豪！上一篇把定義講過一輪之後，應該能回答這個問題了。

把一萬篇 PDF 論文貼給 chatGPT 叫它整理，算不算一種知識庫？

我的答案是：也許能做到類似知識庫，但不算知識庫。

「整理」之於知識庫的重要性

AI 處理東西是有上下文限制的，尤其是聊天形式的對話型機器人，在這層限制下，首先就塞不下一萬篇這麼多的 PDF 了，其次，對話不是以檔案為基礎，而是以文字、Token 為基礎，那麼當你要「提取」時，AI 會怎麼做？

整包掃一次，這就是 AI 會做的事。

不論你用多高階的模型都一樣，跳過了整理這個步驟，AI 的搜尋能力會變得超爛，只要你的問題稍微籠統一點，它給你的答案就能把你繞偏，等你看完 AI 的回覆搞不好你已經忘記當初問的是什麼（chatGPT就是在說你）。

所以，經過結構整理、內容整理、脈絡整理、關係整理、品質整理等動作後，AI 才開始從「我可能知道，不知道就猜」，進化成「我知道」。

這邊讀者不需要知道上面那五種整理具體是什麼，只需要知道：整理做得不好，提取就整個爛掉，最後還是會回到「整包掃」。

那怎樣算是做得好勒？

幾個簡單標準

• 資料正確性——查到的東西沒有錯
• 搜尋有效性——查得到你真正要的，不是一堆不相關的
• 搜尋快速——節省時間、減少各種成本消耗（例如 token）
• 資料品質——過時的、重複的、矛盾的東西不會一直躺在那裡

這幾條是我自己維護知識庫時，訂給自己的標準，只要做得到上面四條，我們可以說這個知識庫整理得很好，很有用。

模糊地帶

其實在寫這段的時候，本來是想把整理定調為「一定要有人類參與」，因為資料怎麼派上用場，使用者本人的研究脈絡、價值判斷，都是跟使用者高度相關，講白點，寫進資料庫的文字很多跟人的「感覺」有關，這也是為什麼我的標題這樣寫： AI 只能做兩種 。

但仔細想想，我憑什麼決定大家要怎麼用知識庫，如果有人能把規則訂得很明確，檢查機制也做好，那麼知識庫沒有人類參與可能也沒問題，而且到最後不管大家怎麼用，為知識庫負責的永遠是維護者（你），總之。

我在上篇舉了五種整理的例子，我認為這概括我所知的所有整理類型，分別是：結構整理、內容整理、脈絡整理、關係整理、品質整理，其中結構整理及內容整理是無庸置疑交給 AI 比較好、比較快的兩種。

我想討論的是比較模糊，比較慢的三種類型：脈絡整理、關係整理、品質整理，這三種我認為是沒有「絕對正解」的整理。

人機分工的界線

怎樣沒有正解？我直接給例子會比較有畫面：

今天有一個知識庫是這樣分類的：
長期計畫放 02-Areas 代表生活領域、短期專案放 01-Projects。

此時兩份筆記入庫。

一份是股票 0050，大盤的十年走勢研究，是長期投資的整體規劃筆記。
另一份是股票 NVDA，這支是使用者有閒錢才考慮，是為了短期進場出場才研究的投資筆記。

問題來囉，這兩份要歸到 01-Projects 還是 02-Areas？

投資這個主題是生活領域，但是短期投資，還是放在生活領域嗎？

我繼續延伸。

假設我們把 0050 那份筆記放在 02-Areas，NVDA 這份因為是當沖用，放在 01-Projects。
半年後，俄羅斯將炮火對準外星人，發動宇宙大戰，這時候因為種種原因 0050 不再是長期穩定的投資標的了，而是短期當沖用的標的，那你整理的時候 0050 這份筆記要放在哪裡？

我想說的是，所謂的沒有「正解」，就是

當內容出自使用者的理解、並且會隨外部世界變動，這樣的資訊，難以透過事先訂好規則，就放手讓 AI 去做，舉凡股票、美感、專案完成度、健康/運動強度、職涯機會評估都是。

另一方面，如果大部分內容都是有正解的，像是「筆記完成後要貼上 Done 狀態」，有結束的一天就列為 01-Projects，沒有終點的長期維護就列為 02-Areas，這種黑白分明的判斷就完全可以交給 AI。

這就是人機分工的界線，讀者在享受 AI 代理知識庫維運的同時，要是能掌握好這個界線，那整理這個動作你會做得很好，規則清楚的部分放心交給 AI 省時間，答案需理解且會變動的留著自己判斷——你撈到的資料才會完全符合你的理解，整理過程也才真的輕鬆不費力。