這篇在講什麼
2022 年底是「聊天機器人」爆發的時代，AI 只能在線上聊天回答問題，像一個很厲害但只能傳訊息給你的顧問。2026 年是「幹活機器人」爆發的時代，AI 可以直接進到你的電腦、看你的檔案、改你的文件。這帶出一個新問題：你的檔案，AI 進得來、找得到、用得動嗎？
· 文件散在雲端、桌面、各種筆記軟體，要用的時候自己都找不到的人
· 開始用 ChatGPT 或 Claude，想讓 AI 讀自己的資料，但不知道資料該長什麼樣的人
· 想開始經營個人知識庫，還在猶豫工具和方法的人
· 一個判斷標準：什麼樣的文件才算「可以被使用」
· 四個 Markdown 語法，滿足八九成的知識管理需求
· 卡片化、連結、受控詞彙三個核心觀念，加上可以直接複製的整理提示詞
整套方法只有五個概念
很多人以為資料整理要學一大套軟體操作。其實這堂課從頭到尾只講五個概念，工具只是配合這五個概念的手段。
把格式清洗成 AI 好讀的形式，先求乾淨純文字，再求漂亮。
目前最適合 AI 閱讀的文字格式，也是大部分 AI 回覆你的預設格式。
把大文件切成有明確邊界的小單元，方便組合應用。
在卡片之間建立因果和關聯，把你的思考脈絡保存下來。
描述文件屬性、統一用詞，讓整個知識庫變成 AI 可操作的系統。
先會用工具整理知識，再會設計資料系統，最後成為讓 AI 直接操作知識系統的設計者。
為什麼選 Obsidian：文件就是系統
課程用 Obsidian 示範，理由是它把資料主權完整留在使用者手上：你寫的每一份筆記，都是存在你自己電腦上的 .md 純文字檔。
它最重要的特性是：你今天把 Obsidian 整個刪掉，你的資料一樣在。只要資料夾還在，你的知識庫就還在。
功能齊全、上手快、團隊協作方便，適合想在單一平台內完成所有事的人。取捨是資料存在平台伺服器上，要搬家時得靠匯出工具，格式不一定保得住。
資料存在自己資料夾裡的純文字檔，同一個資料夾能用 Obsidian、桌面型 Agent、任何 AI 打開，工具是可替換的前台。取捨是要自己整理結構、自己管同步。這堂課走的是這條路，因為它對 AI 最友善。
兩條路各有適用場景，這是任務分工的選擇。這堂課最核心的觀念轉變在於：AI 時代可以讓文件本身成為系統：今天 ChatGPT 好用就接 ChatGPT，明天 Claude 更強就換 Claude，因為格式是開放的，主權在你手上。
四個語法，滿足八九成需求
Markdown 是用幾個特殊符號告訴 AI（和各種工具）文章結構的語法。你只要學會四個，就能滿足八九成的知識管理需求。
最容易搞混的是前兩個：井字號後面加空格是標題，不加空格是標籤。標題負責告訴 AI「這一段是一個獨立的內容區塊」，標籤負責讓你和 AI 快速篩出同類文件。
一個實用細節：標籤建議寫在文件的前幾行。Obsidian 自己在哪都找得到，但 AI 閱讀時比較認真看前面的內容，標籤放前面比較保險。
卡片化：幫知識畫出內容邊界
卡片化是整個知識庫設計最核心的概念：把大塊的資訊，切分成可以獨立存在、可以被重組應用的小單元。
為什麼需要？因為 AI 有一個特性叫注意力稀釋。你把三四百頁的 PDF 整份丟給它，前面讀得很清楚，讀到後面記憶塞滿了，就開始用跳的，內容很容易被略過。解法是把長文件切成有明確邊界的小單元：AI 看目錄就知道整體結構，看標題就知道這段的範圍，不用從頭讀到尾。
卡片可以切粗也可以切細，這就是卡片的顆粒度。整篇文章算一張是粗顆粒，每個章節算一張是中顆粒，每個知識點獨立成檔是細顆粒。實際切多細，看你的工作精確度需求和 AI 的上下文長度。以 2026 年初的 Claude 為參考，一張卡片超過 3000 字再考慮拆分就好；最實際的做法是用章節標題劃邊界，一份檔案裡有幾個章節就等於幾張卡片，不必每張卡都獨立開檔。
卡片化的回報在「拼積木」。當資料都有清楚邊界和標題，你就可以下這種指令：
這種跨文件重組，只有在資料已經卡片化的情況下，AI 才能準確找到對應內容。這也是卡片盒筆記法（Zettelkasten）的數位版：社會學者 Niklas Luhmann 用九萬張實體卡片支撐了大量高品質著作，AI 時代把「查詢與組合」這件事，從人手交給了 Agent。
連結要連的，是 AI 找不到的東西
很多人問：AI 自己就能分析文件關聯了，為什麼還要手動設卡片連結？
因為 AI 能自動找到的是詞語關聯性，像「第一次開會」和「第二次開會」這種明顯的關聯，你根本不用標。你該補的，是只有你看得到的連結：讀到一本書的觀點，突然發現跟你十年前的實戰經驗有呼應；開完會，發現跟三個月前某個客戶說的話有衝突。這些洞察 AI 沒辦法替你發現，它們才是你知識庫最有價值的部分。
補連結時，把因果方向寫清楚。AI 的本質是詞語關聯性計算，它知道 A 和 B 有關係，但不知道誰是因、誰是果、你為什麼覺得有關係。
另外建議所有文件都標上日期（例如 2026-03-09）。有時間軸，AI 才能推斷事件先後，也才能觀察你的工作演進規律。
受控詞彙：讓標籤不會越長越亂
知識庫寫久了會遇到一個必然的問題：形容同一件事的詞越來越多。描述「適合初學者」，你某天寫「#初級」、某天寫「#新手」、某天寫「#一看就會」、某天寫「#基礎」。四個詞說同一件事，標籤系統就被切成四份，搜尋開始失效。團隊共用知識庫時更嚴重。
受控詞彙的做法很簡單：事先定好只能用哪幾個詞。例如「難度」只有三個選項：基礎、進階、專業。不管誰來寫、哪天寫，描述難度就這三個詞，搜「#基礎」就能撈出所有入門內容。
好消息是你不需要一開始就設計好。可以先隨便打標籤，累積一段時間後，把整理工作交給 AI。在 ChatGPT 或 Claude 的專案模式裡存一段常駐指令：
字典檔就是受控詞彙的執行工具（為什麼換一個詞、AI 就換一區資料庫找答案，原理在提示詞模板為什麼時好時壞那篇）。定義好「難度分三級」之後，以後不管文件裡出現新手、入門、初級還是 easy，AI 都會統一換成「基礎」。
從手工到 Agent：三個演進階段
知道概念之後，操作上有三個演進階段，對應三種投入程度。
用 Obsidian 一篇一篇手打語法。完全掌控、順便學語法，量大時很耗時。
把文件貼給網頁版 AI，請它轉格式、設標籤。省手工，但仍要一篇一篇貼。
讓 AI 直接讀你的資料夾，批次處理所有文件。你只給指令和驗收結果。
第二階段有一個很少人知道的小技巧：提示詞最後加一句「輸出結果請包在程式碼區塊裡」。因為 AI 介面會把 Markdown 語法渲染成漂亮格式，你直接複製常常只拿到渲染後的純文字，語法全消失。要求放進程式碼區塊，點右上角複製，拿到的才是完整語法。
第三階段就是桌面型 Agent（例如 Claude 的桌面版、Google 的 Agent 工具）住進你的電腦，直接批次整理資料夾。三小時的課程逐字稿整理成數萬字教學手冊、整批截圖依內容重新命名、把部落格系列文章抓成本地資料庫，都是這個階段能做到的事。
你可以怎麼練習
整堂課記三件事就夠：AI 不會通靈，你要給它有跡可循的資料；文件就是你的系統，格式夠好，任何工具都能讀；AI 只知道關聯不知道因果，你的洞察要自己寫進去。
- 開一個資料夾，把手上的筆記、草稿、企劃全部丟進去，先讓 AI 有辦公室可以進來。
- 挑三五篇文件，用四個語法整理：標題分章節、加標籤、補一條你自己看到的連結。
- 把上面的整理提示詞存進 ChatGPT 或 Claude 的專案，之後的文件交給 AI 照規則整理。
- 累積一陣子後，對 AI 說「分析標籤」和「字典檔」，建立你的受控詞彙。
你的辦公室可以先很亂，重點是讓 AI 進得來。然後一步一步，把這間辦公室整理成你們兩個都好用的系統。