認同，輸入的目的是為了要輸出，成果是比資料整理更有效的工作系統。

所以我們不需要去整理那些資料跟知識，應該是要問：我要如何整理才能夠有效的產出任務成果？而這時候我可以主動為蒐集的資訊設計一個新的成果，讓這個整理學習的過程真正有所產出。

下面我就分享實例，看看在打造數位第二大腦系統的過程當中，我如何把日常收集的資訊任務化，讓大家更能夠掌握住我所說的這兩個層次：

  1. 資料要跟任務進行連結，不用花很多時間整理，這些資料以後會被真正的拿出來使用。
  2. 為自己非常喜歡的知識主動設計任務成果，開啟產出，才是打造第二大腦的方式。






我的具體實踐案例步驟一：如何把資料連結到任務？

下面是一個最近真實發生的例子。每天網路上都有很多人推薦許多新的 AI 方法或工具。有一天我看到了一個 AI 設計圖像的工具，看起來這個工具非常厲害，我動了想要蒐集這個資料的念頭。這時候我就問自己一個問題：最近我有沒有哪一個任務有機會用到這個 AI 設計圖像工具呢？




於是我在腦袋中快速運轉近期的生活、工作，有哪些正在進行中的任務？我想到接下來剛好要去一個學校分享小講座，我想到正好可以利用這個機會試試看這個 AI 設計工具，設計出一些吸睛、有趣的圖像，作為這堂比較輕鬆主題講座的圖像輔助。

於是我把這個資料擷取下來之後，將其連結到那堂講座的任務筆記。




接下來，我不會針對這個 AI 設計工具資料去做任何的額外整理、分類或者標籤，因為我已經把資料連結到那堂學校講座的任務筆記了，等到學校講座要開始前，我打開那個任務筆記準備開始處理講座內容時，自然就會看到現在連結過去的這一則 AI 設計工具的資料。

於是我就會想起來，並且有機會利用這個工具來處理講座上的圖像，經過這樣的產出經驗，或許到時候就會更加掌握這個設計工具的功能，如果發現值得介紹，說不定還會再衍生出一篇電腦玩物上的寫作任務。

如果你常常看到我在電腦玩物上分享很多我的真實工作生活任務案例，也發現我常常研究很多新的工具、新的方法，你懷疑我為什麼不會覺得自己資訊爆炸？而且有餘力處理這麼多新資訊？那麼大多都是在上述的整理流程裡，建立起幫我去蒐集資料，並且有效利用資料的第二大腦過程。




我的具體實踐案例步驟二：放下任務不需要的資料

也是最近的真實例子，看到網路上很多人介紹許多愈來愈厲害的 AI 影片生成工具，我有興趣，但依然先用前面的邏輯想想看：有沒有哪一個任務用得到？

這時候，我當下想不到任何工作、生活任務可以用這個工具來解決什麼問題，要怎麼辦呢？這時候我的建議是（也是我真實做法）：

那就放下這個資料，連擷取蒐集都不要。完全省下整理這些資訊的時間。

為什麼呢？有幾個原因。

  • 第一個原因，收集過多自己沒有真正任務產出的資料，導致自己要花更多時間做資料的整理，這本身就是一件浪費時間的事情。
  • 第二個原因，收集過多跟任務不相關的資料，導致自己分心去研究它們，這常常是讓自己在工作生活中無法聚焦在真正目標的關鍵原因。

如果我們沉迷於資料收集、稍後閱讀，反而讓我們在資訊爆炸的過程當中，感覺更加茫無頭緒，分心在各種互不相關的資訊上。

這其實是許多朋友建立第二大腦的最大困境：收集整理時間 ＞ 實際產出時間


AI 工具的進化，確實改變了許多事情，我們應該重新思考自己建立第二大腦的邏輯。

如果我在沒有任何任務需要的時候蒐集一個 AI 影片製作工具資訊，花時間整理他，但是放在那天幾個月都沒有使用？

之後，終於有新任務需要 AI 影片製作工具了，你覺得，現在我們要把之前那則資料找回來用嗎？但是，它已經是幾個月前的工具了，會不會這時候有更新更好的 AI 影片設計工具出現呢？那我還不如去找這個當下更新更好的 AI 影片設計工具？

所以從上述的幾個理由來看，我們都會發現，當我們看到一個資訊，而我們無法跟任何任務筆記連結的時候，放下它，其實反而是一個提升生產力的選擇。




我的具體實踐案例步驟三：那學習成長、擴充知識圈怎麼辦？

來到這一步，有朋友覺得如果只是因為無法跟當下任何的任務進行連結，我就放下它？這樣一來會不會很可惜？二來會不會失去了自己學習成長的空間？

如果用 Esor 分享的「防彈筆記法」，以任務為導向，會不會反而會變成一個無法成長？只能原地踏步解決目前工作任務的人呢？

這其實是對這個系統最大的誤解，說任務成果一定要是既有的，或者是別人給予的呢？難道我不能主動設計任務產出嗎？

當我看到一個資料非常有用，而我無法跟任何現存任務進行連結的時候，我可不可以自己為它設計一個有動力、有興趣、有價值的任務成果產出呢？

這樣一來，我既不會讓資料整理流於空泛，我也可以有效地去學習接觸新的領域，但又保證了有價值的任務成果產出。

例如前一陣子我看到很多人在介紹 Vibe Coding 這個概念，那時候有 Cursor 這個工具，後來 ChatGPT 在它的 Plus 以上版本也推出了 Codex 這個 AI 幫你寫程式碼、分析程式碼專案的服務。




那段時間我不斷看到這類介紹，其中有一兩篇寫得很棒，分析了如何更有效 Vibe Coding 的流程。我很想把這個資料收集下來，也很有興趣，但是那個當下，我無法跟既有的任何專案任務進行連結，因為一來我不是工程師，平常不需要寫程式；二來我當下的任何任務並沒有需要開發網站或者開發某個工具的需求。

但是最後我還是收集了教我如何 Vibe Coding 的工具與方法資料，但我不是只有收集，而是重新為它設計一個任務成果：「開發一個個人筆記／日記系統」。




剛好那時候我也同時很想用 AI 來幫小孩寫他感興趣的兒童故事，我想把這個寫作流程用一個自己設計的日記軟體記錄下來，可以整理寫作創意、構思流程。

於是我把「只是感興趣」的資料，轉化成「真正試試看的任務」。目前已經執行一個月的時間，逐步開發出日記軟體，目前具備可以追蹤寫作日誌、做搜尋、連結、標籤等等功能，滿足我需要的所有靈感想法整理，也挑戰看看如果在我完全不懂程式碼的情況下，用 Vibe Coding 可以做到什麼程度。




在這個月的過程中，當時那個感興趣的資料，不再只是資料，而是真的變成我理解一個新領域的經驗！

我真的開發出了一個自己可用的日記軟體，我也第一次比較完整的學到了所謂的軟體開發流程、開發工具，我大致上知道 GitHub 如何管理，這些都是擴展了我原本並不熟悉的領域，也具體完成了一個對我有價值的成果。

所以，當我們真的對某個資訊感興趣，更應該主動設計產出，這才是真正跨出領域、學習成長的方式。

而如果連任務產出都設計不出來，變成單純只是收集資料，那麼放棄其實也真的沒有什麼影響。（延伸閱讀：筆記如何變成有效記憶？建立一個任務流程，而非知識庫）

看完上面的資料處理流程，或許你也可以試試看我的方法：

  1. 收集資料時要馬上任務化：而不是先囤積再說，透過「先問自己這個資料會應用在哪個任務上」的檢查點，不只是省下整理時間，更能推進真正有產出的行動。
  2. 如果沒有現成的任務，也可以自己創造任務：很多人以為任務一定是別人交辦或現成的，其實我們可以為感興趣的新知主動設計一個「任務產出」來驗證和學習。
  3. 當你找不到對應任務，就勇敢放棄那些資訊：「放下」其實是最高效的選擇，不必因為資訊 FOMO（錯失恐懼）讓自己失焦。



大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

（歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：收集資料時 3 步驟「任務化」！AI 工具取代不了的整理技巧教學）

用 NotebookLM 實踐 AI 卡片盒筆記法：輸入、學習、輸出、復盤 6 步驟流程教學

✇電腦玩物
作者 Esor Huang
2025年9月14日 12:24


今天這篇文章分享我的「 AI 版卡片盒筆記法流程」：用 NotebookLM 把外部資料轉換成「自己的有效學習資料庫」，利用「卡片盒筆記法」（Zettelkasten）的技巧，從雜亂資料變成文獻整理，產出融合自己想法的永久筆記，幫助自己快速輸出任務、教案、簡報報告等成果，並且還能利用這個卡片盒持續復盤。

如果你目前在建構個人第二大腦的過程，常覺得「整理太用力、輸出太少」，或許這篇文章可以提供你參考。

在我提倡的「防彈筆記法」中，因為一個人的精力有限，不需要也無法建立鉅細靡遺的系統，所以「取捨」之下，我採取「優先專注在：任務筆記」這樣的策略選擇。而這時候，我確實犧牲了一部分「整理學習資料」的需求，甚至刻意不去建立學習系統，而是專注在自己的任務產生、經驗復盤的系統上。（延伸閱讀：收集資料時 3 步驟「任務化」！AI 工具取代不了的整理技巧教學）

不過當有了像是 Google NotebookLM 這樣的 AI 資料庫索引、生成工具後，我開始思考：把建立單純學習資料庫這件事情外包給 AI ，讓 AI 透過卡片盒筆記法的原則，幫我建立知識型的第二大腦。

把學習資料庫外包給 AI、把任務／經驗留在人自己做的筆記。

這樣一來，我擁有自己花最多時間建立的，許多環節仍必要的需要自己手動的「專案、任務第二大腦系統」，但又能善用 AI ，不用花太多時間下，建立「單純知識引用需求的第二大腦」，兩者相輔相成。（延伸閱讀：AI 時代建立筆記系統的關鍵是「任務／經驗」而非「資料／知識」）

更早之前，我已經把「稍後閱讀」這個工具與系統外包給 AI ：「我用 NotebookLM 搭建 AI 稍後閱讀、學習輸出工作流，操作教學與延伸應用」，這就是當時我想利用 AI 外包單純資料整理的企圖，而又經過了快半年的實踐，現在我把更完整的卡片盒筆記技巧融入到 Google NotebookLM 中。

接下來，我就根據一個真實案例，分享我目前的實際步驟，你會看到我如何利用 NotebookLM 去建立卡片盒筆記中的文獻卡片、永久卡片，如何有效的學習與產出，並且哪些部分我善用 AI ，但哪些部份我仍然認為要自己動手來。

最後聲明，這篇文章的方法，不是說 AI 製作卡片盒會比人更好！也沒有要取代，只是可以提供多一種選擇。人自己的想法、經驗當然還是更重要的，如果我能自己手動架構完整的卡片盒筆記系統自然更有效。不過在時間有限、精力有限情況下，我的取捨是自己專注在專案、任務經驗筆記上，而把單純外部知識整理外包給 AI ，不是 100% 理想，但能有效推進產出。






Zettelkasten × NotebookLM 卡片盒筆記 AI 流程對應表

卡片盒筆記原始技巧
目的
在 NotebookLM 的做法
第一步：文獻卡片整理
摘錄原始資料重點，可察看來源
  1. 收集來源
    1. 英文類 YouTube 知識影片
    2. 網頁文章
    3. 論文 PDF
  2. 萃取重點，建立文獻卡片
  3. 把輸出儲存成筆記，命名為「文獻卡」
第二步：學習並捕捉想法
產出自己的觀點、想法以及疑問
  1. 把文獻卡轉換成來源
  2. 勾選適合的、準確的部分文獻卡，建立精準語音、影音摘要
  3. 透過語音學習，產出想法
第三步：建立永久卡片
整理出自己的結論與行動
  1. 把想法、問答快速丟上 AI ，進行討論
  2. 把自己跟 AI 討論後，更適合自己的內容，變成筆記卡片
  3. 最終統整，建立永久卡片
  4. 加上「編號：永久卡」，轉換成來源
第四步：建立 MOC 知識地圖連結
組織學習路徑，建立連結，便利快速索引
  1. 利用心智圖功能，形成結構地圖（MOC）
  2. 只勾選永久卡（頂多再勾選文獻卡），減少雜訊，建立心智圖
  3. 可以快速點擊知識節點，產出新的內容解說
第五步：產出任務、教案、報告
更有效的對外輸出
以這 2 張永久卡為依據，設計 21 天微習慣計畫；逐日 1 行動，5 分鐘可完成，附追蹤表。
第六步：復盤循環
結合真實經驗，與外部資料庫，持續修正
分析下面我目前「XXX」的執行結果，根據資料庫中永久卡、文獻卡的學習，提出： Keep 我可以保留的好行動？ Problem 我目前可能有的問題？ Try：接下來我可以調整的新行動？




歡迎參考我的真實案例「卡片盒：健康運動」：https://notebooklm.google.com/notebook/f8f82551-f537-48e5-9d50-e0a35bab6178


就讓我分享自己的真實例子，有興趣的朋友也可以參考上方公開共用的「卡片盒：健康運動」 NotebookLM 資料庫。

首先，針對一個主題，在 NotebookLM 上建立一個新的筆記本，之後這個主題的卡片都在上面管理。






第一步：輸入，並建立文獻卡片

  1. 收集來源
    1. 英文類 YouTube 知識影片
    2. 網頁文章
    3. 論文 PDF
  2. 萃取重點，建立文獻卡片
  3. 把輸出儲存成筆記，命名為「文獻卡」，可同時保留出處

我把自己陸陸續續收集到的健康、運動優質文章、影片、論文，慢慢加入這個主題筆記本。

這時候可以搭配：「我用 NotebookLM 搭建 AI 稍後閱讀、學習輸出工作流，操作教學與延伸應用」，先在我的 NotebookLM 稍後閱讀筆記本中，過濾出跟主題有關的真正優質資料，然後才轉移到主題資料庫。

畢竟，資料庫來源的品質決定了卡片盒的品質。




當優質資料收集到一定階段後，我會在 NotebookLM 提問，產出「各種我關注題目的文獻摘要卡片」，我慣用下面的指令（Prompt）：

針對「冥想」，一步一步分析，用條列清單方式列出資料中的重點，每個重點加上例如「冥想 1-1、冥想編號 1-1-1」這樣的編號，重點描述盡量使用原文摘要。

這邊的作用只是請 AI 先針對輸入的大量資料，進行有效的「文獻梳理」，產出跟我關注的題目有關的文獻整理，而編號的方式除了模擬卡片盒外，也是為了讓知識變成一個一個「未來」可以快速理解與運用的小單元。

當 AI 的回答通過我的閱讀檢驗後，我會把這個文獻卡回答「儲存成筆記」，儲存到 NotebookLM 右方工作室，並且主動把標題命名為「文獻卡」，方便之後索引與利用。





第二步：學習，並產出自己的想法、問題與行動

  1. 把文獻卡轉換成來源
  2. 只勾選適合的、準確的、部分文獻卡，建立精準語音、影音摘要
    1. 或者利用報告中的簡報、QA等功能也有類似效果
  3. 吸收學習，刺激自己產出想法，以利下個階段跟 AI 討論

根據我的需求重新摘要、整理過的「文獻卡片」，會是這個系統更好利用的來源，所以我會從右方工作室，把這些 AI 整理出的文獻卡，再次「轉移為來源」，變成 NotebookLM 左方資料庫可用的素材。




接著，為了讓我可以更深入學習，並且在學習過程更快刺激出「我的想法」，我會利用「語音摘要」、「影片摘要」功能來產出可以「邊聽邊想」的學習素材。

更關鍵的一步是，這邊我會「只勾選」前一個步驟產出的「文獻卡」來製作語音、影片摘要。為什麼呢？這是確保產出的學習素材內容更精準對焦我的需求，裡面更少雜訊，更多重點！




接下來，我會一邊聽著 NotebookLM 生成的 Podcast ，一邊把自己的想法快速打在左方的對話中，跟 AI 進行討論、辯論與反思。





第三步：跟 AI 討論想法，轉化成永久卡片

  1. 把想法、問答快速丟上 AI ，進行討論
    1. 這時候可以勾選所有資料庫來源，讓 AI 在文獻卡片、原始資料中統一回答。
  2. 把自己跟 AI 討論後，更適合自己的內容，變成筆記卡片
  3. 最後進行一個知識、行動的最終統整，建立永久卡片。
  4. 加上「編號：永久卡」，轉換成來源，出現在資料庫開頭
  5. 重新整理對話，輸出新的永久卡

我有設計出一個固定的指令，讓我一邊聽 Podcast ，也能一邊快速輸入自己的想法，並且提問有效的問題。

關於「運動與體脂」，我的想法是：「XXXXXX」，請從專家角度提供我解答、質疑、統整、反思。




對話中， NotebookLM AI 根據我的想法、疑惑，產出新的回答，這些回答更符合我的需要與邏輯，於是我會打開右方工作室的「新增記事」（類似手動輸入筆記），把左方回答中我覺得真正有用的部分貼過去，並自己打上一些補充。




當聽完一段 Podcast ，在對話中進行了一些問答，最後我會這樣做一個總結提問：

根據並統整前面討論，列出我的「養成有效運動習慣」的行動清單。

例如我在對話中針對養成運動習慣來回討論，累積了更多我真正需要的想法，最後就讓 NotebookLM 總結前面討論，列出真正對我有效的行動清單，當然也複製回前面自己建立的記事。

前述這個想法整理、資料彙整、行動分析的過程，是在利用 AI 幫助我產出一定程度的有效永久筆記。




我一樣會把這樣整理好的永久卡（永久筆記），從右方工作室再次「轉移成來源」，讓其回到左方的資料來源中可以被再次使用。

並且我命名上有個小技巧，我會在永久卡前面加上數字編號，這樣匯回左方資料來源時，可以依照數字編號排序。

這樣就可以讓 AI 跟我合作產出的永久筆記，一定排在來源資料最開頭，方便隨時開啟利用。

完成一張永久卡片後，我會「重新整理」對話，清除目前這個子主題的對話，根據我的下一個需求，再來討論一次，產出下一個主題的永久卡片。





第四步：建立連結與 MOC 知識地圖

  1. 利用心智圖功能，形成結構地圖（MOC）
  2. 只勾選永久卡（頂多再勾選文獻卡），減少雜訊，建立心智圖
    1. 降低雜訊，保留知識骨幹；這一步對建立穩定的知識地圖很關鍵。
    2. 當累積愈來愈多永久卡、文獻卡後，有些原本的資料來源，可以當作雜訊移除掉。
    3. 目的是讓資料庫愈來愈對焦我的真實想法、需求與學習。
  3. 可以快速點擊知識節點，產出新的內容解說（這時候再把所有參考資料納入）

透過 AI 加速，我可以快速在大量資料中，建立起文獻卡片、永久筆記，裡面包含我需要的重點摘要，以及我真正的想法與未來可能行動。

這時候，我準備在 NotebookLM 中建立起卡片盒筆記法的連結與知識地圖（MOC， map of content ）。

「連結」的部分，我覺得 NotebookLM 原本回答中的來源引用連結，原本 AI 生成內容的過程，就是最好的連結，人不需要手動再多做什麼。




而要製作出以後可以一覽知識全貌、快速索引知識點的 MOC 知識地圖時，我會「只勾選」前面產出的永久卡片，然後利用 NotebookLM 內建心智圖功能，建立知識地圖。

如果要多一點資料，頂多勾選文獻卡，但盡量不勾選原始來源，避免太多雜訊干擾。

「知識地圖」應該是聚焦在我的真正需求與想法更好、更有效。




有效的來源、自己處理過的永久卡片，生成更有效的心智圖架構後，我可以點擊知識地圖上的任何節點，讓 AI 生成我當下需要的回答。

下圖中可以看到，透過「只勾選永久卡片」產出的心智圖，更有架構，更符合我的需求，更具備可用性。




當利用知識地圖上的節點，生成新的 AI 內容時，我會「再把 NotebookLM 所有來源資料都勾選」，然後從所有資料中生成回答。

這個做的用意是：知識架構根據我的核心需求，知識細節則參考所有來源資料，兼顧廣度與深度。





第五步：輸出，把卡片盒轉成各種任務成果

建立卡片盒筆記的目的，當然是為了輸出、產出成果。

下面來看看兩個例子。

我要製作教學簡報／學習單？我可以在這個 AI 卡片盒系統提問：

將「休息」相關的 永久卡、文獻卡，製作成分享簡報，每頁一個重點，包含知識、行動、反思。

重點就是我前面有先產出永久卡片、文獻卡片，並且有正確命名，匯回來源資料，所以當我要產出真正任務成果時，不是在雜亂資料中自由發揮，而是可以用指令去指定，要求 AI 有根據的產出內容。




上面簡報大綱，我再搭配 Gamma ，產出了下面這樣的簡報：




我要製作任務行動計畫？我可以這樣提問：

以這 2 張永久卡為依據，設計 21 天微習慣計畫；逐日 1 行動，5 分鐘可完成，附追蹤表。

這時候，我在 NotebookLM 的來源中「只勾選」經由我手產出的永久卡片，讓 AI 根據更穩固的永久卡，生成對我更有效的計畫。




產出的表格表單，我貼回 Evernote 等真正的任務筆記工具，也可以正常使用。





第六步：復盤，把經驗放進來繼續新的卡片盒流程


這個「卡片盒：健康運動」的 AI 卡片盒系統，可以用上面幾個步驟持續更新，持續添加新的資料，產出新的文獻卡、永久卡，並進行輸出。

不過， NotebookLM 不會取代我們真正的個人筆記系統、真正的個人第二大腦。

我還是需要自己真正的任務筆記系統（例如下圖右邊，是我真正任務筆記中，如何規劃、記錄自己的運動習慣）。而 NotebookLM 卡片盒對我來講是知識的輔助系統（例如下圖左邊）。




並且當我的真正任務筆記系統執行一段時間後，產出一些真實經驗，我會「把經驗複製回 NotebookLM 卡片盒進行復盤」。

以下面這個運動案例來看，我會這樣提問：

分析下面我目前「養成持續運動習慣」的執行結果，根據資料庫中永久卡、文獻卡的學習，提出： Keep 我可以保留的好行動？ Problem 我目前可能有的問題？ Try：接下來我可以調整的新行動？
（貼上真正的任務、經驗筆記）

這時候可以看到， AI 根據 NotebookLM 中我已經建立的永久卡、文獻卡，明確的、有針對性地指出我任務筆記當中的問題點。




然後，根據永久筆記、文獻資料，提供給我如何修正的新行動建議。

我會把這些新行動建議，更新回自己真正的任務筆記，開始執行，一段時間後，再回到 NotebookLM 卡片盒中探索知識、進行復盤。




上面這個完整流程，就是我目前在自己的專案、任務筆記之外，運用 NotebookLM 打造一個「知識輔助」的 AI 卡片盒筆記系統的完整流程，分享給大家，歡迎參考，或是說說你的做法。



大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

（歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：用 NotebookLM 實踐 AI 卡片盒筆記法：輸入、學習、輸出、復盤 6 步驟流程教學）

與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變

✇電腦玩物
作者 Esor Huang
2026年1月11日 20:40


一年多前寫過這篇「AI 如何與寫筆記結合？我最常利用的 6 種提升筆記效率功能與案例」，但又過去一年，AI 工具在資料整理跟輸出的能力上，已經有了很大幅度的提升。一年前還只是把 AI 當作增加筆記效率的輔助，但是現在， AI 已經是我做筆記過程不可或缺的一部分，並且更深入地融入我的筆記系統流程中。

但是，是不是有了 AI 可以整理資訊，我們自己就不需要做筆記了？用 AI 做的筆記，還可以說是我的筆記嗎？ 當 AI 可以輕鬆整理大量內容時，真的可以解決第二大腦系統的終極問題：「需要的時候可以直接拿出來使用」嗎？

這篇文章，分享我目前具體實踐的作法。





為什麼「第二大腦」常常變成「資料沼澤」？

從數位筆記開始流行、到「個人第二大腦」、「知識管理系統」這些方法興起以來，各種工具與流程一直想解決同一個問題：人要面對越來越多雜亂資訊，到底要怎麼建立有效的整理系統？

其實我覺得或許是這個問題問錯了。我從《防彈筆記法》這本書開始，就一直強調一個概念：不要花太多時間做整理，而應該專注在自己的「任務筆記」。

當我們面對很多雜亂資訊的時候，如果我們想的是如何收藏、如何分類、如何整理出架構，那麼人就變成了為了資料而服務，這樣往往會陷入一個「資料沼澤」。雖然可能會有一個漂亮的結構，但那往往不是一個真正可以隨時拿出來使用的「第二大腦」。

真正的問題應該是什麼呢？

  1. 不是要怎麼建立一個有效的整理系統。
  2. 而是當我們面對這麼多雜亂的資訊時，我們要專注輸出的「專案」跟「任務」是什麼？

這才是我們真正應該問的關鍵問題。我們應該從這個問題出發，去建立我們的專案筆記、任務筆記。我們不是要去整理這些資料，而是要回頭整理自己的專案與任務。（延伸閱讀：不快速回訊、不整理郵件，專注任務筆記，才是最聰明的整理術）





當 AI 加上資料整理迷思，筆記會變得更雜亂

相信有使用 AI 的朋友，應該都可以發現，在整理資料上面，AI 可以做到下面幾件事情：

  1. AI 的搜尋摘要能力非常強大： 它可以一口氣深入到很多不同的社群、不同的網站中，幫我們把資料挖掘出來。（延伸閱讀：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程）
  2. 快速處理資料結構： AI 可以把找到的資料，根據我們需要的表格、清單或各種格式進行快速處理，讓它變成有結構的整理後內容。（延伸閱讀：活用三大 Google AI 教學神器，把複雜知識變成手繪心智圖、遊戲網頁、圖解簡報）
  3. 轉化為圖文視覺化工具： 像是 Google Gemini、 NotebookLM 這樣的 AI，還可以幫助我們把整理的內容，轉化成圖文並茂的流程圖或心智圖。（延伸閱讀：把混亂數據試算表丟進 NotebookLM：自動清理統計，直接變圖表簡報）

如果我們把筆記只視為資料的整理（當然，這是誤解），這時候 AI 快速找資料的能力，或許會讓人覺得好像不需要再做自己的筆記了，只要利用像是 Google NotebookLM 那樣的 AI 資料庫工具，就可以把資料做出有效的整理。

那麼，NotebookLM 會不會才是最好的筆記工具呢？我的回答是否定的。因為筆記並不是只有外部資料的整理分析而已。

例如我自己確實有一個 NotebookLM 的資料庫，專門處理每天想要稍後閱讀的文章，而上面的 AI 問答、工作室的各種圖表整理，也真的會讓學習吸收的過程更有趣、更快速。

但是，我不會把這樣的整理當作「筆記」。




真正的筆記應該是像下面這樣，他是我學習這個技術、知識後的「任務筆記」。

在任務筆記中，我不會直接剪貼 AI 生成的那一大堆資料，而是從中挑出我真正想要測試的，對我真正有啟發的部分，然後列出我的實際測試行動清單。




並且在實際測試後，把我的經驗、想法，以及下一次可以複製貼上的做法，記錄到同樣這則任務筆記中。

於是，這則任務筆記會記錄我完成任務的進度、過程，也可以在下一次要做類似任務時，拿出來參考使用。




相對的，這則任務筆記，不會是 AI 摘要生成大量資料的剪貼集中處。

AI 非常有可能讓喜歡做筆記的朋友陷入另一種情況，那就是筆記資料庫快速地擴充，結果更加混亂。

因為 AI 總能快速找到更多資料、整理出更多圖表，我們輕而易舉就能在筆記中（複製貼上）加入大量 AI 產生的內容。但這些內容只會讓筆記變得更加臃腫、資料變得更加混亂。

如果沒有重新定位筆記真正的用途：專案、任務，那麼 AI 的加入，就好像有一個快速新增資料的自動化工具，他可以不斷餵養，但最後，我們的「第二大腦」又回到那個資料很多、依然無法使用，且要用的時候找不到的困境。




可以交給 AI 的三種筆記內容，我更有時間自己動手的四種筆記核心

以結論來說，目前我的筆記系統與工作流程，會這樣跟 AI 一起分工：

  1. AI 做：記錄（語音轉文字／整理逐字稿）、資料（搜尋／摘要／比較）、格式（表格／圖表／架構化）
  2. 人做：決策（我選擇要完成什麼成果）、下一步行動（我接著要做什麼）、脈絡（我的思考與實驗過程）、復盤（做完後怎麼修正）




在 AI 時代，「記錄、收藏、格式整理」是 AI 非常擅長的部分。
如果人還要花大量時間做這些筆記，其實不符合 AI 時代的趨勢。而且老實說，這些筆記不是個人第二大腦的核心，很多時候只是讓我們整理時有快感、最後用不到。

所以現在我更想把它們交給 AI，讓人把時間花在「決策產出、推進行動、思考脈絡、覆盤調整」上。

當我擁有這四種筆記後，反而能跟 AI 工作流程相輔相成：AI 很會搜尋外部資料，但外部資料要能用，一定要跟我的背景、我的經驗、我的想法、我真正的任務有關。

所以我會：

  • 讓 AI 整理外部知識資料，幫助我啟動某個專案任務。
  • 我在自己的筆記中，記下行動步驟、關鍵決策、脈絡、復盤後更適合我的流程。
  • 然後我再把這套「個人筆記系統」回到 AI 上，請它幫我找能刺激更好想法、更好做法的外部資料。

於是 AI 跟人結合的筆記系統，就會進入一個有效的正向循環。





一則學習型專案筆記，把外部資料交給 AI ，把個人執行留給自己：

以前我們為了保存資訊，可能存一大堆連結、截一大堆圖、剪貼一大堆文章。其實我從很多年前開始就很少做這類筆記，甚至我也不太使用「稍後閱讀」服務，因為我更想把筆記專注在任務真正的處理上。

到了 AI 時代，我更相信下面這樣的做法更有效：
以前收藏資訊，是希望需要時能快速找回。可現在像 ChatGPT 的強大搜尋、Deep Research 在找資料上非常好用，我更傾向在每一次「真正需要資料」的需求當下，直接利用 AI 的檢索、搜尋、Deep Research，去找最新、最即時，甚至深入挖掘社群的關鍵資訊。

既然如此，整個網路都可以當成我的資料庫，我又何必侷限在自己只為了收藏目的做出來的資訊系統中？

例如，我最近有一個專案，練習用 Vibe Coding 的方式建立一個單機個人筆記系統。我先建立了一則這個主題的專案學習筆記：

但我並不是去剪貼大量的相關文章來建立資料庫，而是把 AI 當作我的資料庫與外部資料助手，而我筆記只要專注在執行就好。

一開始的時候，我甚至連 GitHub 等等都不知道該怎麼設定，我就讓 AI 教我具體的操作步驟，並在我不懂的地方告訴我關鍵原理。這節省了我很多找資料、再重新整理資料的時間，讓 AI 找完資料後輸出的結果，直接對焦在我要具體操作的系統設定上。

所謂的專注在執行，就是不單純做資料的搬運工或收藏者，而是讓 AI 梳理資料後直接給我實踐步驟。




接下來，我也並非只是把 AI 給我的各種教學方法直接複製貼上到筆記中，而是根據 AI 的教學實際實踐看看。在實踐的過程中，產生我自己實做過有效的待辦清單。

而我真正寫進筆記的，是我到底做了什麼設定、做了什麼步驟，甚至截圖存檔。

這樣當我下一次又要開啟一個新的程式開發專案時，就可以照著這些設定直接完成。並且這些筆記不是大家的 AI 助手都能找到的資料整理，而是我自己實踐過最適合自己的行動清單。




接下來在執行這個 Vibe Coding 學習專案的過程中，我會一邊把下個階段操作的步驟（例如新功能如何開發、如何下好 AI 指令等等）持續累積在這一則專案筆記當中。




日積月累下，這則筆記會包含我在持續學習過程中累積出來的行動、經驗、想法以及成果背景資料。有了這份筆記，即使專案停滯一段時間，下次要重新開始或繼續規劃時，我可以直接複製筆記中之前累積的執行結果丟給 AI，請它分析下個階段可以做什麼。

AI 若要提供有效的建議，必須了解我執行背景的脈絡、明確的行動與想法，而我們往往無法提供足夠具體完整的資料給 AI，是因為之前沒有像這樣持續累積「自己的筆記」。

那些外部的資料，AI 本來就可以找到，本來就可以幫我們梳理、分析（所以，現在的第二大腦，這類筆記可以大量減少）；但 AI 不知道的，是我們那些在自己的筆記當中應該記下來、只有我知道的內容。（所以，現在的第二大腦，這類筆記可以大量增加）

如果有這樣的筆記，我們只要把累積出來的內容提供給 AI，它在下個階段就能幫我輸出更好的結果。


一則工作型專案筆記，把記錄分析交給 AI ，把判斷決策留給自己：

以前我們花很多時間做會議記錄、在課程中不斷低頭苦寫、抄寫書籍文章中的名言佳句。抄寫當然可能加深印象，但我的經驗是：很多時候也會讓我們在會議、課程、閱讀中，反而沒辦法專注思考核心問題、或真正聽懂講者背後想表達的意思。

在 AI 時代，這些「記錄」可以透過 AI 語音轉文字、AI OCR 等等功能處理完成。

這時候我們真正要動手做的，反而是：記錄完成後，我判斷的關鍵決策點、我心中想到的關鍵爭議點、我延伸出來的關鍵下一步，那才是人要動手寫的。

把紀錄留給 AI，把判斷與下一步留給自己。

例如最近我和趙胤丞老師一起完成的《高效職場生存法圖解》這本書的專案筆記，專案一開始，我們開了無數的討論會議，在公司中也有好幾次的報告會議，這時候，我已經非常習慣大量利用語音轉文字的工具，會議中專注討論並錄音，會後讓 AI 整理出逐字稿。




但是，真正的專案，並非這些雜亂的會議記錄、郵件剪貼、資訊整理。這些雜訊，就算紀錄得再好（也確實需要紀錄），但也只是把雜訊整理好而已，對記住有幫助，對專案沒效果。

真正的專案應該是：

  1. 把逐字稿變成有效的待辦清單
  2. 把雜亂的郵件訊息變成一個明確的目標企劃

所以，我的真正筆記並非是上述那些 AI 很方便轉出來的逐字稿，而是從裡面歸納出的重點。

當然，也可以讓 AI 歸納逐字稿重點，但最後一定有一步是我（人）判斷要留下哪些重點？以及如何把重點詮釋成下一階段目標與行動。




AI 或許能給建議、能分析資料，但 AI 沒辦法替我決定：我下一步要怎麼做、要交付給誰、我目前進度在哪裡。

所以我會用更多時間在任務筆記中記錄：

  • 我到底實際做了什麼？
  • 我在這過程產生什麼經驗？
  • 觸及這個行動的人事時地物關鍵細節是什麼？
  • 我之後要回顧這任務與流程時，有沒有一份準確依據的標準資料？

AI 資料整理得再好，但如果我不知道工作流程的進度、不知道下一步行動與交付，流程依然混亂。甚至 AI 帶來的大量資訊，反而可能變成雜訊，讓流程更混亂。

我目前也無法信任 AI 可以從大量的討論串紀錄中，或是自動爬梳我的行事曆、郵件中，幫我歸納出接下來要做的任務。

為什麼？不是說 AI 做不到這樣的資料分析，事實上它做得到。但問題是，AI 可能只是把一大堆的討論記錄、行事曆和郵件當中所有的行程，全部都列成待辦清單，但這裡面可能不是我自己判斷詮釋後，真正對我最有效的行動。

如果我認為 AI 可以自動爬梳行事曆、郵件、會議記錄，然後幫我找出接下來最有效的下一步行動，那就變成我好像只是一個接收 AI 老闆命令的機器人。

我可能只是可以把一些雜事瑣事完成，卻沒有真正去思考這當中我的目標、我的價值，以及我如何把事情做好的關鍵流程。

而後面這些，就需要我們有一則專案筆記，把我的判斷決策保留下來，讓我可以更有效地挑出自己最關鍵的行動。





一則生活型專案筆記，把資料研究交給 AI ，把經驗復盤留給自己：

生活中的大量問題，我確實已經很習慣跟 AI 討論。

AI 確實可以把資料搜尋、整理得很漂亮，但它沒辦法知道：我為什麼要選這個資料？我的判斷是什麼？我想拿來解決什麼問題？

例如，我讀到一篇很精彩的睡眠研究報告，我決定把它拿來改善我的睡眠習慣；我想利用裡面提到的一種休息技巧，放進我的日常工作流程做短時間放鬆。
AI 可以把研究整理得清楚易懂、做出更好複習的圖表，但我要決策用在我哪一段真實工作流程裡，這是我需要自己寫下來的。




我們有時候會花很多時間排版、分類、標籤，希望筆記整整齊齊，覺得以後更好用。但很多時候，我們花太多時間整理格式，卻沒時間思考資訊的用途，最後這些漂亮筆記反而不會再打開。

AI 的改變是：如果你真的想要漂亮的格式，不如讓 AI 幫你整理成資訊圖表、幫你整理出心智圖、幫你依照你想要的邏輯摘要整理成表格。
我們不需要再把大量時間花在筆記的格式整理上。

我們可以更多時間，專注在那些 AI 無法處理的資料，例如一個生活健康習慣的筆記中，我對每一天習慣的紀錄與反思。




這些看似簡單隨筆的記錄，卻是在 AI 工作流程裡面，讓 AI 接下來產出更有效任務成果的最佳素材。

以上面這則生活習慣筆記為例：

  1. 我每個月會把記錄起來的表格資料丟給 AI。
  2. 甚至把整則筆記中前面設定的習慣目標，以及想要達到的關鍵習慣，也提供給 AI 讓他去了解。

就跟前面的學習工作筆記一樣，一旦我提供給 AI 這些原本累積在筆記當中的脈絡，AI 就可以根據我的經驗做出有效的分析：為下一階段提供更好的目標建議。分析我的經驗後，指出其中某些我忽略或做錯的關鍵環節。

這時候 AI 就可以根據我的筆記，化身為一個「復盤助手」。

AI 確實可以幫助我們復盤，但在這之前，我們需要先留下經驗記錄。在 AI 幫我們復盤之後，我們不是照單全收，而是把 AI 提供的建議，轉化成我實際決定採用的改進，並繼續記錄實際嘗試後的結果。

那麼下一次跟 AI 合作時，我的筆記會成為 AI 最有效的素材，也會成為我自己推進生活健康習慣、最有效的專案任務流程。





當 AI 成為第二大腦助手：我更少整理筆記，但更專注把筆記變成成果

過去一年，我很明顯發現：自己更少做某些筆記、更常做某些筆記。例如我會讓 AI 大量摘要我的會議記錄、學習記錄，我不用逐字逐句整理；如果需要漂亮的格式、清楚易懂、深入淺出的圖表，我讓 AI 幫我做。（延伸閱讀：[實戰教學] 懶人也能持續的筆記法：記下來就好，讓 AI 整理架構）

但我把時間花在：會議、課程、學習之後，我做出的決策、我規劃的下一步行動、我思考要用在哪個具體任務上，以及我執行後產生的想法與經驗。

所以在 AI 時代，我覺得筆記工作流程可以有很大的改變：
我們不太需要再把力氣花在「整理筆記」上，但更需要專注在「設計任務筆記的下一步行動」。

我們其實不用怕資料整理不齊全、怕遺漏——因為一定會遺漏。而且人再怎麼自己收藏筆記，在 AI 時代也未必比得上一份 Deep Research 研究完整有效。重點是：把資料找回來，用在自己真正的專案任務上。
我們可以把筆記流程，從「收集的系統」轉成「輸出、交付、產出的系統」。

AI 時代不會取代筆記，而是讓筆記回到它更該做的事情。
這也回到我一直在講的「防彈筆記法」：以任務筆記為核心，把注意力導向正在要產出的成果，讓 AI 幫我整理資訊資料，讓人專注在下一步行動與經驗整理上。
延伸閱讀：


大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

（歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變）

AI 結合卡片盒筆記法，人不再操作軟體，用對話流程讓 Codex 搭建資料整理系統：我的兩個月實測心得

✇電腦玩物
作者 Esor Huang
2026年4月12日 22:46

首先要說明的是，這篇文章我不會稱為是 AI 可以取代我們的第二大腦，因為我對第二大腦的嚴格定義在於我的專案、任務、行動與經驗管理，而這部分大多時候依然需要自己手動定義、整理與改寫，例如我讓 AI 處理參考資料，但是我需要自己筆記為什麼這樣做的目標？如何做的流程？怎麼做更好的經驗？而這也是我提倡的「防彈筆記法」的核心。

所以這篇文章想要分享的經驗是，那些外部參考資料，有沒有可能利用 AI ，在不用額外花太多時間的情況下（人只要丟資料、給想法、下指導）， AI 就可以持續整理、歸納、改寫、統整、延伸與檢驗正確性，讓 AI 自動完成一個人（我）可以隨時取用在工作、生活各種產出上的資料庫。

而因為當 AI （或者 AI Agent ）可以完成上述自動整理流程，並且在我的實做下，像是抓取資料、分類、連結、統整、筆記、畫出流程圖等功能都可以 AI 處理，人「不再需要操作軟體介面」，所以甚至可以做到 AI 本身就是資料庫工具，而我不再需要另外一個 Obsidian、 Notion 或 Evernote 來處理這些外部資料。







用 AI 建立外部資料庫：讓「整理」與「操作工具」不再成為學習阻礙


過年期間，我先用 Google 的 Antigravity，讓 AI 幫我做出一個可用的 RSS 閱讀器。那時候有讀者在底下提醒我一句：「如果直接用 OpenClaw 做，可能會更好。」

那句話後來真的打到我。因為我腦中其實一直卡著一個更大的痛點：最耗時的工作，從來不是讀文章，也不是寫筆記，而是操作軟體去整理的時間。

把文章結合自己的觀點整理成可重複使用的筆記卡、串聯不同筆記卡片、把相關卡片結合自己的想法變成更穩定的「永久筆記」，再把卡片串成可以拿來處理專案的流程架構、用於寫作的大綱、融入到課程中的方法綱要，這一整段流程，除了要花時間也應該花時間的：我的想法、觀點思考之外，其他很多步驟其實都是「軟體操作時間」。

我想把時間留給自己的實做、思考、想法產出，但把所有軟體操作時間交給 AI。

所以我後來做的實驗，並不是想再做一個筆記工具或稍後閱讀工具。而是：

當我丟出資料、觀點、想法後，能不能讓 AI Agent 類型的助理，直接且自動幫我完成下面工作：

  • 處理我本機資料夾裡的 md 文件。
  • 抓取無論網頁、 YouTube 影片、社群貼文中的內容，建立「參考文獻」。
  • 根據我的觀點整理出筆記摘要，建立某個工具、觀點或技巧的「暫時筆記」。
  • 根據我的需求建立未來各種任務產出可以參照的穩固方法論的「永久筆記」。
  • 在不同永久筆記之間建立連結，可以看到層級關係，乃至於「知識架構圖」。
  • 根據我未來出現的任務、產出，挖取這個外部資料庫，提供我架構、論述、案例、方法大綱。

關於卡片盒筆記法中的文獻、永久筆記、筆記連結的教學，可以參考我之前的兩篇文章：

如果講得再白話一點：

我不是想打造另一套第二大腦、外部資料庫、稍後閱讀軟體，我是想訓練一個能持續幫我整理外部參考資料的 AI 專案助理。




目前的實際流程示範：以 Codex 為例，我丟網址、丟想法，讓 AI Agent 在本機 md 資料夾裡建立資料庫


一開始（2026/2 時），我是利用當時很流行的 OpenClaw 來架構這個 AI 整理外部第二大腦的流程，只要在 Telegram 丟一個資料網址，告訴他我的觀點， AI 就會跑完筆記卡摘要與改寫流程，接著自動建議我可以補充到哪些永久筆記，我再補上觀點後， AI 就會持續的穩固我既有的永久筆記系統，並在更新之後幫我調整目前知識架構圖。

但是目前，我主要利用 ChatGPT 的 Codex 來完成這個流程。

無論用哪種工具，包含很流行的 Claude Cowork  當然也可以，只要 AI Agent 能讀寫本機 md 文件，又能照著你定義好的流程工作，它就能慢慢接手原本要靠稍後閱讀工具、數位筆記工具、手動剪貼整理才能完成的大量知識整理工作：

  • 一個由 md 文件組成的外部知識庫
  • 一套由 AI Agent 維護的整理流程
  • 一個能回收成卡片、永久筆記、文章草稿與流程圖的工作系統

AI 工具可能未來會換，但這個資料庫與流程會留下來，可以持續使用。（參考：不同 AI 工具如何分工、接力完成專案，分享我做一個象棋教學遊戲的流程）

下面就先具體示範我目前的資料庫工作流程，後面再分享其中幾個關鍵細節。




讓 Codex 在本機資料夾建立資料庫：


首先，我建立了一個本機資料夾，讓 Codex （或者你也可以用 Claude Code 或 Claude CoWork）來管理其中的各種文件（資料庫的核心，以 markdown 的 md 檔案為主），在這個資料夾建立需要的小工具（例如抓取 YouTube 字幕的 Python 程式），以及建立工作流程、知識處理規則的 md 文件（這些規則文件，可以讓不同 AI 助理共同遵循）（規則文件非常重要，可參考：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）。

除了因為我本來就有 ChatGPT Plus 版本（前幾天更新到 Pro 版本），我用 Codex 還有另外一個原因就是他前一陣子推出桌面軟體端，我更喜歡在這個簡單易懂的對話介面中進行工作流程。

只要在 Codex 中開啟要用來做資料庫的本機資料夾，接著就可以用對話來建立工具、打造自動流程、處理各種資料夾內的文件檔案。




在這個流程中，我讓所有資料、知識、草稿、驅動 AI 的規則技術文件，無論是文獻還是永久筆記，全部用 md 文件格式儲存在這個本機資料夾。

我沒有像很多朋友那樣搭配 Obisidian 等功能來管理，因為我想嘗試：

「工具就是 AI Agent 本身」，而人「盡可能」不要操作任何軟體介面與功能，人唯一需要的就是「跟 AI Agent 對話」。 




而雲端同步的功能，我則是要求 Codex 自動幫我推送到 Github 做版本控管，也能在雲端網頁上讀取我的完整資料庫。





建立 Codex 處理資料庫的基本規則：


我先對 Codex（一開始其實是在 OpenClaw，但方法都一樣） 定義好抓取所有資料的共通流程，主要的原則有下面這些，而這些原則是來自於我多年來對一個知識管理系統研究後的架構（先貼給 Codex ，請他建立一個之後一定會遵循的規則文件）：

  • 核心流程：抓取來源 →建立 raw 全文證據庫 →根據我的觀點摘要 card 筆記卡 →更新或建立 opinions 永久筆記 →需要的時候根據資料庫內容，進行每日 digest / 寫作大綱 / 關鍵論述輸出 → GitHub 版本同步
  • raw 資料夾（文獻）：是全文證據庫，不能自己省略；抓不完整就不算完成。要注意抓取來源、時間等細節。
  • card 資料夾（暫時筆記）：是一篇原文一張卡，保留我的觀點、摘要、引用、應用情境、下一步行動。
  • opinions 資料夾（永久筆記）：這才是第二大腦核心，重點是更新既有母筆記，不是一直新增新筆記，讓一個主題愈來愈完整。
    • 所有永久筆記更新時，要做判斷屬於哪一種知識：
      • PROJECT = 正在進行專案，通常是我定義的跟我目前想要研究、進行的主題工作有關（例如這個外部資料庫專案）
      • WORKFLOW = 未來可參考的工作流程，包含操作步驟、最佳範例。
      • METHOD = 專案與工作流程通用的方法論，包含理論、證據。
    • 新增 cards 後，必須檢查 opinions 是否需要回填，強制要求 AI 要做這個檢查，主動提供建議，讓 raw 變成 card ，再補充到 opinios ，最後永久筆記愈來愈完整。
    • 但若要新增全新永久筆記，要先取得我的同意，避免資料庫最後發散混亂。
  • 額外的連結與流程圖
    • 所有的 raw 並須連結到原始來源，所有的 crad 必須有 raw 的連結，所有的永久筆記必須有 raw 或 card 的連結。
    • 而永久筆記之間也會互相連結，並建立一個知識架構圖。
      • 每次更新永久筆記後，要同步維護 INDEX（總目錄）、MAP（知識架構圖），讓整個資料庫的體系愈來愈完整。




上述的規則，一開始先讓 AI 寫進一份 Workflow.md 的文件中，文件放在這個工作資料夾的根目錄，並邀請 Codex 等 AI Agent 每次處理工作時優先遵循這個規則。

但是你說，下面的規則看起來比上面的簡單版完整很多啊？

那是因為在兩個月的實踐過程中，每次 AI 的處理有調整，或是處理得很不錯的時候，我都會請 AI 自己復盤，把目前學會更好的處理規則更新回規則文件，這樣 AI 助理之後的工作就會愈做愈好。（延伸閱讀：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）





讓 Codex 根據網址抓取文獻、建立筆記，逐步擴充資料庫：


有了上面的共通原則後，第一階段我要先讓 Codex 幫我抓取文章，當我看過一篇感興趣的文章、YouTube 影片、社群貼文後，我就把網址丟給 AI Agent（ Codex ），並希望 AI 能夠自動抓取資料全文建立文獻（raw），同時製作一張有我的觀點的筆記卡片（card）。

我那時候的第一步是從下面這段丟給 AI Agent 的指令開始啟動的：

根據前面的專案原則，我想建立一個自動整理與成長的資料庫。請一步一步處理：

1.請你先不要做自動抓取，先在 workspace 建立以下資料夾結構：

raw/（放原始文章）
card/（放整理後筆記卡）
digest/（每日總表，回顧每日資訊總結）

2,接著請你建立一個「整理腳本」或「工作流程說明」，讓我每次把網址、文章文字，以及我的觀點貼給你時，你就會自動抓取全文放入 raw ，並自動產出符合以下模板的筆記卡到 card。

模板如下：###
檔名：YYYY-MM-DD - {title}.md
內容：
- 來源：
- 原文連結：
- 原文日期：
- 主題標籤：#AI工具 #工作流 #筆記術（最多 3–5 個，並保持一致性，同一個主題共用同一個標籤）

一句話結論（我需要記住的）
（<= 40 字）

重點摘要，結合我的觀點，盡量搭配使用原文，但翻譯成台灣慣用繁體中文（翻譯後同時附上原文參照）
1.
2.
3.
4.

核心概念表格：
概念
作者怎麼說
根據我的觀點，我可以怎麼用（對工作/寫作）

對我有用的 3 個應用情境
- 情境 1：
- 情境 2：
- 情境 3：

今天能做的下一步：測試、研究、寫作（務必具體）
-

待追問（下次研究關鍵字）
###

不過根據不同情況，就算有上面基本規則，事情也不一定馬上就能順利，但這時候我就都交給 Codex 這樣的 AI Agent 去解決。

例如有時候抓不到網頁全文？無法抓到 YouTuhe 字幕？有些社群抓不到我想要的指定網址的貼文？我就把問題丟回給 Codex ，讓他找方法解決，可能寫一個 Python 小程式，或是需要申請一個 API ，但就一邊做，一邊讓 Code 幫我補足這些抓取功能。

或是當我發現有時候 AI 根據我丟的網址，抓到部分資料，但沒有抓到全文，於是我就讓 Codex 寫一個自動檢驗小程式，並讓 AI 在他必定要遵循的規則文件中加上：「抓取文章後一定要跑這個檢驗程式，確定有抓到頭尾完整的內容。」




所以現在我的這個資料夾中有抓取網頁小工具、PDF轉換小工具、抓取 YouTube 字幕小工具、抓取特定社群貼文小工具等等，這些小工具也都是 Codex AI 自己撰寫。

讓我每次只要丟一段網址，提出我的觀點， Codex AI Agent 就會自動完成基本的兩大步驟：

  • 先抓取完整內容，建立有引用來源的文獻。
  • 再根據我的觀點，建立筆記摘要卡片。

例如我讓有了上述基本原則與工具的 AI 來抓取我的這篇文章：「與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變」。

我這樣提問：

抓取下面文章，根據我的觀點建立筆記卡。

我認為在知識管理上應該善用 AI ，但要明確區分 AI 可以做的資料管理，以及人要主動引導與建立的專案、經驗的真正知識管理，才是好的工作流程。

文章網址： https://www.playpcesor.com/2026/01/ai.html




我每一天大概都會隨手丟上5~10篇連結，加上我的一兩個核心觀點，通常是我快速讀過後有啟發的文章、影片、PDF或貼文資料。

然後 Codex 這樣的 AI Agent 可以自動做完兩件事，新增兩份文件：幫我自動抓取全文建立文獻，並建立一個符合我觀點的筆記卡片。

下面就是 AI Agent 自動完成的筆記卡，裡面結合了我剛剛丟給他的觀點，以及原文內容，但也包含已經在這個資料庫中的相關內容延伸。




這兩個月的累積，我就透過 AI Agent 的抓取、整理，建立了數百則的文獻資料與觀點筆記卡（類似上面這樣，有摘要、有觀點、有延伸應用的內容）。





讓 Codex 根據暫時筆記，建立「永久筆記」的連結系統：

不過這樣還不夠，如果這些文獻、觀點筆記卡都是散亂的根據時間排序，其實很難有效使用，但我也不想要在這個暫時筆記的層級去做分類或連結。

所以我建立了一個「永久筆記」的自動整理邏輯，只要我丟出進一步觀點給我的 AI Agent ，他就會根據前面抓取的筆記卡，思考是否要新增永久筆記，或是要補充、修正之前的某一張永久筆記，透過 AI Agent 的自動化流程，讓「真正可以在未來拿出來反覆利用」的永久筆記系統愈來愈完整。

下面是我提供給 AI Agent 的永久筆記規則。（只是參考，讓大家看到一份規則文件，可以引導 AI Agent 多步驟去自動化完成工作，指定 AI 去使用哪些工具，以及 AI 一定要遵守的關鍵原則。）

永久筆記（opinions/）：把 cards 統整成可複用資產（必讀）
永久筆記新增/更新的標準作業（必遵守）

0) 觸發規則（硬性）：每次「新增 cards」後都要檢查 opinions 是否需回填
只要新增一張 cards（或對 cards 有實質增量更新），都必須立刻跑一輪：
這張 cards 的「新有效內容」是什麼？（新判斷標準/新風險/新步驟/新框架/新清單）
對照 opinions/INDEX.md：要更新哪一張母筆記？還是需要新增？
依 routing 規則決定回填到 PROJECT / WORKFLOW / METHOD
原則：更新優先；新增需 Esor 同意。

0-1) 回填前的人機確認（硬性）：先展示 cards 重點，再詢問 Esor 是否要回填
在真的動手更新 opinions/ 前，先做這 3 件事：
先展示這次 cards 的重點摘要（建議 3–5 點）
明確詢問：這次要不要回填到永久筆記？
明確詢問：Esor 有沒有補充觀點、反對意見、或想強調的版本？
沒有先問，就不要直接改 opinions/。
若 Esor 明確表示「先不要更新永久筆記」，就停在 card 階段即可。

1) 更新/新增前：主動詢問 Esor 的想法（用以重現你最近示範的流程）
在要更新/新增永久筆記前，先問：
你自己的觀點/你要強調的主張是什麼？
你希望這次回填後，永久筆記「更能做到什麼」？（未來要拿來用的價值）
收到回覆後：把想法延伸改寫成更完整論述並融入正文（不是只貼一句備註）。

2) 回填位置原則：更新永久筆記不固定更新在哪一節（以內容適配為主）
不要硬塞在「套用方式」。以內容類型決定寫進哪個欄位/段落：
一句話原則：當 cards 帶來更好的總結主張
Dealbreakers：當 cards 帶來新的翻車點/一票否決條款
套用方式：當 cards 帶來新的可執行步驟/做法
常見誤區：當 cards 帶來新的錯誤認知/誤用型態
Evidence / Links：當 cards/raw/opinions 的證據鏈或結構關係需要補齊

3) 永久筆記寫入規則（引用/證據/索引）
先查 opinions/INDEX.md：確認是否已有母筆記（更新優先）。
依 routing 規則決定回填到 PROJECT / WORKFLOW / METHOD。
寫入時要「整合改寫內容」進正文（不是只補連結），並在段落後附 （來源：...）。
若內容包含 Esor 的補充觀點：在段落末尾加註 （來源：esor 補充想法，YYYY-MM-DD），並搭配對應 cards/opinions 作為支撐來源。
Evidence 優先 raw；Links 只連永久筆記。
新增全新永久筆記需 Esor 同意。
每次新增/更新永久筆記後：更新 opinions/INDEX.md + opinions/MAP.mmd，再跑 opinions_linker.py。

原則（防彈筆記法）：永久筆記主題優先順序＝專案任務名稱 → 工作流程名稱 → 方法論名稱；不是破碎的單一論點。

rss_cards/：一篇原文一張卡（保留證據與脈絡）
opinions/：把卡片統整成「可維護、可驗收、可回存」的長期資產

A) 永久筆記的三種卡型與模板
PROJECT（專案任務）：projects/rss-second-brain/opinions/TEMPLATE_PROJECT.md
WORKFLOW（工作流程）：projects/rss-second-brain/opinions/TEMPLATE_WORKFLOW.md
METHOD（方法論）：projects/rss-second-brain/opinions/TEMPLATE_METHOD.md

A-0) 最重要原則：優先「更新」既有永久筆記，而不是一直新增
永久筆記的核心不是新增，而是把新知/新做法回填到既有的母筆記（Project / Workflow / Method）。
新增條件（很少）：
你確定這是一個全新的專案任務／全新的可重複流程／全新的方法論框架；而且在 opinions/INDEX.md 找不到對應母筆記。
預設策略：
先查 opinions/INDEX.md 是否已有母筆記
有就更新（加步驟/驗收/反例/回存/證據鏈）
沒有才新增

B) 永久筆記索引與關係圖
索引（新增前先查，避免重複）：projects/rss-second-brain/opinions/INDEX.md
關係圖（Mermaid）：projects/rss-second-brain/opinions/MAP.mmd
必遵守：每次新增/更新永久筆記後，都要同步更新 INDEX 與 MAP

INDEX：確保每一張永久筆記在 PROJECT / WORKFLOW / METHOD 某一區塊下有一條索引。
MAP：新增節點並至少連一條關係（例如 PROJECT→WORKFLOW）。

C) 永久筆記「連結維護」機制（每次新增/更新後都要做）
目的：避免 Project↔Workflow↔Method 漏連結。

觸發時機（何時要跑？）

你「新增或更新任何一張永久筆記」後：必跑一次。

下面讓我做一個「自己不丟觀點的示範」（通常真實流程，我會加上更多想法再更新永久筆記），看看 AI Agent 是否會依照上述規則，把前面 AI 建立的筆記卡，更新到永久筆記系統。

我這樣對 AI 提問：

根據剛才新增的筆記卡，根據永久筆記建立規則，分析適合更新或新增到哪些永久筆記，並提出具體建議。

於是訓練好的 Codex ，就會根據我給他的永久筆記建立規則，AI 拿著剛剛建立的筆記卡去撿索我的永久筆記系統，找出適合更新或新增的永久筆記，並分析內容，給我更新建議。




我可以根據 AI 助理給我的建議進一步思考，然後回給 AI 一個明確的整理指令，例如：只根據首選方案更新既有的永久筆記。




下圖可以看到， Codex 根據我建立好的永久筆記規則，完成剛剛那則筆記卡更新到永久筆記的任務。AI 可以同時完成：

  • 把筆記卡的關鍵內容，更新、修正到指定的永久筆記。
  • 擴充永久筆記時，也會加上來源筆記卡的註記。
  • 自動在永久筆記的目錄、流程圖系統中做好更新。

前面幾個階段跑下來，我們只是丟資料、給觀點、下自然語言指令，這就節省了非常多我們自己操作軟體介面的步驟。




永久筆記完成的結果像是下圖這樣。

於是我這兩個月打造的 AI 外部資料庫系統，就在這樣「不斷讓 AI 自動更新永久筆記」的流程中，慢慢擁有了一些系統性的、更深入完整的知識與方法，方便我後續拿出來利用。




而為了讓永久筆記也不只是單篇方法，而是可以系統性利用的架構，所以我讓 Codex 去做出一個連結目錄，生成一個畫流程圖小工具，隨時用目錄連結與圖解方式，展開這個永久筆記系統的全貌。




這兩個月，我的數百篇筆記卡，其實也才建立了二十幾則永久筆記，大多數都是把新的筆記卡更新到既有的永久筆記上，強化那些方法論與工作流程，但這正好可以看到持續更新的永久筆記的深度。(而且我本來就偏好用更新筆記，取代新增筆記：每天新增30則筆記？還是更新30則筆記？兩步驟建立穩定筆記系統）




利用 Codex ，根據目前的永久筆記、筆記卡、參考文獻，進行草稿產出：


我大概是從二月開始這個實驗（一開始用 OpenClaw ，後來 ChatGPT 推出 Codex Windows 桌面軟體版後就改用 Codex ），我現在的外部知識庫裡，至少會分出幾層：

  • raw：原文全文，保留可追溯、可驗證的來源
  • card：每篇內容整理成可回收利用的筆記單位
  • opinions：把重複出現的觀點、方法、流程，整理成會越用越強的永久筆記
  • digest / outline / draft：把前面的知識層再推進成可以發布的輸出準備

最後第四個層次，則是看需求，讓 Codex 在既有的這個外部資料庫中做產出。

例如最新新增了比較多的新資料，我就會讓 Codex 做一個「 Digest 」總結。

根據規則，把最近一個禮拜新增的筆記卡、更新的永久筆記，做一次快速復盤的摘要。





或者我要做一個專案，我要產出一篇報告，我提供一些想法，然後讓 Codex 在這個外部資料庫中產出草稿。

我需要到學校教一個 Google 的 AI 工作流程，根據我的永久筆記出發，搭配有更多細節的筆記卡與文獻，建立一個有效的工作流程大綱草稿，先直接秀出給我看，我再決定是否加入草稿資料夾。





總結：我學到的 AI 工作流程


我覺得這次實驗，但也已經變成我的一個處理外部資料庫的流程，真正學到的不是 AI 幫我做了很多事，可以自動化。是我開始學會：

  • AI Agent 是可被設計的 workflow
    • 如果你只是把 AI 當成問答工具，它每次都只能重新猜你的標準。但如果你把流程、交付物、驗收、回存方式都定義出來，它就會越來越像一個真的專案助理。差別不在模型更聰明，而在你有沒有把它當成流程在設計。
  • 不會寫程式，也可以利用 AI 建立自己的工作系統，但要學會分派工作＋驗收工作
    • 這次我其實沒有自己手動寫程式。很多技術性工作，都是交給 AI 處理。但我真正需要做的事情是：
      • 說清楚我要什麼交付物
      • 說清楚限制與標準
      • 看結果是否真的符合需求，再讓 AI 調整
  • 第二大腦真正該留下來的，是流程與規則
    • 我現在越來越覺得，工具其實不是最重要的。無論是各種 AI 工具，還是各種筆記軟體，各自有不同強項。但真正讓它們能幫我做事的，不是因為哪個工具特別神，而是因為我們自己有一套流程：
      • 哪些資料要保存
      • 哪些資料怎麼整理
      • 哪些內容值得回存
      • 哪些輸出要怎麼驗收
    • 工具可以換，但流程會留下來。甚至利用 AI Agent，打破工具操作流程，打造更靈活的資料庫。

AI 的工作不是替我思考，而是替我處理那些我以前不想花大量時間做的外部資料整理工作。而我自己真正保留的，是：

  • 提出問題
  • 提供想法
  • 做最後判斷
  • 驗收哪些內容值得留下來

真正的核心反而是：

我能不能把自己的整理流程拆解清楚，然後交給 AI Agent 去處理那些原本最耗時、最容易拖住你的操作型工作。

如果可以，那麼我們未來要管理的，也許不再是越來越多的工具介面。而是一套會在自然語言對話、規則文件、md 資料夾與驗收流程中，慢慢長出來的外部知識庫。



大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

（歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：AI 結合卡片盒筆記法，人不再操作軟體，用對話流程讓 Codex 搭建資料整理系統：我的兩個月實測心得）

❌
❌