AI 大神 Karpathy 的 AI 筆記流，一般人也能做到八成

我自己是幾乎不用筆記軟體的，身為一個不聰明的人，最常用的是 Apple 的備忘錄，但我覺得這篇大神的筆記流讓覺得蠻值得一試的，因為其實已經跟我現在用的 AI 工作流有點像，介於有筆記跟沒筆記中間惹 (?)

一般而言，大多數人用 ChatGPT 的方式，像是去便利商店買東西：有問題，問一下，拿到答案，關掉視窗，下次再從零開始。Karpathy 和 Lex Fridman 做的事情完全不同，他們讓 AI 幫自己蓋了一座圖書館，而且這座圖書館會自己長大。這篇文章會拆解這兩位 AI 領域最頂尖的人怎麼用 AI 做筆記，然後告訴你：不用寫程式，你也能做到八成。

先搞懂一件事：你用 AI 的方式可能一直在浪費

想像你手邊有兩個實習生，做事方式完全不同。實習生 A，你每次丟一個問題給他，他回答完就失憶了，下次問類似的問題，他又從頭查一遍。實習生 B 不一樣，他每次回答完會把資料整理成一本筆記，下次你再問相關問題，他翻筆記就能回答，而且越回答越快、越精準。

大部分人用 ChatGPT 的方式就是實習生 A。每次開新對話，之前聊過的東西全部消失，AI 對你的研究主題零記憶。Karpathy 做的事情，就是把 AI 變成實習生 B。

Andrej Karpathy 是 OpenAI 的共同創辦人之一，也是 Tesla 前 AI 總監，在 AI 領域的影響力無庸置疑。今年四月初他在 X 上發了一篇長文，描述自己怎麼用 AI 建立個人知識庫，Lex Fridman（MIT 研究員，全球最知名的科技 Podcast 主持人之一）馬上回覆說自己也有類似的系統。

兩個人的做法拆開來看，一般人其實能從裡面學到不少東西。

Karpathy 的系統：讓 AI 幫你蓋一座會自己長大的百科全書

他的流程分成六步：

第一步：把資料全部丟進一個資料夾

Karpathy 看到好文章、論文、GitHub 上的程式碼、資料集、圖片，全部存進一個叫 raw/ 的資料夾（raw 就是「原始、未加工」的意思，你可以把它想成電腦裡的「待整理」資料夾）。他用一個叫 Obsidian Web Clipper 的瀏覽器外掛，看到網頁按一下就存成本地檔案，就像你把所有參考資料丟進一個「未整理」的資料夾，不管它亂不亂，先存再說。

幾個名詞先解釋：

Obsidian：一個免費的筆記軟體，所有筆記存在你自己的電腦裡（不是雲端），檔案格式是 Markdown（一種用簡單符號標記粗體、標題的純文字格式，任何軟體都打得開）。它最強的功能是筆記之間可以互相連結，像是你自己的維基百科
GitHub：工程師放程式碼的平台，你可以先不管它

第二步：叫 AI 把亂七八糟的資料「編譯」成百科全書

整套系統最關鍵的一步在這裡，Karpathy 不是自己整理筆記，他叫 AI 讀完 raw/ 資料夾裡的所有原始資料，然後自動產出一本「wiki」，也就是一組有結構的筆記：自動寫摘要、自動分類、自動在相關主題之間建立連結。

換個方式想：你把一整疊亂七八糟的影印資料交給一個超級認真的助理，跟他說「幫我整理成一本有目錄、有索引、有交叉引用的參考手冊」，而且這個助理不會喊累。

重點來了：他幾乎不會手動去改這本百科全書。所有的整理、分類、連結、摘要，都是 AI 在維護。他只負責丟新資料進去，AI 負責把新資料消化進現有的知識體系裡。

這裡有一個 Obsidian 創辦人 Steph Ango 提出的重要提醒：你自己的筆記和 AI 產出的知識庫應該分開存放。如果混在一起，你的搜尋結果、連結圖、反向連結全部會被 AI 生成的內容淹沒，你再也分不清哪些是自己的想法、哪些是 AI 整理出來的。Karpathy 自己也確認了這一點，他的 raw/ 資料夾是親自整理的權威來源，AI 產出的 wiki 則獨立存放，每篇文章都有反向連結指回原始資料，隨時可以追溯來源。

第三步：直接對這本百科全書提問

當 wiki 長到一定規模（Karpathy 說他某個主題的知識庫大約有 100 篇文章、40 萬字），就可以直接對 AI 提問，AI 會去翻這本百科全書來回答你。

他本來以為要用一種叫 RAG 的技術（想像成「AI 先去圖書館翻資料再回答你」的機制），但發現 AI 自己維護的索引和摘要已經夠好了，不需要額外的搜尋系統。

回到實習生的比喻：你不用自己翻資料了，問問題就好，助理直接從他整理好的手冊裡找答案給你。而且因為手冊是他自己整理的，他知道每個資訊放在哪裡。

第四步：答案不只是文字

Karpathy 不是讓 AI 回一段文字就結束了，他會讓 AI 產出各種不同格式的輸出：

Markdown 文件：就是格式化的筆記，可以在 Obsidian 裡漂亮地顯示
Marp 簡報：一種把 Markdown 筆記直接轉成投影片的工具，不用開 PowerPoint
matplotlib 圖表：用程式畫出來的長條圖、折線圖、圓餅圖

全部在 Obsidian 裡就能看，不用切換其他軟體。

但真正聰明的地方在後面：他會把這些查詢結果「回存」到百科全書裡。也就是說，你每次問的問題和得到的答案，都會變成知識庫的一部分。知識庫越用越厚，越厚越好用。

第五步：定期讓 AI 幫知識庫做「健康檢查」

Karpathy 會讓 AI 掃描整本百科全書，找出資料互相矛盾的地方、補上缺漏的資訊（用網路搜尋）、發現不同主題之間有趣的關聯。

類似的概念你在工作上一定見過：每季盤點一次檔案夾，看看有沒有過時的資料、重複的內容、或是漏掉的東西。只是這件事也交給 AI 了。

第六步：自己做小工具

他用 vibe coding 的方式做了一個簡易搜尋引擎，有網頁介面也有命令列版本。所謂 vibe coding，就是「用嘴巴告訴 AI 你想要什麼功能，AI 幫你寫程式」，不需要你自己真的會寫。

這一步對一般人來說比較進階，但概念很重要：當知識庫大到一定程度，你會自然想要更好的方式來搜尋和操作它。

Lex Fridman 怎麼把這套系統玩得更遠

Lex Fridman 在回覆裡說他有類似的系統，但多了兩個獨特的玩法。

互動式網頁取代靜態圖表

Karpathy 的輸出是靜態的圖表和簡報，Lex 更進一步，他讓 AI 直接產出帶有 JavaScript 的 HTML 頁面。Karpathy 拿到的是一張「列印出來的報表」，Lex 拿到的是一個「可以點、可以篩選、可以拖動的互動式儀表板」。你可以按不同條件排序資料、切換不同的視覺化方式，像是 Excel 的樞紐分析表但更靈活。

跑步時用語音學知識

Lex 最有意思的用法跟電腦完全無關，跟他的跑步習慣有關。他的工作是做 Podcast，需要研究的主題非常多。他會針對某個特定主題，讓 AI 從大知識庫裡抽出一份「精華版筆記」（他叫它 mini knowledge base），然後把這份精華版載入 AI 的語音對話模式。

接下來他去跑步，7 到 10 英里（大約 11 到 16 公里），一邊跑一邊用講的問 AI 問題，聽 AI 用語音回答。他自己形容這叫「互動式 Podcast」，差別在於這個 Podcast 的內容完全根據他的問題即時產生。

一般人通勤、運動、做家事的時間，其實都可以拿來學習。你不需要 Lex 那麼複雜的系統，光是用 ChatGPT 的語音模式，把你想搞懂的主題丟進去對話，效果就已經很好了。

一般人怎麼做：不用寫程式的三步驟版本

看到這裡你可能會想，Karpathy 是 OpenAI 共同創辦人，Lex 是 MIT 研究員，他們的系統一般人怎麼可能做到？

其實核心邏輯很簡單，工具可以換成你熟悉的。

步驟一：建立你的「原始資料庫」

你需要的工具：Obsidian（免費）或 Notion（免費版就夠）

做法很簡單：看到值得保存的文章、報告、筆記，全部存進同一個資料夾。不用管格式，不用管分類，先存再說。

如果你用 Obsidian，裝一個 Web Clipper 的瀏覽器外掛，看到網頁按一下就能存成筆記。如果你用 Notion，內建的 Web Clipper 也能做到類似的事。

重點：不要花時間整理，這是 AI 的工作。

步驟二：定期讓 AI「消化」你的資料

每週或每兩週，把你的原始資料丟給 ChatGPT 或 Claude，用這樣的提示：

「我收集了以下關於 [主題] 的資料，請幫我：1) 整理出核心概念清單，2) 為每個概念寫 2-3 句摘要，3) 標出不同概念之間的關聯，4) 列出目前資料裡還缺少哪些面向。」

把 AI 整理好的結果存回你的筆記軟體，這就是你的「wiki」。下次有新資料，再丟一次，跟 AI 說「根據之前的整理，把這些新資料也納入」。

聽起來很手動，確實是。Karpathy 用的是自動化腳本，但手動做每次大概花 10 到 15 分鐘，效果已經比你自己整理好太多了。

步驟三：對你的知識庫提問

當你的 wiki 累積到一定程度，開新對話的時候先把 wiki 貼給 AI 當背景資料，再問你的問題。AI 會根據你累積的所有資料來回答，而不是從零開始。要注意的是，AI 單次對話能讀的量有上限（ChatGPT 大約 10 萬字，Claude 大約 15 萬字），所以如果你的 wiki 太大，可以只貼跟當次問題相關的部分。

進階一點的做法：Claude 的 Projects（專案功能）可以把檔案上傳為專案知識，ChatGPT 的自訂 GPT 也能上傳知識檔案，兩者都可以讓你把 wiki 設成「永久背景」，每次開新對話不用重新貼。

如果你連手動貼都嫌麻煩，Google 的 NotebookLM 可能是目前最接近 Karpathy 這套概念的現成免費工具。你把文件丟進去，它會自動整理摘要，讓你直接對所有上傳的資料提問。它甚至有一個 Audio Overview 功能，可以把你的資料變成 Podcast 風格的語音對話，概念上就是 Lex 那個「互動式 Podcast」的簡化版。

Lex 的語音學習法也能做：把你的 wiki 精華丟進 ChatGPT 的語音模式，通勤的時候用講的問問題，AI 會根據你的資料回答。不需要跑步，搭捷運也行。

這件事真正改變的是什麼

Karpathy 在推文最後說了一句話：他覺得這整套流程應該變成一個正式的產品，而不只是「一堆拼湊的腳本」。這句話反過來也透露了一件事：目前這些工具還很原始，但核心概念已經成立了。

回到開頭的比喻，差別就在於你把 AI 當成便利商店還是圖書館。便利商店去一次拿一次，圖書館會記住你借過什麼、研究過什麼，你下次來的時候，圖書館員會說「上次你看的那本，這裡有一本相關的新書」。

Karpathy 和 Lex Fridman 做的事情聽起來很技術，但拆開來看，其實就是三件事：收集、讓 AI 整理、對整理好的東西提問。這三件事，你今天就能開始做。

唯一的門檻從來都跟技術無關，就是願不願意養成這個習慣，如果你讀完想試試看，最快的起步方式就是把這篇文章本身，或是下方 Karpathy 和 Lex Fridman 的原始貼文，直接丟進 ChatGPT 或 Claude 裡，跟 AI 說「根據這套方法，幫我設計一個適合我工作場景的版本」。用他們的方法論當起點，讓 AI 幫你客製化一套自己的流程，這件事本身就是在實踐他們講的概念。