你現在是怎麼用 AI 的？
先想想你最近一次使用 AI 是什麼情景。
也許是打開 ChatGPT，請它幫你把一封 email 改得客氣一點；也許是把一疊會議資料丟進 Gemini Notebook（原 NotebookLM），請它生成一份漂亮的簡報；也許是請 Gemini 生一張活動海報，或是請 Claude 寫一份企劃書、做一張 Excel 試算表。
每一個任務，AI 都做得很好，而且一定比自己動手做的快很多。只要任務夠單純、資料一次給齊，AI 幾乎沒有什麼做不到的。
但用得越多，你大概也會發現一件事：AI 很聰明，卻好像總是差了那麼一點。
AI 很聰明，但它不夠懂你
差的那一點是什麼？
說 AI 完全不了解你，其實不太公平。很多人跟 AI 對話的當下，都會覺得它是全天下最懂自己的人：它對語言的理解非常出色，甚至能給出世界上最暖心的回答。
但在工作上，光是懂你的心情還不夠。工作需要的理解，往往需要建立在硬事實上：例如某天部門晨會上經理的指示、某次 RA 實驗中的真實數據、某個專業機構研究報告的結論。AI 看不到這些，就只能給你「看似正確但沒用」的籠統答案。
仔細想想，你每天用 AI 時，大概會遇到這幾個狀況：
- 資料散落在各個 AI 平台：簡報在 Gemini Notebook、生成的圖片在 ChatGPT、文件在 Claude。每個平台只記得自己那一塊，沒有一個 AI 看得到你工作的全貌。
- 你成了資訊的搬運工：工作資料很多，散落在各種系統和資料夾裡。要請 AI 做事之前，你得先把資料一份一份找出來搬給 AI；更麻煩的是，這只對「單次對話」有效：離開這次的對話或專案，它可能又忘了，下次你還得再搬一次。
- AI 記錯重點：現在的 AI 其實有記憶，但你沒辦法窺見他的記憶庫；你不確定它記了什麼、忘了什麼。它可能記得你早晨有喝美式咖啡的習慣，卻不記得你手上某個案子 delay 的前因後果。
- 工具越來越多，越來越焦慮：每天都有新的 AI 工具出現，每個感覺都很好用，時間卻不夠去學習每一個工具，很擔心自己跟不上時代的變遷。
你可能開始覺得，AI 就像一位超人助理：能力超強、反應超快、從不喊累，可惜他患有失憶症。每次見面，他都不記得你是誰、你們上次進度做到哪裡，你每次都得從頭講起。
為什麼「記憶」是 AI 工作流的核心
AI 產出的品質 ＝ AI 的能力 × AI 對你的了解
你有沒有想過，大家使用的大語言模型（LLM）都差不多，為什麼有些人用起來就是比較厲害？為什麼有人已經可以用 AI 把工作效率提升不只 2 倍，你卻只是在用 AI 寫 email、產圖呢？我直接給你答案，真正會拉開差距的，是 AI 對你了解有多少。
泛科學共同創辦人鄭國威，在他主持的 Podcast《思想實驗室》裡談過一個困擾：他很希望把寫文章、產腳本這些工作交給 AI，但 AI 就是抓不到他的梗、不懂他的邏輯；腳本產出來之後，他還是得跟 AI 來回辯論、一再糾正。他看別人已經能用 AI 做出很厲害的 App、遊戲，不禁納悶：自己只是要一兩千字的文章，怎麼會這麼難？是用法不對、設定沒調好，還是得換更強的模型？
我的答案是：都不是。問題在於，那些來回辯論的結論，沒有被萃取出來、保留下來。
每一次辯論，其實都是在教 AI 一件事：這個梗為什麼好笑、這段邏輯為什麼要這樣接、這個說法為什麼不能用。可是對話一結束，教過的東西就跟著消失；下一篇文章，同樣令人絕望的辯論又得重來一次。
- 又從零辯論一次這個梗為什麼好笑第 1 篇文章
- 又從零辯論一次這個梗為什麼好笑這段邏輯要這樣接第 2 篇文章
- 又從零辯論一次這個梗為什麼好笑這段邏輯要這樣接這個說法不能用第 3 篇文章
令人安心的資深同事
想了解記憶的價值，我舉個例子，請你想像公司裡有一位資深同事，他總是能夠很快的判斷當前的局勢，立刻做出相對應的處理，大家遇到什麼事，都會想先去和他討論；他的存在，總是令人安心。
這位同事的價值不在於比新人聰明，而是在於他已經在公司待了很久了，經歷過很多事，理解每件 Case 的來龍去脈、每位客戶的個性是什麼、老闆的地雷在哪裡、去年會議為什麼這樣決定，這些存在於他腦海裡的東西才是他在公司不可或缺的原因。
AI 也是一樣，有了長期累積的記憶，它才會從「工具」變成「同事」。
你管理知識的方法，決定了 AI 能否順利接上你的長期記憶
這牽涉到一門專門的學問：個人知識管理（Personal Knowledge Management, PKM）。坊間的知識管理方法非常多：例如德國社會學家魯曼用了一輩子的卡片盒筆記法（Zettelkasten）、Tiago Forte 的「第二大腦」與 PARA 分類法、Notion 要先設計好資料庫的欄位，再一筆一筆照著填；Obsidian 要自己建立筆記之間的連結等等。
我自己從 Evernote、Notion 一路用到 Obsidian，也讀過《卡片盒筆記》、《第二大腦》等書，每一套方法我都試過，但每一套我都撐不久，我一直懷疑是自己的意志力太薄弱的原因。後來我才想通，問題不在意志力，也不在選錯工具：而是這些方法都需要工作者，願意花大把的時間持續整理（詳見知識庫建置服務）；而在多數中小企業裡，沒有任何一個人的工作內容是「專門把公司的經驗保存下來」。AI 改變的正是這個前提：整理的工作交給 AI，人只負責判斷。
當 AI 進入工作流後，傳統筆記的用途也跟著變了。過去記筆記，只是為了提醒自己，讓我們看筆記時，能夠「回想」起已經淡忘的片段；但未來，筆記是 AI 用來了解你最重要的材料。因為會議錄音、往來信件不只記錄了「發生了什麼」，裡面還藏著更重要的訊息。
AI 從你的工作片段中，可以整理出「你在意什麼、從什麼角度看事情、為什麼做那個決定」那些你可能自己都沒意識到的事情——我把這個動作稱為「萃取」。
AI 從一則一則筆記中學到的不只是事實，還有你的經驗、你的習慣；這也是為什麼我常說，這種方法，可以逐漸把 AI 變成「你的形狀」。我整理了過去的工作經驗，並揉合了不同知識管理的知識，把它轉化為一套人類能夠跟 AI 完美協作的環境，我稱它為 AIOS （AI Operating System）。
AIOS 怎麼運轉：以我的知識庫為例
接下來，我用自己每天在用的知識庫，拆解這套系統是怎麼運作的。
先看結果：一句話背後，AI 做了多少事
前幾天我在調整網站，對 AI 只說了一句：「幫我把官網首頁的照片，在手機上改成圓形。」
它開始運轉，過了一會兒，他順利完成了任務，同時也主動回報了工作歷程，整段對話過程大概像這樣：
幫我把官網首頁的照片，在手機上改成圓形。
讓我看一下過去是怎麼做的…
- 找到網站程式的資料夾，並同步最新版
- 版面先改設計稿，再匯入網站
- 重新建置整個網站，逐頁檢查有沒有壞掉
- 截圖檢查手機版和電腦版
- 確認沒問題後上線，並同步備份到 Google Drive
- 改到文章文字，先改知識庫裡的定稿
完成，大約花了 4 分 30 秒。
總共 6 個步驟，我那天並沒有一件一件交代，但它順利完成了。
這不是 AI 變聰明了，是因為它記得我的需求了。
AIOS 是什麼：替失憶的超人準備一套外接記憶
回到「失憶的超人」。他的能力從來不是問題；問題是每次醒來，他都忘了昨天。
要讓他一醒來就能馬上接手，你得在他床頭放好 5 樣東西：
- 一份行為準則 (CLAUDE.md 或 AGENTS.md)：規矩是什麼，什麼可以自己決定、什麼要先問你
- 一本記憶筆記 (knowledge.md)：你是誰、客戶是誰、以前發生過什麼、做過哪些決定
- 一疊操作手冊 (skill.md)：常做的工作，一步一步該怎麼做
- 一張每日例行清單 (index.md)：每天開始、結束時固定要做的事
- 一串鑰匙 (API、MCP、connector)：能自己打開 email、行事曆、公司系統，不必每份資料都等你遞給他
1行為準則
CLAUDE.md 或 AGENTS.md
第一層｜人機協作
2記憶筆記
knowledge.md
第二層｜記憶庫
3操作手冊
skill.md
第三層｜工作流程
4每日例行清單
index.md
第四層｜自動化
5鑰匙
API、MCP、connector
第五層｜接上外部系統
AI 模型本身，是那位能力超強的超人；每一次對話，只是他醒著時腦中記得的事，對話一結束就忘了；而 AIOS，是他每次醒來都能翻開的那一整疊資料。
這也回答了「工具太多」的焦慮：就算明天來了一位更強的超人（更強的 AI 模型），準則、筆記和手冊都還在，他一醒來就能接手。
開一個資料夾給 AI，不等於有了知識庫
讀到這裡，你可能會想：「我也有啊。我在 ChatGPT 開了專案、上傳了檔案；或是讓 Claude 讀取電腦裡的一個資料夾，AI 就讀得到我的資料了。」
這是很好的起點，但它和一個可以持續運轉的 AI 知識庫，是完全不同的兩件事。
開一個資料夾給 AI，比較像把一整箱沒整理過的照片，放在失憶超人的床頭：東西都在，但他每次醒來，都得從頭翻一遍，才知道哪張重要、哪張早就過時；箱子裡的東西越多，就越難翻。
東西都在，但每次都得從頭翻一遍
每本都有一行摘要，AI 先看摘要再決定打開哪幾本
- 資料的樣子
- 原始檔案原封不動：PDF、Word、截圖整理成 AI 讀得懂的筆記，每則都有摘要
- 找資料
- 檔案一多，AI 往往只挑幾段字面相近的片段來讀，前後文被切斷，容易抓不到重點AI 先看目錄和摘要，決定該讀哪幾則，再把整則筆記讀完
- 規矩
- 沒有，AI 每次自己猜有一份準則，說好什麼能做、什麼要問
- 範圍
- 只在這個專案裡有用跨專案共用，整理一次，處處可用
- 會不會長大
- 你放多少就是多少每次工作後都會新增、萃取、連結，連糾正過的事都記得
- 時間久了
- 越堆越亂，最後沒人敢打開定期健檢，越用越好用
簡單說，資料夾是「什麼都堆在那的倉庫」，知識庫是「會自己整理的圖書館」。倉庫放得再多，也不會讓 AI 更懂你；圖書館卻會隨著每一次使用，變得更完整、更好找。
接下來的 5 層，就是把床頭那 5 樣東西，一樣一樣準備好，讓倉庫變成圖書館。
第一層｜人機協作介面設定：先說好什麼 AI 自己做、什麼要問你
第一層，就是那份行為準則：東西放在哪裡、什麼事可以自己決定、什麼事一定要先問我。AI 每次開工都會重讀一遍，而且照做。例如我的準則寫著：不確定能不能刪的筆記，一律搬到封存區，不准直接刪除。
準則最難的是拿捏界線：寫得太鬆，AI 會自作主張；寫得太緊，AI 什麼都要問你，你反而更累。
第二層｜記憶庫：存得進去，30 秒找得回來
這一層就是那本記憶筆記，也是整套系統的核心。
存進去：會議記錄、讀過的文章、客戶來信、做過的決策，都由 AI 整理成一則一則的筆記，寫好摘要，歸到對的資料夾。我的資料夾不是依專案分，而是依內容類型分：會議、閱讀、知識、產出、人……一則筆記可以同時屬於好幾個專案。這個知識庫從今年 7 月開始建立，目前累積了 387 則筆記，其中 222 則是濃縮過、可以跨專案重複使用的「知識筆記」。
找回來：我只為這套系統設定一個 KPI：只要曾在知識庫記錄過，AI 就要能在 30 秒內找回來。存進去卻找不回來，是知識庫唯一真正的死因。所以 AI 找資料有固定的順序：先看總目錄，再掃每則筆記開頭的摘要，最後才搜尋全文。摘要比全文小了大約 10 倍，AI 只看摘要就能判斷該打開哪幾則，又快又省。找到之後，它會註明出處，我隨時可以回頭查證。
我的知識庫，用數字看
- 387則知識庫裡的筆記總數
- 222則其中可跨專案重用的知識筆記
- 30秒唯一的 KPI：記錄過的事要能在這時間內找回
- 約1/10摘要的長度只有全文的十分之一
兩種記憶：知識記憶與做事的記憶
用了一段時間之後，我發現 AI 需要的記憶其實有兩種：
| 知識記憶 | 做事的記憶 | |
|---|---|---|
| 記什麼 | 我知道什麼：會議、客戶、讀過的書、做過的決定 | 我喜歡怎麼做事：流程、偏好、踩過的雷 |
| 例子 | 某場會議談了什麼、某個客戶的背景 | 文章先改定稿再改網站；日期一律用阿拉伯數字 |
| 怎麼來的 | 每次開會、閱讀之後整理進去 | 我糾正 AI 一次，它就記下來，之後不再犯 |
多數人談 AI 的記憶，想到的都是第一種。但真正讓 AI 越用越順手的，是第二種。
還記得前面鄭國威的困擾嗎？他缺的，正是做事的記憶。有了 AIOS，每一次來回討論之後，AI 都會把討論的結論萃取成一則一則的筆記：你的幽默感長什麼樣子、你習慣怎麼安排論證的順序、哪些說法你一定會改掉。下一次寫文章，AI 先讀過這些筆記再動筆，就不必把同一場辯論再重新 run 一次。每一次的辯論內容，都成了下一次的起點，產出也才會越來越快貼近你要的樣子。
我的知識庫裡，目前有數百條我做事的記憶，每一條都來自一次糾正或一次肯定。就在寫這篇文章的同一天，我跟 AI 說：「今天這個模式很不錯，未來也會繼續用這種方式寫文章。」它就把這套寫文章的流程記了下來。下一次我說要寫新文章，它會直接照這個流程走，不需要我再教一次。
第三層｜工作流程：把「憑經驗」寫成 AI 照著做的步驟
很多工作靠的是「憑經驗」。問資深同事怎麼做，最常聽到的回答是「看情況」；可是看什麼情況、看到了怎麼辦，都只存在他的腦袋裡。交給 AI 也一樣：沒寫下來的經驗，每次都得重新交代，品質也跟著時好時壞。
這一層，就是把經驗寫成固定的步驟。
上一層「做事的記憶」是一條一條零散的提醒；工作流程則把它們串起來，寫清楚先做什麼、再做什麼、哪一步要停下來問我。在 Claude 裡，這叫做 Skill，也就是 AI 的操作手冊。例如我說「掃一下標案」，AI 會先讀公司目前的服務內容和報價邏輯，決定要到政府採購網搜尋哪些關鍵字，逐案判斷檢視內容，並判斷我的公司適不適合投標，最後寄一封摘要信給我；我要做的，只剩決定要不要投。
- 「掃一下標案」我只說這一句
- 讀公司現況目前的服務內容與報價邏輯
- 決定關鍵字到政府採購網搜尋
- 逐案判斷檢視內容，判斷適不適合投標
- 寄摘要信把結果整理成一封信
- 我決定要不要投停下來等人
寫步驟不難，難的是寫出判斷
「這種情況該怎麼處理」，資深員工通常答得出來，卻說不出自己是怎麼判斷的。我到企業帶員工做這件事時，會一直追問：「你怎麼知道的？」「遇到例外怎麼辦？」把腦中的規則挖出來，寫成一張判斷規則表，再拿真實資料讓 AI 試跑，錯了就回頭補規則。這張表會隨著業務一直長大，也是整份流程最值錢的部分。
第四層｜自動化：說一聲「開工」「收工」，AI 自己跑完
流程再進一步，就是「自動化」，如何讓工作者一句話，就觸發一整串工作（或甚至定期啟動，工作者什麼都不必說）。例如我現在每天早上，對 Claude 說「開工」，AI 會主動把行事曆、新進的 email 和昨天留下的待辦看過一遍，幫我排出今天的工作流程；下班前，說「收工」，它便會整理今天的筆記、檢查連結、更新目錄，最後存一個還原點；每週再做一次健檢，把斷掉的連結、越長越亂的標籤整理好。
知識庫最怕的，是半年後變成一個沒人敢打開的檔案垃圾場。過去要避免這件事，得有人花時間定期整理；現在，我只要說一聲。
第五層｜接上外部系統：不再當資訊搬運工
最後一層，是那串鑰匙，要解決「資訊搬運工」的問題。
透過 MCP（一種讓 AI 接上外部系統的標準接口），AI 可以自己去讀資料，不必你先複製、貼上。例如我開工時，AI 會自己讀取 Google 行事曆和 Gmail。還沒接上的來源，像 LINE 群組，我目前還是手動轉貼（其實 LINE 官方帳號有提供 API 可以串接）；但就算是手動，資料也只要搬一次，之後所有 AI、所有任務都能用。
這五層，正是我開設的 AIOS 企業導入實戰工作坊 的五個模組。如果你想帶著團隊，從頭蓋出一套屬於公司的 AIOS，可以參考課程內容。
AIOS 的五層
不再當資訊搬運工床頭的：鑰匙
說一聲「開工」「收工」，AI 自己跑完床頭的：每日例行清單
把「憑經驗」寫成 AI 照著做的步驟床頭的：操作手冊
存得進去，30 秒找得回來床頭的：記憶筆記
先說好什麼 AI 自己做、什麼要問你床頭的：行為準則
點任一層，看它在做什麼
這五層就是工作坊的五個模組 →越用越懂你：AIOS 是一個飛輪
AIOS 最讓我著迷的地方，是它會越用越懂你。
它的運作就像一個飛輪：你放進去的資料越多，AI 就越了解你；AI 越了解你，你交代事情就越省力，它做出來的東西也越貼近你要的；越省力，你就越願意把工作交給它，放進去的資料也就越多。
飛輪剛開始推的時候，最費力。頭幾個禮拜，要把準則寫好、把舊資料整理進去，還要不斷糾正 AI：「這樣不對」「下次請這樣做」。那段時間，確實會覺得還不如自己動手比較快。
但飛輪一旦轉起來，就會越來越順。以我為例，我從 5 月開始用 Claude，一開始也只是在 claude.ai 的對話框上和 AI 一問一答；7 月開始建這個知識庫，後來才學會用 Claude Code。將近 2 個月下來，我交代 AI 的話越來越短，它做出來的東西卻越來越像我自己做的。前面那句「首頁的照片，在手機上改成圓形」，就是飛輪轉起來之後的樣子。
記憶是你的，不是 AI 公司的
最後，我想強調一件事：我的知識庫裡，所有筆記都是純文字檔，放在我自己的雲端硬碟裡。
今天我用 Claude，明天如果其他公司出了更好的 AI 模型，我可以直接換過去，這幾個月累積的記憶一樣都不會少。這也是我不太擔心「AI 工具太多、跟不上」的原因：真正會拉開差距的，從來不是你用了哪一個工具，而是你累積了多少 AI 讀得懂的記憶。
我相信，這樣的工作方式，未來會成為白領工作者的基本能力，就像現在大家都會用 Word、Excel 一樣。最後，我想和你講一句話：
如果你想把這套方法用在自己或公司的工作上，歡迎預約諮詢，我們可以從你手邊最常重複交代的那件事開始聊起。
參考資料
- 鄭國威，《思想實驗室》Podcast ep120（來賓黃哲斌）
- 封面：Arthur Rackham 為 Washington Irving《李伯大夢》（Rip Van Winkle）所繪插圖，李伯睡了 20 年後回到村子，村民都不認得他。圖片來源：Wikimedia Commons（公有領域），經裁切。
