鐵人檔案
本系列將實作一套結合 Notion 與大型語言模型（LLM）的智慧知識管理系統，目標是讓日常筆記能夠轉化為可搜尋、可問答的知識助理。
過程中會涵蓋資料清理、內容結構化、語意檢索到問答生成，並嘗試設計互動介面，讓使用者能以自然語言向筆記發問。進一步還會加入多輪對話記憶、多語支援，以及自動回寫 Notion 筆記等功能。整個過程將完整紀錄架構設計、技術選型與實作細節，分享如何從零開始，將個人知識庫升級成專屬的 AI 助理。
在前兩天（Day 19～20），我們分別完成了兩個階段的任務： 【Day 19】n8n × Notion：讓筆記成為「動態知識中樞」 【Day 20】實...
為了打造 Notion Rag 系統，在前 21 天，我們做了許多「資料流」的工作： 從 Notion 撈資料（Database → Page → Block...
在 Day 22 中，我們已經完成了一個基礎版的 RAG 後端來達成： 接收使用者輸入的問題 透過 ChromaDB 檢索最相關的 Notion 筆記 由 G...
從命令列走向視覺化，打造一個真正好用的知識庫對話介面 在 Day 23，我們介紹了 Streamlit 基礎概念與功能。今天，我們要進一步把這個「原型」變成...
在 Day 24，我們打造了第一個可以「對話」的 Notion × LLM 助理，讓使用者能直接用自然語言從筆記中搜尋答案。但實際使用後我發現，它仍然比較像是「...
在 Day 25，我們完成了對話記憶與來源追蹤的完整設計規劃。今天，我們將把這些設計概念轉化為實際可運作的程式碼，並透過實測發現系統的改進空間。 今日目標：...
在 Day 26，我們成功實作了對話記憶與來源追蹤功能，但在實測時發現了幾個系統的改進空間，因此今天會針對第一大類問題做修正與優化 -- 修正 Metadata...
在 Day 27，我們深入診斷了系統中的關於 metadata 四個關鍵問題，並制定了完整的修正計畫。今天我們要動手實作，按照既定的順序逐步完成所有修正：...
在 Day 28，我們成功修復了向量資料庫的結構問題，讓資料流從 SQLite 到 ChromaDB 重新順暢起來。不過當我們開啟 Streamlit App...
在這次鐵人賽開始之前，我的目標其實很單純：讓 Notion 筆記不只是儲存資訊，而是能主動回應問題。 30 天過去了，我們從零開始，經歷了資料結構設計、向量化、...
