KW 個人知識庫：告別收了就忘，用 AI 自動消化文章與概念卡的第二大腦

為什麼要做這個作品

讓收進 Notion 的文章和影片不再沉底，而是被 AI 消化成會回來支援對話、學習和工作的個人知識庫。

我每天透過 LINE 把文章、影片丟進 Notion 收集箱，收得很勤，但收進去就沉底、幾乎不回頭看，等於沒收。日積月累，收集箱變成一座資料墳場。我想解決的不是「收得不夠多」，而是「收進來的東西從來沒被用到」。目標很單純：做一套會長大、會定期健檢、用到才留的個人知識庫。

用到的工具與架構

整套流程建在四個工具上，各司其職：

• LINE bot（自己串 API）：把看到的連結直接送進收集箱，零阻力。
• Claude Code（AI 代理）：負責消化、撈取、健檢，是整套流程的大腦。
• Obsidian vault：知識主體，閱讀筆記和概念卡都存成 Markdown 純文字，可長期保存、不被綁在單一平台。

以前怎麼做／現在怎麼做

以前：丟進收集箱就結束，沒有消化、沒有回用，要查只能在 Notion 裡關鍵字翻、或重新上網找。

現在：同樣一秒丟進收集箱，但後面接上一整套 AI 消化與回用流程。收進來的東西會被判斷價值、消化成可重複使用的筆記、定期健檢、平常對話時自動被撈出來用。

一篇文章進來後，實際會發生什麼

收集只是開頭，真正的價值在後面這幾步。我說「幫我收這篇」，有價值的文章就會跑完整套流程（低價值的在第 2 步預篩後就跳過）：

1. 抓取清洗：把網頁或 YouTube 逐字稿抓下來，清成乾淨的純文字。
2. 價值預篩：先判斷這篇值不值得花成本消化，低價值的直接標「跳過」、不寫筆記，省時間也省 token。
3. 寫閱讀筆記（reading）：消化成中文重點，最關鍵的是「對我的應用」段——寫清楚這篇對我的工作或學習能怎麼落地，不只是摘要。
4. 抽概念卡（concept）：把跨多篇都會用到的觀念抽成獨立的概念卡，建檔當下就定好信心等級，之後就能被不同文章重複引用。
5. 品質自檢 + 對抗式複查：先自己檢查白話程度、應用具體度、概念獨立性，再開一個「不帶前文」的 AI 代理用新鮮眼光挑毛病、局部修，避免自己寫自己檢查的盲點。
6. 記變更日誌、更新索引：每次新增、擴寫、封存、健檢修正都留痕，並更新主題索引，方便日後查找。

現在的具體成果

這套流程跑了約兩個月，知識庫實際長出來的規模（截至 2026-06-18）：

• 73 篇閱讀筆記（reading）：每篇都含「對我的應用」段落，寫清楚這篇對我的工作、學習有什麼可落地的用法。
• 352 張概念卡（concept）：跨多篇文章合成的精華，比單篇筆記更穩定、更常被重複引用。
• 503 筆變更日誌（changelog）：每次新增、擴寫、封存、健檢修正都留痕，知識庫的成長有跡可循。
• 按主題分類：閱讀筆記有「按主題」索引（資安展會、平時資安、AI 工具與工作流、知識管理……），概念卡有獨立索引，要找東西從索引切入，不靠全文亂搜。

概念卡範例「自生長知識庫」：定義、關鍵面向，以及與其他概念互聯的內部連結（wikilink）——這就是「跨多篇合成、可重複引用」的形態。

最關鍵的成果不是數字，是「回用」真的開始發生。舉個例子：我在準備資安證照，對話聊到「後量子密碼（PQC）」時，知識庫會命中我先前在資安展會收的那幾篇 PQC 筆記、自動墊進回答，我不必自己回想當初收在哪。系統還會用「問題強度」判斷要不要查證——基礎觀念就直接用知識庫，碰到價格、版本、最新動態這類時效性強的，規則會要求它先上網查最新再回答，避免拿過時知識亂答。

知識庫也會定期健檢：把標記「待驗證」的卡片揪出來驗證、修掉斷掉的連結、合併重複的卡片，節奏依實際狀況調整，確定沒用的再清理或封存，不讓它愈長愈肥。

主題分類索引：73 篇閱讀筆記、352 張概念卡，依主題分組，要找東西從索引切入。

設計時做過哪些取捨與調整

做的過程踩過不少坑，幾個關鍵的重新設計：

• 規則三層拆：規則一開始全塞在單一入口檔，AI 每次對話都要扛全部、固定成本太高。後來按「載入時機」拆成常駐入口、條件載入、觸發式工作流三層，不是每次都用得到的就延後載入，省下每次對話的固定載入成本。
• 批次消化並行化：一次消化多篇時，大家會搶同一個變更日誌檔。改成「抓取階段並行、寫入階段序列化」，又快又不衝突。
• 驗證時機前移（出生閘門）：知識卡的驗證原本靠查詢次數和健檢排程，效果不好。重設計成「建檔當下就定信心等級」，把驗證移到出生那一刻，不再事後排程補驗，避免卡片建好以後才發現來源太薄弱。
• Notion 改型別避坑：直接改 Notion 欄位型別會清空既有值。踩過一次後改成「先查既有資料、再改型別、最後批次回填」。
• 公開前去識別化 + 對抗式複查：要把設計文件公開時得先去識別化，還跑了獨立 AI 代理用「找碴」角度複查，確認沒有殘留個資才敢公開。

這些設計多半是踩過坑之後才回頭重做的，不是一開始就規劃好的，也是 KW 對我來說最有「自己動手做系統」感的部分。

上迷你課之前，我原本卡在哪

上迷你課之前，我已經習慣用 LINE 串 API，把有興趣的文章和影片自動收進 Notion 收集箱，收得很勤。問題出在收完就放著：時間一久就忘了。最麻煩的是工作或生活中突然想到一個明明看過的觀念，卻只記得「好像在哪篇看過」，在 Notion 裡翻半天找不到，最後乾脆重新 Google，有時候同一篇還收過兩三次才發現重複。收集箱愈長愈大，又一直沒空整理，慢慢就變成一座資料墳場。

學習過程中，哪一步對我最有幫助

最有感的是真的動手把 KW 做出來，第一次看到 AI 在對話中自動把我以前收的筆記撈出來用的那一刻：原來收集是會回來找我的。其中幫助最大的一步，是雷蒙 2-2 講的「規則按載入時機分流」。我本來把所有規則全塞在一個入口檔，AI 每次對話都要扛全部，後來照這個思路拆成三層，整個流程才比較容易串起來。

上完課後，我的工作方式有什麼改變

最具體的改變是「查東西」這件事。以前要用一個資安觀念，得翻筆記或重新上網找，常常找不到就放棄；現在我直接問我的 AI 助理，它會從知識庫撈出對應的閱讀筆記和概念卡，還會自己判斷要不要再上網查證，免得拿過時的資料亂答。我也順手把 Readwise 退掉了，收集、消化、回用收斂成同一條流程。

最後想對其他同學說的話

別一開始就追求一套完美、功能滿滿的系統。先把「收集 → 消化 → 回用」的低阻力循環跑起來，從一個你真的會用的小流程開始，剩下的交給 AI 幫你維護和定期健檢就好。

進一步認識作者

我是一名 IT 工程師，日常顧伺服器、資安與機房，正在一邊考資安證照、一邊學 AI Agent。我習慣把重複的工作流自動化成可複製的個人系統，KW 就是其中一個。目標是朝「超級個體」發展，在持續成長的同時，也希望這些經驗能實際幫到別人。