先跟大家說，這個系列會用到的工具是 Obsidian ＋ AI。大家想跟著做的話，需要自己準備一套能「直接操作電腦上檔案」的 AI（我自己用的是 Claude，其他能做到同樣事情的 agent 應該也行）。

.
.
.

測測看你到底知不知道知識庫是什麼

在兩個問題以內讓大家自己暴露出來

第一個問題：

你覺得把一萬篇 PDF 論文貼給 chatGPT 叫它整理，算不算一種知識庫？

.
.
.

說「算」的讀者，心裡可能在想：

• 「都丟進去了，資料都在，要找的時候問 AI 不就好了？」
• 「AI 這麼強，它會幫我整理，我不用自己弄」

「不算」的讀者，心裡可能在想：

• 「這只是把資料放進去而已，又沒有整理過」
• 「這比較像資料庫，不是知識庫」

不論你選哪個，相信你有自己的一套邏輯，下面第二個問題，讀者可以依據上一題的答案選擇：

如果你剛剛答「算」——要做到什麼程度，你才會改口說「不算」？
如果你剛剛答「不算」——要補上什麼，你才會改口說「算」？

——答得比較久、甚至答不出來對吧？

會覺得「好像有一個方向，但沒辦法具體講完。」

你知道知識庫 ＝ 知識 ＋ 庫，但是你從來沒往下走得更深

知識庫到底是什麼？

要不是吃飽太閒，我也不會主動往下探討這個問題的答案。

沒有標準，你會被牽著鼻子走

如果說知識庫是一個需要治理的國家、軍隊，那麼使用者，你

就是國家的王、是將軍，甚至是神

然後你這個神現在問我，「國家是什麼？」
.

C8

其實啊，想過知識庫的定義可能是你建構知識庫的整個過程中，最重要，最值得花時間做的事情，而不是把一堆 prompt 丟給 AI 然後躺在沙發上說「挖我今天做了好多事」。

因為沒想過定義，就沒有標準，沒有標準，就怎樣都好。

而怎樣都好，是弄不好知識庫的，我知道講得有點絕對了，但我繼續講下去，舉個例子：

假設你今天已經有一個弄得很好的知識庫了，放在 Notion。
這時候你在網路上看到「第二大腦讓你變成超人」、「PARA 讓你的知識庫爽到升天」，你看完想說，屌爆了！

然後你直接著手照著影片改了，花了三個小時，整個下午都在幹這件事，主管看你忙了那麼久，想說怎麼這麼認真，年終可以給你考慮加個五百塊，總之主管很欣慰。

但是改完第二天，你的知識庫反而變難用了。

原本熟悉的分類被拆掉，以前三秒找得到的東西，現在要先想「這算 Project 還是 Area？」；現有的工作流程，也因為硬套一套別人的架構，多了好幾個你其實根本不需要的步驟。

這還不是最嚴重的，嚴重的是兩個禮拜以後，另一支影片的作者說：

「PARA 已死，AI 時代根本不需要分類。」

乾你老師。

然後你又把前兩個禮拜才改好的東西全部拆掉。

到了這個地步，你真的必須要想想

你到底有沒有節操？有沒有標準？有沒有想過：

「這個方法，究竟改善了我知識庫的什麼？（跟我的知識庫有什麼關係）」

沒有人提醒你，所以你沒有想過知識庫到底是什麼。

A 說這樣好，你就導入 A。
B 說那樣更好，你就換成 B。
明天 C 出現，你再重構一次。

這是我遇過的問題，我知道這行不通。

我不是在說你在網路上看到的方法有多糟，我說的是：很多方法，你在搞清楚之前就用了，而這個做法走不長遠。

知識庫＝採集＋整理＋提取

知識庫（Knowledge base）是用於知識管理的一種特殊的資料庫，以便於有關領域知識的採集、整理以及提取。

這是維基百科對於知識庫的解釋，很短，但就是因為短，抓重點更容易了。

知識庫的底層邏輯，就是資訊的採集、整理及提取。

採集

把知識庫做為一個系統、一個「個體」看待，採集的定義也很簡單：

「把原本不在系統內的資訊帶入系統內的過程」

這短短一句話重點在：過程。

採集做得好，過程中一定有相應的設計與細節，對於「個人知識庫」的建立而言，採集就是「戰場」的入口。

每個人有不同的採集方式

你的習慣是什麼？使用場景是什麼？目前的採集有什麼問題？

每個人都不一樣，這代表「採集」的流程定義不是一套 SOP 複製貼上就能完成的。

必須想過，實踐才知道有沒有效、好不好用。

好消息是現在你只需要先想過，不需要寫一篇論文出來。

先給你兩個方向想

你會想放到知識庫的內容，可能包括網路文章擷取、Youtube 逐字稿或筆記、Podcast 摘要、使用者的靈感、疑問、經驗、觀察、待驗證假設等等。

把資訊大致分為兩個方向：

• 外部採集：網頁剪藏、PDF、電子書畫線、YouTube 筆記、Podcast 摘要、社群貼文、論文、新聞
• 內部採集：靈感、疑問、判斷、經驗、觀察、待驗證的假設

分類基準是：資訊從哪裡來？

舉個例子，外部資訊是：
「我平常從哪裡取得資訊？是文章、影片、PDF、社群，還是別的東西？我現在怎麼把它們留下來？哪一步最麻煩？這要怎麼派上用場？」

內部資訊：
「我的想法通常在什麼時候出現？走路、工作、洗澡、看書？現在想到東西時，我怎麼把它留下來？有多少想法其實在能記之前就消失了？這要怎麼派上用場？」

像我說的，這個階段你不需要想得很完整，因為實際情況跟你想像可能還有差距，只要想出一個「方向」就算成功了，剩下的讓時間、使用者和 AI 慢慢完善。

想完之後問自己這個問題：「我為什麼要留下這個資訊？」 如果回答不出來，那麼這可能是個不需要入庫的資訊。

想完之後你會有一串「可能派得上用場」的資訊，這個時候你就有知識庫的需求了，那麼我的系列文章你可以繼續看下去。

整理

資訊入庫後需要整理，定義是：
「把已經採集入庫的資訊，處理成更容易理解、找到、連結、判斷與使用的狀態。」

怎麼又那麼長啊？ 縮短

「把資訊，處理成更好用的狀態」我做個分類哦，看看有沒有感覺：

1. 結構整理——資料夾、分類、標籤、專案、主題、日期、作者。
2. 內容整理——把原始內容變成容易理解的形式（長文章→摘要、會議錄音→逐字稿＋決策事項、一本書→重點筆記、一段 AI 對話→結論／問題／待驗證事項）。
3. 脈絡整理——回答「這個東西為什麼存在？」（從哪來、何時看到、當時在研究什麼問題、為什麼值得留下、哪些是作者的觀點／哪些是自己的想法）。
4. 關係整理——回答「這個東西跟什麼有關？」。
5. 品質整理——哪份最新、哪份過期、數字從哪來、事實還是推測、原始來源還是二手整理、可信度多高。

這系列教的知識庫其中一個主要「讀者」會是 AI，所以整理這個動作，最好能整理得 AI 更好理解、更容易檢索。

如果 AI 能判斷來源、時間、事實與觀點、最新版本，甚至知道一個結論背後的思路，那麼 AI 更有機會真正放大知識庫的價值，也可省很多麻煩。

提取

寫得有點長了，熊與我（Bear with me）

「提取」基本上就是查詢的意思。如果採集和整理做得好，到這一步問題就比較少了

高機率不需要 AI 你也能直接找到。但有 AI 比較快嘛，而且在大部分使用情境下，你是「有事想做」需要 AI 幫你查，然後跟你討論，從這個角度來看，知識庫是一個超大型上下文管理工具。

離題了，提取的定義是：「從知識庫找出需要的資訊」

很單純，不用拆解。

這個步驟你會遇到最主要的困難會是 AI 協作的問題。

舉個例子，我已經跟 AI 講好，每篇文章都要貼 tag，想說之後 AI 搜尋就會沿著標籤去找。

有一次我跟 AI 說：「你好棒哦，找得好快，你都怎麼找的啊？」

結果 AI 跟我說它根本沒在用 tag，我跟它說「在那裡」之後 AI 就整包掃過。

我心裡想說沙小啊，那 tag 是貼心酸的膩？結果 AI 還印翠印記跟我說，這不是我的錯，是你沒定義過。

提取這一步，就是會遇到這種問題。

收尾閒聊

到這邊「三動作」定義就都講完了，別看我講得雲蛋風清，這三步驟對於知識庫來說是很重要的，本質上，知識庫是一個檔案系統，但因為有了 AI 它變成了一個專屬使用者與 AI 的「遊樂場」，用的好的話，所有使用情境、所有需要的資訊都在一個地方完成，不僅如此，還比以前更快、更好、更完整。

吹牛吹飽了，說說我自己的使用經驗：真他媽麻煩

說真的，我從大概五月弄到現在就是為了弄一個自己滿意的個人知識庫，過程中真的有很多問題，總共弄了兩三個知識庫吧，之前做的統統廢棄，最新的這個最近才終於「有點樣子」了，要不是在過程中有嚐到一點甜頭，我才懶得把原本放在 Notion 的資料統統搬到 Obsidian 勒。

不好意思發了點牢騷，下一篇繼續講。