這篇在講什麼：PDF 是印刷格式，AI 讀起來是座標跟亂碼；丟越多資料給 AI，準確度越是雪崩式下滑。解法是資料清理加卡片化：把知識拆成一張一張獨立的卡片，用受控標籤讓 AI 檢索到精準的那幾張，需要的時候像積木一樣重新組合。下面的正文是投影頁形式，每一頁有一個互動或動畫，可以直接拉滑桿、點標籤玩玩看。
- 手上一堆 PPT、PDF 教材，想讓 AI 幫忙整理，卻發現它讀不懂的講師與知識工作者
- 聽過卡片盒筆記法，但不知道它跟 AI 有什麼關係的人
- 想把累積多年的舊資料，變成可重複使用素材庫的人
- 一段可以直接複製的「原子化拆解」提示詞（在文末）
- 判斷 PDF 為什麼難被 AI 讀懂的三個具體原因
- 拆完卡片之後的兩件配套：受控標籤檢索、3X4 時效收納
你手上的資料，現在是這樣
PPT 跟 PDF 是為了「講一次課」存在的。同一個觀念，在 A 課第 12 頁講過，在 B 課第 5 頁又講一次，在某份 PDF 附錄再出現一次。每次講法差一點點，骨子裡是同一件事。
這沒有做錯什麼，上課本來就要重複。問題是資料一多，連自己都很難確定：這個觀念講過幾次、哪一版講得最好。而且這些檔案的格式，AI 讀起來非常吃力。下一頁講為什麼。
PDF 是印刷格式，是設計給人看的，不是設計給 AI 看的
我們看到的漂亮排版，實際上都是程式碼。每一個字多大、多黑、什麼字型、放在哪個座標，全部都要寫進去。連一條分隔線，都要描述「有一條線，原點在哪裡，從哪裡畫到哪裡」。
你看到的
| 原則 | 先問目的 |
| 時機 | 學生提問時 |
檔案裡實際存的
BT /F1 14 Tf 72.0 704.2 Td (教) Tj
86.4 704.2 Td (學) Tj
100.8 704.1 Td (四) Tj
0.8 w 72 698 m 210 698 l S
/F1 9 Tf 72.0 671.5 Td (原) Tj
81.0 671.4 Td (則) Tj
72 660 138 14 re S ...一小格表格，就是這麼多座標跟筆劃資訊。AI 要靠「座標一樣」才敢認定是同一列，於是會發生這些事：
表格對不上就跳列
不小心多一個空格、座標差一點點，AI 就覺得那筆資料屬於另一列，甚至判斷成下一列，資料整個錯位。
圖裡的字讀不到
投影片重點常做在圖裡，或整份是掃描檔。那些字對 AI 來說是像素，要另外辨識，辨識就有錯字。
還有一個：PPT 的條列字是講給自己看的提示。「一、時機」你看著能講五分鐘，但那五分鐘沒有留在檔案裡，AI 只讀到四個字。所以第一步是資料清理：去除排版規格與亂碼，只保留純文字。盒子越簡單，干擾就越少。
丟越多東西給 AI，它就越混亂、越渙散
AI 的注意力跟人類一樣。你沒有跟它講重點，丟一堆東西給它，它就搞混了、頭昏了。資料量跟專注力是成平方比的，資料量一多，注意力跟準確度就會雪崩式下滑。拉拉看下面的滑桿。
餵給 AI 的資料
AI 的準確度
所以要把資料拆成一張一張卡片。拆完之後，重點是讓 AI 找到需要的那幾張再處理。怎麼找？下一頁。
卡片多了不怕，怕的是找不到。所以標籤也要做成卡片
拆成卡片只是前半段，後半段是讓 AI 找得到精準的那幾張。做法：每張卡片掛上標籤，而標籤本身也是一張卡片，是整個資料庫的連結樞紐。點一個標籤試試。
這是拆完的卡片庫。AI 要回答問題時，用標籤先縮小範圍。
脈絡像經絡密密麻麻，但你不用管每一條經絡，抓住幾個穴位，就能調控整條經絡。標籤卡片就是穴位。
先建一張受控分類表，標籤從表裡選用。四個維度給每張卡座標：對象、內容、情境、狀態。
可以搭配 3X4 資料整理法：內容分三種性質、四種時效收納，常用的浮上來，過期的沉下去，卡片庫不會越長越亂。
一張合格的卡片，長這樣
這就是卡片盒筆記法最簡單的應用：把知識拆解成單張單張的卡片，需要的時候再依照需求重新組合。拆的標準有四條，文末附完整提示詞可以直接複製。
每張卡只包含一個完整概念。既非一個章節，也非一堂課，是一個講得完的想法。
單獨拿出這張卡，不用翻前面後面，也看得懂。條列提示字要補寫成完整的話。
這張卡跟哪些卡有關係，標出來。之後找東西靠關聯找，也靠上一頁講的標籤找。
沒有標題的資料，AI 分不出段落哪裡結束、哪裡開始，會糊成一團。有了標題，段落邊界就清楚，人看得懂，AI 也看得懂。
卡片化不是為了好看，是為了讓知識能真正被重複使用。
把一頁投影片，拆成幾塊積木
一頁 PPT 上通常不只一件事。四個條列可能是四個獨立的概念，只是那天剛好排在同一頁。拆的動作，就是讓它們變成各自獨立的積木。
一頁投影片 → 四張各自站得住的卡
同一個概念講過三次，留一張最好的
拆完會發現一堆長得很像的卡。把它們擺在一起，挑一個講得最好的版本，或者合出一個更好的。三張變一張，內容沒少，少的是重複。
原本幾百頁的 PPT，可能濃縮成幾十張卡。頁數變少很多，內容一點都沒少。
積木平常散著，需要時立刻組出要用的樣子
這是卡片化真正的價值。AI 可以快速調用不同的卡片，幫你組成新的內容：寫企劃書、開新課、回覆提問，都是從同一批卡裡挑出來重排。點下面的按鈕看看。
六張卡在這裡，來源本來分散在三份不同的檔案。
拆的工作 AI 來，人只要在兩個地方出手
整個過程你不用重寫資料。真正需要人的只有兩件事，因為這兩件事只有你知道答案。
重複的概念，你說哪個講法最好
同一個概念有三個版本，哪一版聽的人反應最好、哪一版你講得最順，只有你知道。你挑，或是你講一次更好的，AI 把它寫成卡。
拆出來的卡，你確認有沒有拆錯
有些東西在你腦裡是一件事，AI 可能拆成兩張；有些你覺得是兩件事，AI 可能併成一張。這種要你講，AI 改。
先拿一份最短的試拆
挑一份最短的
挑一份你覺得最單純的 PPT 或 PDF，二十頁以內最好。不用挑最重要的，要挑最好懂的。
讓 AI 拆給你看
先做資料清理轉成純文字，再用文末的提示詞拆成卡片。拆完會看到一份清單：這份檔案裡總共有幾個不重複的概念。
看過覺得對，再全部下去
看拆出來的樣子對不對、講法有沒有跑掉。覺得對了，剩下的資料就用同一套方法做完。
整理完之後，開新課、寫文章、做線上課、回答問題，都是從同一批卡片裡挑出來重新組合。素材只做一次，之後一直用。
帶走：原子化拆解提示詞
把你正在整理的專案、工作流程，或者一篇文章，直接丟給 AI，請它幫你「原子化拆解」。提示詞寫好了，複製貼上就能用。
拆完之後的兩件配套，各有一篇深度文章可以接著讀：標籤怎麼受控、怎麼把標籤變成卡片，見〈把標籤變成卡片，知識庫才活起來：標籤連結法 Tag Wiki〉。