在 「Notion 遇上 LLM：30 天打造我的 AI 知識管理系統」 系列裡，我的目標是把 Notion 從一個單純的筆記倉庫，進化為一個能理解內容、回答問題、甚至自動生成筆記的智慧助理。

昨天的 Day 1，我分享了自己的痛點：筆記雖然豐富，但搜尋不精準、跨頁整理費時、缺乏互動、內容更新仍要手動。今天，我要把腦中的構想落到具體的藍圖 —— 先定義系統架構、資料流，並說明有哪些功能，最後比較現有的解法（Notion AI、ChatGPT Connector）與我這個專案的差異。

系統架構 (Architecture)

在Notion 遇上 LLM系列中，我們把系統分為三層：資料層 (Data Layer)、AI 模型層 (Model Layer)、應用層 (Application Layer)。

1. 資料層 (Data Layer)

• Notion API：取得筆記內容，轉成程式可用的 JSON 格式。
• 清理模組：移除雜訊、切片 (Chunking)，並加上 Metadata（標題、分類、時間）。
• 儲存：向量資料庫（例如 Chroma）用來存放嵌入向量，另外也能用 SQLite 或雲端備份保存原始資料。

2. 模型層 (Model Layer)

• 嵌入模型 (Embedding Model)：把文字轉成向量，支援語意檢索。
• 語言模型 (Language Model, LLM)：根據檢索到的片段生成答案，例如 GPT-4、Claude、Gemini。

3. 應用層 (Application Layer)

• RAG Pipeline：把檢索與生成串起來，讓使用者的問題能對應到答案。
• 介面 (UI)：透過 Streamlit 提供問答互動。
• 自動化 (Automation)：定期同步新筆記，避免知識庫過時。

系統流程 (Data Flow)

• 資料取得與清理：從 Notion API 讀取筆記，清理並切片。
• 語意檢索與問答：將筆記向量化，存入向量庫；使用者提問後檢索相關片段，交由 LLM 生成答案。
• 自動筆記生成與回寫：AI 能將摘要或待辦寫回 Notion，形成知識循環。
• 互動與持續更新：透過 UI 問答，並透過排程自動同步，保持最新狀態。

為什麼不是用 Notion AI 或 ChatGPT Connector？

或許你會問：Notion 已經有 Notion AI 功能，甚至 ChatGPT Connectors 也能連接到 Notion ，為什麼還要自己做？下表就讓我們來比較三者差異，並說明為什麼本系列選擇使用自建 Rag 系統：

換句話說，Notion AI 與 ChatGPT Connectors 適合日常或 Demo，但若要實現可控、可擴展、能持續演進的知識助理，就必須走向自建 RAG 系統。

小結與下篇預告

今天，我們定義了「Notion 遇上 LLM」的系統藍圖：

• 架構分為資料層、模型層、應用層
• 流程則涵蓋資料取得、檢索與生成、筆記回寫與自動化
• 比較了 Notion AI、ChatGPT Connectors 與自建 Rag 的差異

在 Day 3，我們會正式開始 —— 認識 Notion API。你將看到 Notion API 能取得哪些資料、授權方式等，這是與 Notion 溝通的第一步，也是系統能夠運轉的基礎。