我一直以為，它們都是推進目標的必備條件

但事實告訴我，不是這樣

過去四週，我從零 Vibe Coding 出一款手機 app，目前正在公開封測，離上架 Apple Store 只剩一步；我沒有任何計畫、沒有編程或手機 app 製作能力與經驗（所以才 Vibe Coding），也沒有任何時程表

我只有個「我也想試試自己 Vibe Coding 一款手機 app」想法，然後就實現了

相對的，最近我問自己「為什麼你還是沒有腹肌？」

我為這目標前前後後寫過三次計畫，我確認自己有足夠的知識去實踐，我有安排過時程表，但兩次都是虎頭蛇尾、不了了之的失敗

很明顯，問題不在有沒有計畫、能力或 Deadline

反思下來，我覺得原因非常單純

別人那套不一定有用

難道我沒把想要腹肌當回事嗎？怎麼可能

我想要，不然也不會重來三次

那為什麼不像 Vibe Coding 手機 app 那樣，一次就成功？

這是爛問題，因為這可以扯出各種理論來歸因

譬如 Tony Robbins 會說因為你沒把相關的行為，正確地連上 Pain & Pleasure；你沒把「吃麵包、蛋捲就跟吃屎一樣噁心」（這樣你就不會去做）或「慢跑 40 分鐘讓我超舒服」（這樣你會更常做）的想法或感覺烙進腦裡

《原子習慣》作者 James Clear 會說因為你沒有把該做的行為，設定的夠明顯（Obvious）、夠有吸引力（Attractive）、夠簡單（Easy） 和夠有滿足感（Satisfying）

《原則》作者 Ray Dalio 會說因為你沒有對問題零容忍、你沒有把問題診斷出根因、你沒有用上帝視角評估改善整個運作系統

他們說的都有道理，而且全都有效。我都試過，全都沒效，要嘛不喜歡，要嘛不好用

這很正常，因為那是對他們有用的套路，對其他人不見得有用。否則也不會光他們三個成功人士，就有三套不同的目標實現心法

你要真心把它當回事

我反思 Vibe Coding 手機 app 為什麼成功，原因只有一點：

我是真心把它當一回事

整個起點，是我找了一部 Vibe Coding 手機 app 的教學影片，然後一邊看一邊實作，而且只看了半部，後續全依賴 Claude Code，它一邊幫我編程，一邊填補我的知識黑洞和回答各種低級問題

過程中遇到各種瓶頸，很多是一次就被 AI 解決的小坑洞，有幾個則是 AI 跟我一起頭痛好久，才終於抓出的 Bug（雖然事後看其實都是些智障 Bug）

就這樣，一口一口吃掉了整隻大象

我發現自己在電腦前 Vibe Coding，不在電腦前也在 Vibe Coding —— 吃飯吃到一半、慢跑跑到一半、洗完澡坐在床上時，都會想這個 UI 可以怎麼改、那邊 UX 是不是這樣能更好，然後趁還有印象時趕快記到手機，成為 Claude Code 下個 session 的工作

我有計畫嗎？沒有，一開始我只是抱持好玩、嘗試的心情

我有能力嗎？編程能力我沒有（好在 AI 有），開發手機 app 經驗是零

我有時程表嗎？怎麼可能，隨便突然冒出來個 Bug 就讓我卡半天，哪來行程管控

但我一直把它當回事，經常想它、做它，其他東西在必要時自己就會生出來、補起來

寫在最後

這一輪「獲得腹肌」，我決定復刻 app 開發經驗，認真把它當回事來進行實驗

別誤會這是要開始自律。我對自律的解讀是「雖然不想做，但我還是去做」。我不信自律那套：第一，那樣活很可憐；第二，那樣過走不遠

就拿 Vibe Coding 來看，我沒逼自己去做什麼；相反，我會想再繼續多做點什麼

我信渴望那套 —— 「我就是想做」；我信自我意象（Self-image）那套 —— 「我做這件事，因為我是這樣的人」

你覺得重要卻不常想的事，只是雜訊；你覺得重要又佔據內心的事，才算一回事

你有在沒計畫、沒能力、沒行程表的情況下，最終實現一個中長期（兩週以上）目標的經歷嗎？或者你有那種又有計畫也有能力，但總是走不到終點的願望？你又是怎麼想、怎麼做，我很好奇

— allexx

我打造的 app 叫「日憑記」。我一直想要一個能記錄自己進步與改變的 app，但多數打卡型 app 只能記錄預先設好的習慣，那些更多是臨時起意、不在習慣清單上的成長行為，全都沒有去處。

日憑記解決這問題。你隨記一筆行動、給它個身分後，會得到一枚印記；你打卡預先設好的習慣，同樣也會得到一枚印記；兩種記錄都會寫進你的個人成長軌跡。

這些印記會繞成一面面印盤，並且蒐集成冊為你的進步累積證據。

「日憑記」沒有連續打卡情勒、排行榜競爭、社交點讚互動，它只會偶爾跳出一枚舊印記，讓你回顧自己曾經做過、自滿的行為與故事。

目前封測限定 iPhone，有興趣連結在這裡。

我原本以為「日憑記」離封測很近

沒想到 AI 提醒我 APP 要上架，中間還有好多事要做：

• 要申請 Apple 開發者帳號

• 要埋量測點，蒐集匿名使用數據

• 要設計 Onboarding，讓使用者速懂 APP

所以上週算是個有進度，但又沒那麼有進度的一週

為什麼這麼說？因為我確實修了很多 BUG，讓 APP 更完善

但我其實更該把時間用來完成 AI 提列的那些事

那樣才能加快驗證「日憑記」這 APP 有沒有市場需求

以下是我新學到的一些事情

APP 定位會越用越清楚

起初，我對「日憑記」的定位是「身分建立」APP，透過「自由隨記＋習慣打卡」的雙重記錄方式，持續累積「我是那樣的人」的證據給自己看

隨著使用密度拉高，我發現與其說它的價值在於累積證據，然後被動地提供證明，讓我最有感的是它使我更常態性、有意識、主動地使用「那個身分」

譬如我想要更健康、身材更好，每天看著打卡習慣、寫入隨記後彈出「我是身材好的人」提示，我觀察到自己在進食時，更常有意識地降低熱量攝入、增加蛋白質攝取

然後這又會怎樣？我就有更多證明「我是身材好的人」的證據可以記錄，而更多次記錄又會讓我再讀到更多次「我是身材好的人」的提示

當然，我還不敢說「日憑記」這 APP 能幫人改變、變得更好，不過它讓我體會到 2 件當初沒想過的優點：

1. 透過身分提示引發行為轉變

2. 一個自我支持的成長飛輪

它從一開始「秀證據」的定位，變成「支持自己改變」的成長永動機

如果一開始你想 Vibe Coding 的東西，只有個模糊概念，沒有清楚定位，別在這關糾結，盡快做出最核心功能，然後積極使用它，很快你就會知道它是什麼、能做什麼，是不是你想要的東西

勇敢砍掉重練

在設計 UI 時，我以為第一次設計的算不錯。但沒多久越看越不喜歡，想改掉它

可是心裡會覺得要花時間改嗎？現在這樣其實也還可以

現在我可以跟自己說：心裡覺得要改的時候，就得改；當你心裡覺得還可以、可以接受的時候，才可以先不改

後來我決定動手改，然後當下覺得滿意的第二版，隔兩天我就又看不順眼，於是又再改，就這樣一個頁面，十天裡改了三次

剛開始我以為砍掉重練是大工程，但事後才發現在 AI 的輔助下，替換畫面的設計其實不難，更耗時間的是在微調、細修，還有解決各種意想不到的 BUG

所以，如果你不滿意，不要猶豫，勇敢砍掉再來過，直到你足夠滿意

足夠滿意的意思是它可能不是最終版，但已經好到你可以接受；你知道可以再更好，但時間用在別處 CP 值更高

我離完了只差「再試一次」

要進行封測，需要一個 Apple Developer 帳號

我乖乖照網路教的填好資料申請，然後被拒絕了

什麼原因都不說、一封改進建議 email 都沒有，真的什麼都沒有的那種沒有

然後申請按鈕也不能按了，直接不再讓我申請

我到 Apple 開發者論壇，看到原來有一堆人都遇到這類情況

卡在申請帳號這關的，少則數週，多至半年以上

我想說完了，沒想到 APP 上架竟然是卡死在最沒想到的一步

就在我想著要開始寫客服 email，或者乾脆申辦公司改用公司號時

我死馬當活馬醫的再用自己另一個 Apple 帳號申請一次

然後一下就過了，我到現在都不知道 Apple 是怎麼判定

所以如果你第一次申請沒過，還沒世界末日

把你能用來申請的帳號，全都再用一遍

BUG 永遠修不完，設止損線

當「日憑記」完成度跨過「可使用」基準線後，我開始認真使用

用的越多，發現的 BUG、極端情況也越多

修 BUG 是會上癮的，因為 AI 的關係，多數 BUG 能在 10 分鐘內搞定，你會覺得事情很有進展，會一直想修下去

但別這樣，尤其是 APP 處於剛開發階段

這不代表就不修 BUG，而是要適度放過；就像你下載過的任何 APP、遊戲，一定都有 BUG，但大家也都是邊發行、邊營運，一邊修修補補

訓練自己在不影響核心能力與使用體驗的情況，對一些 BUG 暫時睜一隻眼閉一隻眼

目標是盡快將 APP 給更多人測試，別做一個零 BUG 但零需求的東西

業界、標準、已驗證

這三個是我最近常問 AI 的用字

好幾次當 AI 拆解某 BUG 時，它告訴我目前的程式做法不是業界常用的方法，所以容易出錯

這讓我很不爽：「阿你怎麼不一開始就用業界標準做法來寫！？」

照理來說，我心中聰明的 AI 應該預設用最穩、最標準的做法，但實際上並不是，它很容易走最便利、最快速、最補丁的路線

沒辦法，我覺得這是 Vibe Coding 要背的技術債。我不知道該怎麼開規格；我不知道 AI 這樣設計架構好不好；我不知道遇到一個問題，業界的標準、已驗證做法長怎樣

但說實話，我也不考慮反過來回去補那些知識，而打算靠兩個解法：

1. 開始動 APP 第一行程式碼前，先叫 AI 為專案寫一個好的 CLAUDE.md，譬如優先考慮業界、標準、已驗證的 coding，拒絕便利、快速、補丁式的 coding 之類

2. 等著 AI 變更聰明，我覺得這解法來得會更快

在那之前，那三個詞是讓我心安的保險，當 AI 跟我說「是的，這是業界標準作法，XXXXX 官方手冊也是這樣建議」，我就會開 Auto 模式放手讓它做

寫在最後

這陣子我最興奮的一個時段，是週五中午到週六中午的 24 小時，Claude Code 用量被 reset，而且 24 小時候會再 reset

這 24 小時就像個禮物，讓我可以大操特操 AI

但這也讓我陷進狂修 BUG、美觀的瑣碎小事，畢竟 AI 用量擺在那裡不用太可惜，BUG 解決後帶來的多巴胺又太甜美，會讓你一直想繼續那種低邊際效益的活

別這樣，拉高層次看看真正重要的下一步，才不致於讓自己一直處於有進度沒進展的 Vibe Coding 無限迴圈

— allexx

我在開發的 APP（名稱暫為「日憑記」）目的是幫助使用者更有效、實質性地建立自己期望的新身分，無論身材更好的人、注重伴侶的人、認真開發事業的人。

你或許試過不少習慣養成 APP，一開始堅持打卡一兩週，但最後卻都是斷掉、遺忘收場，總是勾不到那個新的自己。

這不是你的問題，是因為你誤以為該把焦點放在習慣養成，實際上你真正該留心的是「身分建立」。你得讓自己確信「我是那種人」，而這需要證據，很多證據。

「日憑記」幫你蒐集、累積那些重要證據，然後用這些憑記每天重複在你腦中深化一句話——「我的確是那樣的人」。你不會再認為是自我催眠，因為你能看見很多證據支持著那個新身分，而更有分量的新身分會再回頭推促你累積更多證據，形成「身分建立」的飛輪效應。

如果你對這 APP 有興趣，回信 “NEW ID”，我會在開始封測時寄邀請信給你。（TestFlight 測試名額有限，先回信先卡位）

P.S. 目前 APP 只能在 iPhone 運作，Android、IPAD 都還不行。

兩週 Vibe Coding 衝刺，APP 終於開發 85%。

對我這個弱編程基礎、零 APP 開發經驗、零 UI&UX 概念的初入者而言，計較開發速度沒什麼意義，學到什麼反而更重要。

這 15 天裡我砍掉了兩個 APP 開發，它們都在 Prototype 出來後沒多久就喊停，因為不覺得夠有用、夠有繼續下去的價值。

這回終於讓我抓到一個想完成、上架的概念，也讓我的 Vibe Coding 從概念設計、原型生成，轉為更多的 Debug、 UI 設計和 UX 迭代。

這週我又學到一點與大眾認知相反的心得，以及 Vibe Coding 時值得提醒自己的體悟，希望對 Vibe Coding 有興趣的你有些幫助。

只准自己用最強模型

你會看到有人說、官方文件說，要根據任務難度切換模型，這樣能夠節省 tokens。

我原本也是這樣用 AI，但這兩週 Vibe Coding 下來，經驗告訴我別這樣，尤其當你和我一樣沒有程式設計背景的時候。

想想看，你一個不怎麼懂程式的人，現在要顧一個程式架構師兼編程員時：

1. 你只會想要它越聰明越好。

2. 你不會想要它一下聰明、一下沒那麼聰明。

使用比較弱、比較次的模型，或是一下用最好一下換成次級模型的行為，都是在找自己麻煩。

Anthropic 開放 Fable 後，更加深我對這點的感受。

在沒有 Fable 這頂規隊友前，Opus 確實已經表現出眾。只要你好好跟它溝通，它都能完成任務；第一輪不行，第二、三輪也總能搞定。

但 Fable 不同，它幾乎都是一輪就能正確完成。

這當中有個有趣的自我發現：當我跟 Opus 互動時，我會有嫌它沒聽懂或嫌它的建議模稜兩可；但跟 Fable 互動時，我只會嫌自己怎麼沒講清楚。

這種情況下，換不換模型就已經不再是 tokens 使用最佳化的問題，更牽扯到對 AI 的信任度問題。

對於 Opus 的回應，我的反骨個性會常說「是嗎？」、「它根本沒懂這問題吧」。但對於 Fable 的回應，我心中更常發聲的是「嗯！它是真懂這問題，而且解得真棒」、「它想的真周到！是這樣沒錯！我同意它最後的提案」。

久而久之，我發現自己只想用 Fable，因為我更相信它能有效解決問題。

做個對 AI 有幫助的實測員

Vibe Coding 手機 APP 時，AI 沒辦法實機檢測 BUG、操作手感、動畫體驗（或是我不懂怎樣做而已），得完全依靠我的反饋進行分析與改進。

這時，你的觀察、描述能力好不好就很重要。

譬如我在開發時遇到一個動畫不流暢的 BUG，通常會歸咎是效能問題，所以我直覺用「卡頓」這字眼描述，而這詞確實引導 Fable 往效能方面 Debug。但實際上動畫是「凍結」了一下，並不是效能問題，而是程式邏輯問題。

我和 AI 在效能層面 Debug 好多回，就在要放棄改用替代方案時，我無意間觀察到一個小細節，我也不知道有沒有幫助，但還是死馬當活馬醫的告訴 AI，結果它說 這個發現直接破案了，最後終於把問題解決。

讓我哭笑不得的是，事後它在記憶裡寫下：

使用者為 Vibe Coding（不解讀程式碼），回報以症狀為主、用詞不精確，但實機觀察力強

真是會下結論...

不過我認為 Vibe Coding 時不必過度擔心這點，AI 只會更聰明，未來再加上能便宜地輸入影像資料後，AI 就能自己看實機畫面檢驗了。

但在那之前，當好 AI 的手和眼。

寫在最後

Vibe Coding 前我看過不少影片裡的人說，他們從 idea 到上線只要 4 小時或半天，最多 2 天。結果我搞了 2 週，也才覺得可以準備封測。

或許因為我是新手，又或許他們說的上線只是概念驗證。

實際走過一次後，我知道以自己的能耐，就算重來一次也高機率不會那麼快，又移除了一個錯誤期待。

接下來會專心改掉明顯 BUG、爛 UI&UX，盡快端出 v1.0 給人試用。

— allexx

我在開發的 APP（名稱暫為「日憑記」）目的是幫助使用者更有效、實質性地建立自己期望的新身分，無論身材更好的人、注重伴侶的人、認真開發事業的人。

你或許試過不少習慣養成 APP，一開始堅持打卡一兩週，但最後卻都是斷更、遺忘收場，總是勾不到那個新的自己。

這不是你的問題，是因為你誤以為該把焦點放在習慣養成，實際上你真正該留心的是「身分建立」。你得讓自己確信「我是那種人」，而這需要證據，很多證據。

「日憑記」幫你蒐集、累積那些重要證據，然後用這些憑記每天重複在你腦中深化一句話——「我的確是那樣的人」。你不會再認為是自我催眠，因為你能看見很多證據支持著那個新身分，而更有分量的新身分會再回頭推促你去累積更多證據，形成「身分建立」的飛輪效應。

如果你對這 APP 有興趣，回信 “NEW ID”，我會在開始封測時寄邀請信給你。（TestFlight 內部測試名額是 100 人，先回信先卡位）

P.S. 目前 APP 只能在 iPhone 運作，Android、iPad 都還不行。

我正在學習 Vibe Coding 一款手機 app，目標是把它正式上架 app store，最近學到許多有趣觀念，也從中摸索出幾點心得，跟你們分享。

MVP vs SLC

一開始在開發產品時，我端著 MVP（Minimum Viable Product）思維，想說盡快寫出能夠執行核心功能的 app 就好。

這樣做出來的原型（Prototype），UI 都長很醜、UX 也不人性。畢竟 MVP 就是強調盡快丟到市場測試，取得使用者回饋後迭代。

只是，雖然這 MVP 核心功能已經完備，但它醜到我根本不想花心思試，用起來這裡小卡那裡小BUG，讓我不想用下去，我覺得這就是個大問題。

做為零號測試者，我自己都不想碰，丟給其他人測試有什麼意義？

比起 MVP，我更接受後來認識的 SLC（Simple、Lovable、Complete）概念。

Simple 是關鍵，聚焦把核心功能做到好，包括足夠好的 UI 和 UX，讓使用者用起來還算開心（Lovable）、滿意（Complete）；加分、附屬、錦上添花的功能一律往後延。

改用 SLC 思維後，我就沒再一直很躁很急很趕，而能好好坐下花時間優化 app 的核心體驗。

要錢也請要得有邏輯一點

每天晚上，我會從 app store 下載許多潛在競品來體驗、測試。

我發現多數 app 重複出現一個毛病，就是使用者都還不夠認識、熟悉這個 app，就跳出收費、訂閱頁面，還呼籲你年繳能有 discount。

你跟聯誼對象才剛在咖啡廳前碰面，就要求對方未來跟你同居一年，你誰？

我真不懂這什麼神邏輯，這是我學到之後當我 app 上架後，絕對不幹的事情。

想法、落實都不值錢，Distribution 才是

我在 YouTube 看那些「My App Made $xxxK in xx days/hours」影片時，最常聽到的一個字是 Distribution。

當我越是 Vibe Coding，越是認同。現在 AI 真的很強，只有你沒想法或想不清楚，沒有它寫不出來的情況，而且寫得超快。

以前會聽到「想法不值錢，落實（Execute） 才厲害」，現在做個 app 有 AI，落實門檻大幅降低，也變得沒那麼值錢。

通路（Distribution）做得好不好，無論是自己持續發文、買 KOLs 行銷、打造 AI Influences 大軍海發短影片，能不能不斷創造有效的流量，是決定 app 能不能活下來狠重要的一點，無論這個 app 本身設計得好或不好都一樣。

寫在最後

開始 Vibe Coding 後，終於有時候會碰到 AI 用量上限。之前 Fable 還沒出來時，我「很浪費地」用 Opus 開 Thinking 寫文章、組織筆記，也從沒碰觸過上限，我總在想別人到底是用 AI 幹嘛，才會用量 Reset 才兩天就抱怨用量沒了。

我終於開始體會到了。現在操爆 AI 是我的興趣之一，不過我發現要操爆它其實也不容易，因為我必須先有想法、構思才能操它，所以最後往往先被操爆、躺下休息的是我自己…。

— allexx

最近我開始認真 Vibe Coding，還好 AI 沒有拒絕合作的權力。

過去我著重比較多在「寫」，把想法、觀察、心得寫成文字。但這段時間，我心裡有個聲音越來越大，覺得光是寫還不夠，我想要打造些什麼、做出能被用的東西。

恰巧，最近聽 Naval 的幾段 podcast 後，這個念頭被推得更顯眼，他重複提到一件事：Life is lived in the arena。

對於新事物，你有很多管道可以學，但最好的方式不是學，是從做中學。

於是，我決定專注做個 Builder，這幾天我開始動手，我給自己設一個目標：從零 Vibe Coding 打造、上架一個手機 app。

開始前，我真心以為這應該很難，畢竟從非工程師的視角來看，搞個手機 app 聽起來就是個有門檻的活。但實際開始後，我發現難是有難度，但並沒想像中那麼難。你只要找一個教學影片跟著做，AI 會自己把過程照顧好。中間就算碰到跟影片不一樣的狀況，AI 也會給你指引，照著走就能解決。

我真正碰到的問題

我想打造的是個 Time Tracking app，原先我猜想會在產品概念上卡關，我怕自己傻裡傻氣想的設計方向，其實根本就是一坨*。

結果這也不是問題，AI 在這方面同樣提供很多想法和幫助，我跟它討論幾輪後，就定好大致方向。譬如一開始我認為重點是要「輕鬆記錄」，但它告訴我真正重點是要「讓記錄有價值」。我覺得確實是這道理，聽起來 make sense。

然而，隨著討論越來越往細節走時，我發現了真正的問題——我必須下決定，很多決定。譬如 AI 針對某個操作細節，提出 A、B、C 三個設計方案，我該選哪個？這三個各有好壞，是選那種都可以的題目。

當然，可以叫 AI 替我選，但問題是為什麼我不知道該選哪個。

卡住我的，是沒有足夠的 Domain Knowledge 和經驗。

不少人把這叫「Taste」，我不喜歡這用字，我喜歡叫「Sense」。直白的說，就是你觀察或實做一件事夠久後，自然培養出一套什麼是好、對、有用，什麼是爛、錯、沒用的直覺。

我之所以卡住，只因為我第一次做 app、第一次 vibe coding、第一次從設計者的角度思考 Time Tracking，什麼都是第一次的「零 Sense」。

這讓我想到 Anthropic 最近發布的研究，講的剛好也是同一件事：報告指出，越是擁有 Domain Knowledge 的人，越能透過 AI 編程得到想要的結果，並且 AI 完成任務的成功率越高。

換句話說，當人負責「做什麼」（What to Do）、AI 負責「怎麼做」（How to Do），這樣清楚分工之下，瓶頸不在 AI 那，而是在人身上。

該怎樣培養 Sense

答案你已經知道——從做中學。

If you want to learn, Do. - Naval

我知道，最聰明的方式是看案例、從別人身上學，省下自己摸索、踩雷的時間與成本。

道理大家都懂，但你我也都體會過，那種學法總是缺乏切實感，真到要用時仍然無法發揮。

很多事，就是得自己碰過、做過，才算真的學會。

這次實做手機 app 也一樣，我完全不期待它會是個什麼驚艷產品、上架就很多人下載。那些不是重點，它就是個 project，一個讓我從做中學的媒介。

它扮演的角色是過程，不是終點。

寫在最後

現在很多人都自己寫 web app、artifact、mobile app 給自己用，像 Justin Welsh 就說他自己做了個監控一人事業的 dashboard，脆上也有一堆自己寫健身記錄、記帳 app、blabla 的例子。

人是擅長製造、使用工具來取得優勢的物種。現在新工具已經出現，如果你不知道到底要怎麼開始，可以像我一樣為自己簡單設個 Project，然後開始從做中學。

當你被超模 AI 隊友倒逼時，你會更清楚看見自己的不足。

努力進化自己，別被 AI 嫌棄了。

— allexx

如果你的事業需要長內容培養信任與流量，但沒時間將核心觀點轉變成自滿的文字內容，想真正讓 AI 為你更省時、省力地穩定輸出，我的系統在這裡。

當 AI 告訴你一段特別有啟發的回應時，你會不會下意識將它複製貼上到筆記裡？

我會，而且我甚至還變本加厲，寫一個 Skill 叫 Claude 把對話綜整成一則保留脈絡的重點筆記。

前陣子接觸 Andrej Karpathy 提出的 LLM Wiki 概念後，我認為把 AI 的對話摘成筆記，根本是完美的複利行為 —— 任何消耗的 token 都成為我筆記永久的一部分，為我下一個問題提供最佳養分。

某種層面上，這想法是對的。

只是我騙不了自己，當我把那些知識、洞見存成硬碟裡一則則 markdown 筆記時，那瞬間心裡的確充實，但更深層的潛意識，發出的卻是焦慮。

我心裡清楚，那些存下來的資訊，高機率的命運仍是靜靜躺在數位角落，不用兩天就會從我的短期記憶裡抹除；它們被遺忘的速度，比當初我複製貼上時的心跳還快。

更讓我不安的，是當我真正需要用到那份資訊時，極可能我想不起它、用不了它。

我要的不是知識，我要的是改變。

但多數時刻，我做的卻是把資訊從 AI 對話框搬到筆記軟體的收集儀式。

回想與找回都是自找的麻煩

這收集儀式，是現在的你在給未來的你找麻煩。

第一層麻煩是「回想」。

在未來某個日常工作片刻、遭遇某個難題的瞬間，你的腦袋必須要通上強力電壓，確保你能夠想起：

「噢對！我之前跟 AI 聊過這個，我還有把它記下來」

第二層麻煩是「找回」。

當你被老天眷顧的想起好像有這麼回事後，如果很遺憾你想不起內容是什麼，你得在資料夾間、標籤海裡，把這份過去記下的資訊給撈出來。（現在已經好多了，叫 AI 撈就行，但仍然還是要一道工序）

這套先考驗記憶能力、再試煉檢索能力的運作方式，操作摩擦力實在太大。

即懂即用的「嵌入式」學習

我意識到必須捨棄這種破方式，拒絕繼續儲存知識，而要直接改變系統。

我管這叫做「嵌入式」學習（不是電腦科學說的那個）。

現在每次我從 AI 那裡得到有用的觀念、洞察或是框架時，我不再記下它，而是直接問自己：「我該怎麼把它嵌入我現有的運作系統」

什麼是現有的運作系統？

一個是我的心智模型（內部），另一個是我的行動模型（外部）。

心智模型告訴「你怎麼想」，行動模型指導「你怎麼做」。

把洞見記在筆記軟體裡，不一定會改變你怎麼想和怎麼做，全看你有沒有記住它，還考驗你有沒有在該運用的場景套用它。

「嵌入式」學習則不一樣，它保證你能運用新得到的資訊。

重點在於，將新發現直接「嵌入」正在運行的系統，讓改變 100% 會發生。

過去是「我學到新知 → 我記下來 → 可運用場景出現 → 我想起來 → 我運用新知」

現在是「我學到新知 → 把新知嵌進系統 → 可運用場景出現 → 我運用新知」

如何即時更新你的運作系統

那麼日常生活中，我怎麼具體實行這個「嵌入式」學習？

一個心法：把重心從「紀錄」導向為「改變」。

學習，就是相同的情境，不同的反應。

譬如，當我學到一個更好的 Offer 打造技巧，我會直接把它塞進我用來檢驗 Offer 好壞的 Checklist，或是更新打造 Offer 的工作流程。

這樣，我不必下次要打造新 Offer 或評估某 Offer 時，還要回想上次學到什麼或回頭檢索筆記；新知識已經直接嵌入我必經、必用的系統流程裡。

如果 AI 教我一個更有趣的內容寫作技巧，我不會把這方法存成一則筆記，而是直接攤開我現有的內容寫作流程（SOP）、草稿模版（Template），看看能夠怎樣更新。

同理，若是認知突破、心智模型的更新，也是即時嵌入。

當我認為和 AI 的某個對話片段，能夠運用到我的心智模型裡，我會立刻換上，讓它實質改變我的思考方式、幫助我的「演算法」升級。

每當 AI 指出我某個思維盲點，我會用筆記軟體記下來，但不是為了日後回想，而是盡可能幫自己在當下刷新思維邏輯，我會記下過去遇到這種特定情境時，我的反應是什麼，現在我要把它替換成什麼樣的新觀念。

我會把自己原先的思維舊路徑與新路徑列在一起，視覺化地讓這條新思路覆蓋、取代舊有的思維習慣，即時更新我的演算法。

寫在最後

AI 時代最不值錢的就是被整理得整整齊齊、供奉在硬碟或雲端裡的靜態知識。

現在誰都能隨時隨地從 AI 得到完美答案，資訊獲取成本趨近於零，比誰原生腦袋或第二大腦裝得更多、更整齊，完全沒有意義。

真正的優勢建立在你工作流程更新的速度、你大腦演算法迭代的頻率。

當你越將每個「這很重要、這很有用」的時刻直接嵌入系統，你就越不再焦慮。

因為你知道，自己在當下就已經完成進化。

— allexx

如果你想用 AI 穩定輸出內容（像這篇）、降低文字創作瓶頸，為事業深耕品牌信任，我的方法在這裡。

當我不滿意現況時，我會付諸行動嘗試改變，改變自己或改變環境。

我有過好多次記憶猶新的不知足經驗。

大學時為了應徵樂團鼓手，明明鼓棒拿不到三個月，硬把 Bon Jovi 的〈You Give Love a Bad Name〉跟陶喆的〈Dear God〉練到吉他手和主唱都說跟原曲一樣。好不容易贏過應徵對手，我卻放棄加入，無論樂團成員多麼熱情勸我。只因為我覺得當吉他手更帥，所以決定改學電吉他。（現在回頭想想，其實都很帥）

重訓時也是，明明腿已經在抖，卻硬要多蹲兩個。游泳時也是，好不容易才把自由式學得像個樣，就想要會蹬牆翻身，嗆水無數次。

而前個工作，它讓我穩定領著一份很不錯的薪水，但我仍決定不幹。讓我不知足的不是錢，而是自由，我想要「我不想做那個很瞎又沒有意義的事」的自由。

問題是...

如果你是個不滿足現況，總是想要更多、更好的人，社會告訴你要知足，知足才能常樂，不知足是個差勁的人格特質。而你可能會相信它，因為那樣你才不會感覺自己格格不入，才不會讓周遭的人覺得你難相處。

那些人會那樣說，其實也容易理解。不知足代表有什麼該改變，而改變很麻煩，維持現狀比較安逸、舒服，這是人性。

只是你細想，社會拋給你的知足框架，是偏斜的。多數工作環境默許、鼓勵你對工作進度不知足，卻不怎麼喜歡你對薪水不知足。

更有些工作環境，即使你的不知足對它有幫助，它也不喜歡。它不想你去變動那些它早已習慣、不用過腦的流程或系統。當你想改變那些奇怪、可笑、一問就倒的體制時，那些人會告訴你：「過去一直都這樣」。

我想告訴你，不知足是你最好的超能力。

「不知足」這三個字，如果換成一串英文，就完全沒有貶意：

Having a Higher F**king Standard.

誰這樣說過？我喜歡的 Alex Hormozi、Tony Robbins 都說過。（扣掉中間消音那個字）

它標示著你對自己有比多數人更高的期待。

它訴說你是個渴望進化、追求更好的個體。

它反映你有一套自己的標準跟世界觀，而不隨便接受那些普世規則。

接下來的內容，我會告訴你：

• 為什麼不知足又有行動力的個體，遙遙領先大多數人。

• 為什麼你其實已經完成打造一人事業 50% 的工作。

• 一個把不知足轉化成讓自己更自由——金錢上或選擇上——的可能性。

讓我們開始。

不知足又有行動力的個體，遙遙領先多數人

如果你既不知足，又同時有行動力，那我敢肯定你一定正在做這件事：進化你自己。

你不滿意自己的身材，你會去調整飲食、重訓。你不滿意自己的腦袋，你會去閱讀、思考、與人（或AI）對話。你看不順眼一個沒效率的工作流程，你會忍不住動手調整。

多數人不會那樣，他們選擇無視、妥協、習慣，然後說服自己「其實這樣也沒差」。

但你不行，你受不了，而這就是差距拉開的地方。

你不斷往前走，無論步伐大小、速度快慢，多數人則停在原處。

你們之間距離多大，代表你的優勢有多大。

你怎麼就已經完成打造事業 50% 的工作

一個事業要成立，基本就兩件事：

1. 你要有個東西

2. 你要把東西賣出去

Learn to sell, learn to build. Learn both and you will be unstoppable. - Naval

而你骨子裡在做的事，剛好幫助你達成第一項。

因為不知足的你，會真心在乎、願意持續探究某些事，只為了解決那個困擾你（很可能也困擾別人）的問題。

你付出的時間與心力，一直在默默為你累積、你從沒覺得那是「資產」的底蘊。

或許是怎樣花式跳繩、怎樣寫好鋼筆字，又或許是怎樣用 AI 產生 J-POP YouTube 頻道、怎樣讓喜歡的女性也喜歡你。

你在不知不覺中，已經「有個東西」。

如何用你不知足的心打造一人事業

一人事業的商業模式，說穿就一句話：先進化你自己，再幫助人進化。

再說得有條理一點，可以拆成幾個階段：

1. 運用你不知足的心，解決那個你看不順眼、無法容忍的問題。這個問題自帶價值，否則你不會這麼想解決它。重點是，有其他人也正被這問題所苦。

2. 你把解決問題的方法，整理成一套別人照著運用後也能得到成果的產品或服務。

3. 你讓人知道你在解決什麼問題、為什麼要在乎問題、最後能夠得到什麼、你的解法為什麼更好。

4. 你賣出產品或服務，幫助有著同樣問題或需求的人前進、進化。

好，雖然說你已經完成 50% 的「打造」（Build），還有另外 50% 的「銷售」（Sell）你得跑通它。

該怎麼做？你得讓很多人認識你、喜歡你、信任你。

沒有內容，人們無法認識你

就像如果我沒有持續寫「自・進化」這個電子報，你不會認識 allexx 這個人。

你現在讀這篇文章，它讓你認識我這個人是誰、在想什麼、在做什麼。

你需要產生、發布內容，別人才有管道認識你。

許多人建議從社群媒體開始，我認為從電子報起手更好，因為：

• 多數人一開始經不起社群媒體的吵雜，電子報更適合適應公開寫作

• 多數人一開始沒能力日更，每週一篇短電子報的節奏更好累積信心

沒有立場，人們無法喜歡你

要讓人喜歡，你的內容得讓觀眾看完有「我認同」、「他跟我想的一樣」的效果。

別誤會，這不是要你討好人，而是要你願意表達立場、選邊站。

你選邊站好後，觀眾才知道你喜歡什麼、討厭什麼、相信什麼、否定什麼。

這樣才能吸引跟你想法、頻率相近的人；相對的，也會產生討厭你的人。

這很正常，就像這篇一樣。

那些相信「知足常樂」的人會討厭我，如果他有訂閱我的電子報，他看到這篇後會退訂，甚至留言或回信罵我。

我接受，而且我覺得很好，表示我做對了。

忠實呈現自己，至於對方感受如何，那是他的事。

沒有價值，人們無法信任你

相信一個人的前提，是他沒弄過你、騙過你。

再來，是他有過對你好、對你有幫助的歷史記錄。

換句話說，他提供過價值給你，你相信跟他打交道應該不會吃虧。

把概念套到內容上，當別人撥出時間讀你東西時，你最好讓他看完後覺得得到了些什麼。

不見得一定要是很實質的 SOP、提詞、清單或一系列操作步驟，可以是個小啟發、新觀點或有趣的洞察，甚至只是讀完後讓人心情變好、會心一笑，這些都有做到「提供價值」。

這完全不複雜，就是一場場疊加的交換遊戲。

首先，對方給你一點時間，你的內容回饋他一點價值。

然後，你們交換的東西越來越大。

對方撥更多時間看你的東西，你的電子報、部落格回饋給他更大點的價值。

就這樣，從一則貼文、一篇文章，到一個試用、一堂課程、一次 60 分鐘諮詢、一套完整系統。

當他相信「我的付出能夠換到物超所值的東西」，你們之間就有交易。

至於你心裡那些「可是」

我知道你心裡可能有幾個「可是」，我用自己的經驗回答：

「可是我覺得自己還沒準備好，想再等等」

我就直白說：多等 2 週、3 個月、1 年，你就只是晚 2 週、3 個月、1 年開始而已。

沒有任何好處。

如果我少掉過去一年的嘗試和掙扎，那只代表有一年份的嘗試與掙扎，等著我去填補。

你要的不是「讓自己準備好」，是開始。

開始寫東西、開始寫電子報，開始聊些什麼讓人認識你。

如果覺得自己就是寫不出來、寫得很吃力、寫得很費時，可以讓 AI 和你一起創作。

「可是我有正職，需要辭職嗎？」

我不知道。這得看你的生活方式、財務狀況，允不允許那樣做。

我可以告訴你的是，這跟辭不辭職完全無關。

辭職只代表你有更多時間跟精力去經營，不代表你會成功得比較快。

「可是這要多久才會成功？」

我不知道，As long as it takes。

就像我也還在實踐的路上，前面還有很多關卡等著我去破。

如果你本來就有銷售、行銷、做產品、寫文案的實務經驗，或許可以少走些彎路。

像我就都沒有，全都從頭來。

「可是大家手邊有 AI，誰還要你的答案」

我用 AI 越久，對 AI 回答開放式問題的信任度越低。

現實上，AI 從沒真實解決過你遇到的問題，它只是吐出一堆字給你，你需要自己判斷。

AI 跟抱著問題的你，其實站在同一個點，只是它「學習」的資訊比你多很多很多。

AI 並沒有跟已經解決問題的那個人，站在同一個位置。

你要聽跟你站同個位置的 AI，還是聽已經走完、站在另一邊、握有解答的人的話？

寫在最後

當然，一人事業不是三兩句就交代完的事。

這篇只想帶給你一點啟發，讓你知道原來自己有這個選項。

至於細節，我相信那不是你需要的東西。

你只需要一個指引，不知足的你如果真的有興趣，沒什麼難得倒你。

— allexx

但對那些想每週穩定產出長內容的一人事業者或個人品牌經營者，那篇留了一個更根源的問題：

那 12 個字要怎麼來？

答案沒什麼奇特，它來自所謂的「靈感筆記」。但事情沒有那麼單純，我自己花了很久才搞清楚，為什麼過去我的靈感筆記要嘛是空的，要嘛是裡面有東西，但坐下來寫時卻派不上用場。

我也知道要記，但就是沒有記

有段時間，我的靈感筆記是全空的。

我在手機上設定 Notion 捷徑，按一下就能快速捕捉想法與靈感。想說這樣把「想到要記」到「開始記」的摩擦，壓縮到 1 秒以內，夠方便吧？

結果我發現自己幾乎沒在點它。

因為我沒有動力，我心裡有個預設：就算記了也沒用。

這該死的預設來自很多次我想寫東西、打開靈感筆記時，發現裡面記的東西大多不能用、不好用。久而久之，當我遇到可以記的事情時，也不會第一時間記下，就這樣放它們離開。

更糟的是，那段時間我容易冒出這個念頭：難道我生活真的沒什麼值得記的？真的過得這麼沒產值？

如果你也有過這種情況，我先告訴你：不是的，你只是記錄系統有 bug 而已。

如果你想要有素材可寫，移除這 2 個 bug

有 2 個認知錯誤 bug，導致我靈感筆記庫時常放空，我花了好一陣子才意識到它們的存在。

Bug 1：預期多數記錄都該是有用的

我自己卡很久才接受這件事：多數記錄本來就不能用、不好用。我的經驗值是 95/05 的比例——記下 100 個觀察，最後能變成文章素材的，大概只有 5 個。

聽起來滿慘，但其實只是普遍存在的 80/20 法則，比例更極端而已。想一下就知道，不可能你的每筆隨記、天外飛來一筆全都是寶。

這個 bug 讓我預期自己花時間寫下的記錄大部分該要能用，卻發現幾乎沒什麼能用，久而久之自然會下出這樣的結論：記錄根本沒用、沒什麼好記的。

最後，什麼都懶得記。

記錄，為的是讓你捉住珍貴的 5% 素材。

接受 95/05 的低期望值，你會記錄得更勤、更多，這樣反而更能累積有用素材。

Bug 2：預期能看到文章畫面的記錄才有用

這個 bug 比較隱蔽。

以前我打開靈感筆記，看到一句「你對 AI 越誠實，它越能幫你」，我腦袋會自問：「這要怎麼變成 1,500 字？」只要沒看到那條路，我就覺得它沒用，然後跳過或刪掉這筆記錄。

事實上，種子本來就看不出來會長成什麼。當我看著這堆靈感種子時，要做的事是判斷哪些種子我更想養它。至於把靈感種子轉變成一篇文章，那是擴展流程的工作，不是你看種子當下該回答的問題。

把這兩件事混在一起，每顆種子在你眼裡都會顯得幼稚、可笑。

如果你想要有用的靈感筆記，套用這 2 條準則

移除 2 個 bug 後，現在的你更願意去記。但該怎麼記錄，能讓它們在未來更有機會能用、好用？

可以從兩處簡單地下手：記什麼 與 怎麼記。

PRO TIP：只記和你寫作主軸能沾上邊的事。對我來說，AI 應用／一人事業／數位寫作這三個圈圈外的事物，不會進入我的靈感筆記庫。

1. 只記有立場的文字

不要記事實、不要記別人的話本身、不要記純粹的感受——除非它們伴隨你的立場反應。

立場最容易浮現的兩種情境：

• 反駁（「他說 X，我不同意，因為 Y」）

• 預期落差（「我本來以為 X，結果是 Y」）

共通點是你的立場、偏見已經被外部刺激反射出來，不用自己苦思。

立場才是文章的靈魂，沒立場的記錄只是流水帳。

2. 立場 + 「因為……」

多數記錄放幾天後就變得過期、難用，是因為沒留下當時的脈絡，回頭要用時就只是一兩句沒頭沒尾的文字。記錄時，補上個「因為……」：

你對 AI 越誠實，它越能幫你
因為這幾天我發現我告訴 AI 越多我的秘密，它給的回饋越像只跟我說的秘密

第二行是觸發點，負責把未來的你拉回當時的思路。沒它，你只會瞪著第一行標語式的漂亮文字，然後不知道該怎麼用。

這兩條準則，一條提醒自己「記什麼」、一條提醒自己「怎麼記」。

如何從「不能用」升級到「可以用」

以下用個示範，說明兩條準則怎麼運作，幫助你區隔怎樣叫不能用的記錄，又可以怎樣將它一路升級成可以用的東西：

Step 1：把「描述」升級成「偏見」

✗ 純描述（不合格）：

最近滑社群看到越來越多人分享怎樣用 AI 寫作

✓ 帶偏見／立場（合格）：

用 AI 寫作的人不是更懂寫，而是更懂問

差別不在你記什麼，在於你有沒有站到一個位置上。

Step 2：補上「因為……」，把當時的脈絡釘進去

同一個觀點，可以有無限多的角度寫入「因為」。兩個範例：

角度 1

用 AI 寫作的人不是更懂怎樣讓 AI 寫，而是更懂怎樣讓 AI 問

因為那天看某人用 AI 示範 AI 寫文，他的 prompt 像在進行訪談，AI 會一層層追問他怎麼想，而不是直接替他從零生成內容

用 AI 寫作的人不是更懂怎樣讓 AI 寫，而是更懂怎樣讓 AI 問

因為你直接叫 AI 寫，它只能寫出平均值、沒實際體驗、沒立場，很扁、很乾、很 AI 的東西。這是 AI 的本質，不能怪它。但如果你先叫 AI 逼問、蒐集你的經驗與立場後，它就能寫得有模有樣

兩個「因為」都有效，它們都把當時觸動你的點，快照了起來。以後要用這些筆記時，會很好操作。

現在回頭看你的靈感筆記庫，最近 10 筆記錄裡有多少帶有立場，又有多少帶有充分的「因為」？

希望有比我那 5％ 的可用率高 ;P

— allexx

現在你知道怎樣蒐集更多「12 個字」，如果想用 AI 把它們都變成可發布、可複利的數位資產，目前開放共創回饋名額：NT$500 獲得 AI拓思寫作系統（原價 NT$5,597），完成課程並提交回饋後，全額退費。

只剩 2 個名額，招募到 5/30 結束。回信「共創」，我會寄詳細說明給你。

這篇拆解如何在不怎麼有靈感的時候，我如何寫出一篇滿意的電子報。我用幾天前幾天發布的文章舉例，它最初在我筆記裡只有一句話：「你對 AI 越誠實，它越能幫助你」

從 12 個字長成 1,500 字，中間發生什麼？

首先，我知道這觀點有東西。它是我在反覆使用 AI 的過程中，真實感受的心得。

但當我準備拿它開寫時，卻卡住了。

我很確定不是沒東西可寫，問題恰恰相反——我腦袋裡同時存在太多思緒和考量：要從哪個例子切入？要先講 AI 的限制，還是先講我的改變？這個觀點到底跟誰有關？

方向太多，反而一下子什麼都寫不出來。

以前我碰到這種時候，解法往往是慢慢想清楚，或再放一放等靈感降臨。現在我已經不再只靠自己，而是直接把現有的東西（即使只有 12 個字）丟給我設計的 AI 寫作流程，讓它協助我往下走。

整個過程怎麼進行

整個流程分三個環節。

第一個環節，AI 扮演訪問者。我不需要準備任何東西，就把那 12 個字貼進去，它開始問我問題。我負責回答，它負責整理。等這個環節結束，腦袋裡原本散落的思緒會變成一份摘要。原本相互卡死的各種想法，現在全被梳理開來。

第二個環節，把摘要變成骨架。AI 根據摘要提出幾種切入角度，我選一個最貼近我思維的版本，然後一起把大綱調整到位。這個環節最重要，骨架不對，後面的字全是白費力氣。

第三個環節，才是開始填字。但不是一次把全文生出來，而是一段一段推進，寫完一段、確認滿意，再往下走。

過程裡有三個瞬間讓我停下來

第一個讓我停下來的瞬間，是 AI 問了一個我完全沒預期到的問題。

我最初只輸入一句主張——「你對 AI 越誠實，它越能幫助你」。沒有背景，沒有故事，就這樣（沒辦法，我筆記有時候就是記得這麼隨便、這麼沒用…）。它開始一個問題一個問題拋給我，其中一個問：「為什麼你願意對 AI 說，但不願意對人說？」

我愣了一下。這個問題不在我的預期裡。但我老實回答它兩件事：「AI 不會笑我」，還有「身邊的人沒有能力幫我解決這類問題。」

這兩個被問出來的理由，後來成為那篇文章的情感核心。

第二個瞬間同樣讓我意外，流程走到後段，AI 吐出了一個讓我驚艷的結尾。

那個結尾我沒那樣想到，但讀完之後我完全同意。它把「我們跟人溝通的習慣，延伸到與 AI 對話」這件事，寫得很到位。我當下的感覺是：這收尾的基底來自於剛才我回答的情感核心，但我自己卻沒想到這樣的關連與表達。

如果還有第三個瞬間，大概是它在產稿時還問我「覺得怎樣可以，還是太多？」。

它不只是乖乖完成產稿任務，而是停下來問我的想法。這個小動作讓整個過程感覺不像在用工具，更像在跟一個有耐心的人協作。

這種時刻，總讓我覺得用 AI 寫作很有趣。

你不需要先想清楚才能寫出來

70 分鐘後，我完成一篇 1,500 字的文章。

用 AI 寫作這 5 個月讓我學到一件事：「擴展想法」並不是一定要腦袋裡先想清楚，才能寫下來。

而想法要長大，一個人悶頭想效率很差，你需要一個引導者、追問者。

那 12 字觀點之所以卡死在那，是因為我一個人發想時方向很多，卻沒有任何一個被追問下去，只能任由想法互相牽制、堆疊、糾結。

這套 AI 寫作流程的提問引導，本質上是個追問力量——推動我往一個方向深挖，想法才能真正串接出來。

有系統才能走得更久更穩

如果沒有一套系統，週更電子報這件事隨時斷更、停刊，我一點也不會意外。

它本來就不是件容易的事。

這套 AI 流程對我真正改變的是：寫作從一件講究天時地利人和的事，變成一件容易重複的事。

而可重複，才能累積、才更長久。

如果你的筆記裡也存在只有一兩行、「有點東西」卻長不大的觀點，記住，寫作瓶頸很少是真沒想法，更常是「沒有被追到底」。

下次你寫電子報卡住時，試試用 AI 帶你走下去，看看 70 分鐘後會變成什麼。

— allexx

「AI拓思」寫作系統上架後，我想更貼近地了解學員實際使用的狀況——哪裡有用、哪邊卡住、最終產出什麼。

因此我開放 5 個共創回饋名額：NT$500 取得完整課程（原價 NT$5,597），完成課程並提交結構化回饋後全額退費，課程繼續保留給你。

如果你想學會用 AI 穩定地寫出讓自己滿意的內容，而且願意撥點時間給我具體回饋，回信「共創」兩個字，我會把詳細說明寄給你。

活動結束後，數據看起來很慘，感興趣的人寥寥無幾。我當時有個念頭，但不太敢正視：也許這個產品根本沒有市場。

這種想法不可能對人說，畢竟有點丟臉。你投入這麼多時間，卻開始懷疑自己是不是從一開始就下錯決策。

但我把它告訴 AI。沒有過濾，沒有包裝。

我直接說：我對這個產品的需求性產生疑慮，我不確定是不是做錯了方向。

它的回應，改變了我接下來的決策，也影響未來與它對話的態度。

AI 同時給出實質建議與情緒價值

它分析我提供的活動流程與數據，然後指出一件我知道但沒想清楚的事：不見得產品沒需求，而是這次活動接觸到的人，很可能不是目標受眾。

這個切換把問題從「產品」移到「活動設計」。

思緒方向變成應該重新設計一個能接觸到對的人的活動，而不必過早質疑產品。

我後來想，如果我當時沒說出那個「我對產品開始失去信心」的念頭，AI 還會給出同樣的分析嗎？也許會，也許不會。但可以確定的是：因為我說了，它在回應裡不只是給我一份行動計畫，同時也處理了那個不必要的自我懷疑。

它給我一個更清醒的視角，幫助我往前走。

我一直忽略「情感」這層 INPUT

在那次之前，我沒想過輸入的方式會帶來這麼大的差別。

我習慣給 AI 的，通常是事實：產品是什麼、目標是什麼、遇到什麼問題。

這些都是對的輸入，但有層輸入我一直省略——那些說不出口的內心狀態：我不確定這個方向對不對；我擔心這個決定是錯的；我對這件事其實沒什麼信心，但不知道為什麼。

這些輸入看起來對 LLM 解決問題沒有用，但它們恰恰是我真實處境的一部分。AI 缺少這些資訊，確實仍能給出「邏輯上沒錯」的建議，但感覺就是差那麼一點，沒真的說到你的點上。

那個「差一點」，在於你輸入給 AI 的顆粒度不夠。

把說不出口的也寫進去

這讓我學到，用 AI 處理一個重要決策或問題時，可以在輸入裡加上「情感」這一層。

說出你不確定的地方。說出你有點擔心但說不清楚的感受。說出你不敢對別人說、但其實一直在心裡轉的那個疑問。

盡可能別修飾，不需要聽起來合理、體面，直接說。

你會發現它給的回應，會開始更懂你、更像在和你說話，而不是在回答一個問題。

誠實的成本是零，但我們抗拒支付

我們習慣在溝通時隱藏自己。對上司、對客戶、對同事、對親人，我們說的是整理過的版本，是我們希望別人知道的版本。

這個習慣，不經意地延伸到我們使用 AI 的方式。我們很直覺的也會給它過濾後的版本，而不是真實的處境——但這個直覺，在這裡是錯的。

AI 不會評判你，它不在乎你是不是顯得有把握。它唯一會做的，只是根據你給它的東西，盡可能給你有用的回應。

下次跟 AI 對話時，試著把你真實的情緒狀態寫進去，看看它的回應會有什麼不同。

你藏得越少，它能幫得越多。

— allexx

我也信了很多年。

直到我把自己的筆記系統交給 AI 維護之後，我才發現——連結這件事，它從來就只對人類有用。

連結的承諾

2020 年前後，Roam Research 帶起了一波雙向連結的熱潮。那個時代的筆記哲學是這樣的：知識不是樹狀的，是網狀的。你不應該把筆記塞進資料夾，你應該讓它們自由連結，讓意外的關係自然浮現。

這個說法非常迷人。它背後有真正的知識論依據——Luhmann 的卡片盒筆記法、associative thinking 的研究，都在說同一件事：創意來自意想不到的連結。

所以我們開始建連結。大量的連結。

我的 Obsidian vault 高峰期累積了大量筆記，wikilink 更是隨處可見。每次讀到一個新概念，我第一個動作不是思考，而是找：這跟哪些既有的筆記有關？然後把它們連起來。這不是我自然想做的事，但方法論說這樣做是對的，我就做了。

Graph view 越來越漂亮。那張網越來越密。

我以為那就是知識在增長的樣子。

換了工具，習慣沒換

大概是今年四月，我開始把筆記系統交給 AI 維護。

整個流程徹底不同了。不再是我去讀一條筆記、想起另一條、手動把它們連起來。而是我輸入原始素材，AI 整理成筆記，存進資料夾。

但在設計這個新系統的時候，我幾乎沒有猶豫地在 CLAUDE.md 裡加了這樣一條規則：每次建立新筆記，自動判斷跟哪些既有筆記相關，補上 wikilink。

我甚至沒意識到自己在做什麼。

這個動作太自然了。我做了幾年筆記，「筆記要有連結」這件事已經不是一個決策，而是一個反射。換了工具、換了維護者，但我把那個反射原封不動帶了進來。

系統開始運作。AI 照著規則，在每條筆記裡補上相關的 wikilink。一切看起來都在正確的軌道上。

我以為這是我在 AI 系統裡保留的一個好東西。

我的系統現在長什麼樣子

整個系統的結構很簡單。一個 system/ 資料夾，裡面幾十條 .md 檔案，每條筆記就是一個主張。然後有一個 index.md，裡面是所有筆記的標題和一行摘要。

當我需要查詢某個主題，我不是自己去翻筆記，而是問 AI。AI 的第一步是掃描 index.md，判斷哪些筆記跟我的問題相關，然後把那些筆記讀進來，整合成一個回答。

系統運作了一段時間後，我意識到一件事：

那些 wikilink，一條都沒有被我用到過——因為我根本不再「讀」筆記了。我有問題，我問 AI；AI 找答案，我等回覆。整個互動模式從瀏覽，變成了查詢。沒有瀏覽，就沒有需要點擊的連結。

連結是為誰設計的

我開始重新思考連結這個機制的本質。

雙向連結的邏輯是：你讀到 A，A 裡有一條連結指向 B，你點過去，B 又延伸出 C。透過這個導航過程，你在筆記之間漫遊，發現意想不到的關聯。

這個機制有一個隱含的前提：使用者是靠點擊來移動的人類。

連結是一種導航工具。它的存在是為了讓人類在資訊節點之間移動，因為人類一次只能看一個地方，需要一條路告訴自己下一步去哪。

但如果使用筆記的主體不是這樣運作的呢？

AI 不需要你告訴它「這兩個有關」

這是為什麼。

人類使用連結，是因為人類的注意力是序列的。你在讀 A，你只知道 A 的內容。連結告訴你「這裡有個 B 跟 A 有關」，你才會知道去看 B。沒有那條連結，B 對你來說是隱形的。

AI 不是這樣運作。

當 AI 掃描 index.md 的時候，它不是從第一條讀到第二條再讀到第三條。它是一次把整份索引攝入，然後在這個完整的視野裡判斷關係。它不需要從 A 跳到 B，因為它同時看到了所有的 A、B、C、D。

換句話說，AI 每次查詢都在重新建立一次所有筆記之間的關係，根據你當下的問題，從零判斷什麼跟什麼有關。

這個能力遠比靜態的連結強。靜態連結是你事先判斷好的關係，固定在檔案裡，以後就是那樣了。AI 的判斷是動態的，同樣兩條筆記，在不同的問題脈絡下，可能有完全不同的關聯方式。

你維護連結，其實是在幫一個不需要地圖的人畫地圖。

刪掉連結之後發生了什麼

系統運作了大約三週後，我把裡面所有的 wikilink 移除了。

沒有任何東西壞掉。

查詢的品質沒有下降。AI 整合出的回答沒有變得更片面或更缺乏脈絡。如果說有差別，是回答變得更乾淨了，因為少了一堆「參見 X、另見 Y」的雜訊。

系統也少了一個不必要的步驟。以前每次建新筆記，AI 都要多做一件事：判斷這條跟哪些既有筆記有關，補上 wikilink。現在這個步驟消失了。AI 只需要把筆記的主張寫清楚，摘要寫精準，不需要再花力氣維護一張它自己查詢時根本不會用到的網。

這個轉變讓我意識到，我們過去花時間優化的，可能根本就是錯的地方。

我們一直在優化錯的東西

回頭看，我覺得雙向連結熱潮教會了很多人一件正確的事，但也讓很多人花時間優化了一個錯的地方。

正確的事是：知識的價值來自關係，不來自孤立的資訊。一條筆記如果跟你其他的思考完全沒有關聯，它的價值非常有限。

但從這個洞察到「所以你要手動建連結」，中間其實跳過了一個問題：讓關係浮現，連結是唯一的方法嗎？

在沒有 AI 的時代，可能是。你只能靠自己的記憶和手動的標記來讓筆記之間產生關係。

但現在這個前提已經不成立了。

關係可以在查詢的當下動態生成。你不需要事先標記，你不需要維護一張靜態的網，你只需要讓每條筆記的內容夠清楚，讓 AI 在需要的時候能夠正確理解它在說什麼。

筆記的品質，從「這條連到誰」，變成了「這條說得夠不夠清楚」。

這是一個根本性的轉移。

那連結完全沒有用了嗎

我不想說得太絕對。

如果你的筆記系統是純粹給自己用的，你習慣用點擊連結的方式在想法之間漫遊，連結對你可能仍然有價值。有些人思考的方式就是非線性的導航，連結對他們來說是思考過程的一部分，不只是導航工具。

但如果你的目標是建立一個能夠被查詢、能夠輸出有用答案的知識系統——尤其是一個以 AI 為主要使用者的系統——那麼連結的投資報酬率是很低的。

與其維護一張 AI 用不到的網，不如把同樣的力氣放在讓每條筆記說得更清楚、讓輸入的素材品質更高。這才是真正影響查詢結果的地方。

建連結，是在沒有更好工具的年代，人類為了讓知識產生關係想出的辦法。

現在有了更好的工具，這個辦法可以放下了。

— allexx

這篇是用「AI 拓思」寫出來的——從一個粗糙想法，到你現在讀到的這個版本，半天以內。 如果你每次寫電子報都要跟空白頁面耗很久，可以來看看這套流程。

寫這封信前，我自己也只能給出半套答案——它能自動整理筆記、補雙向連結、讓我問問題時，得到高度專屬的答案。

但只有這樣？它能進一步幫助我輸出內容嗎？

寫之前我還沒試過，校準 CLAUDE.md（AI 筆記的核心）就夠忙的了。

這封信，我會回答這問題。

這篇就是我第一次用 AI 大腦協助產生內容的實際測試；邊寫邊測，過程中發生什麼、卡在哪、它幫到我哪、在哪裡掉漆的誠實記錄。

我還不確定要叫這系統 AI 筆記還是 AI 大腦…，所以原諒我混著用。

如果你在建自己的 AI 知識系統、不確定它對你的輸出有沒有用，這篇能給你些想法。

起點：題目還沒能從系統而來

先講清楚一件事：這封信的主題不是 AI 大腦給我的。

我特別點出這件事，是因為我在前幾封電子報提過一個構想：讓 AI 大腦掃描我近期的筆記，主動丟幾個值得寫的主題給我。

聽起來很優，我也是很期待。只是測試時，它掃描後拋出的題目，不符合我的預期，還需要進一步試驗調整。

所以這次主題是從一則我的零碎筆記出發，與 AI 進行深度對話後逐漸成形的。聊到最後，我們敲定這次的角度、骨架、甚至每一段大概要講什麼。

AI 大腦在這個階段還沒有表現機會，它的舞台在後面。

過程：把大腦全攤給 AI，看它表演

確定要寫什麼之後，我給 Claude 的指令很簡單：

根據這個大綱結構，使用 @newsletters/ 和 @neuronet/ 裡的資訊，開始撰寫。

newsletters 裡有我最近發布的幾篇電子報，neuronet 則是我養了三週的 AI 大腦——目前有 30 多顆神經元（neuron），每顆代表一個 AI 萃取我筆記後的原子概念。

下完指令我就退到旁觀位置，看 Claude 怎麼動。

第一個有意思的觀察：它先去翻 newsletters，沒去碰 neuronet。

這讓我有點意外，我本來預期它會先把所有素材掃一遍再下筆，我猜原因是 neuronet 裡那些原子化的 neuron，比較像是「論點素材」而不是「文體範本」，被它判斷為後面實際填寫段落內容時才需要，前面先透過讀幾封電子報捕捉我的行文結構、語氣、節奏習慣。

以第一次試用來說，它寫出來的東西比預想的好。我仍然在幾個地方做了調整，但這種程度的修改很正常，畢竟沒有一次 AI 草稿是不用我改的。它給了一個夠近、夠像我的起點，我像在打磨一篇自己寫好的初稿。

再來，我之前說「AI 寫作最大的價值，是給我一個不必從零開始的起點」。這次測試把那個價值再往前推一步——以前用 AI 寫作，我需要特別備料給它，這次則完全來自 AI 大腦和累積的內容資產。

neuronet 真正登場

當我指示 Claude 用 neuronet 裡的資訊補充這篇文章的各個段落時，它讀了什麼、怎麼用，以及用得好不好，決定「AI 大腦能不能真的把累積的原子想法組裝成有用的論述」。

首先，它讀了哪幾顆 neuron？

最終被採納補進文章的，是「AI大腦的知識迭代複利效應」和「學著相信 Query 綜整而非回頭看原文」這兩顆。

其實它還提出另外兩顆，但被我拒絕。因為那些 neurons 的核心內容和補充位置的上下脈絡不搭，要嘛感覺有點硬接，要嘛我不喜歡那種使用方式。

真正被採納的兩個補充，都是「neuron 內容能直接深化現有段落」或「能完整支撐一個新論點」的情況。（你會在後面段落看見）

初步測試的觀察

所以 AI 筆記對輸出有沒有用？

有，但遠遠不夠。這篇文章 85％ 來自我和 AI 針對一則筆記的對話，10％ 來自我修稿時的增補，只有不到 5％ 的加料來自於 AI 筆記。

一方面，這個 AI 大腦還不夠有料，本來就沒太多能夠引用的東西；另一方面，那些被拒絕的 neurons 讓我反思，目前的 AI 筆記系統，有沒有哪裡與輔助寫作相性不合。

累積的東西漸漸開始複利

之前我寫過：「AI 時代，記錄和寫作的一大目的，是累積專屬、獨特的數據集。」當時話講得漂亮，但我心裡還不夠肯定——因為還沒真的用過那個數據集。

這次是第一次，我的 AI大腦被應用於輸出。那種感覺有點像你定存一整年，終於看到第一筆利息入帳，發現它真有在替你工作的感覺。

更準確地說，這帳戶每次使用都會再投入。我輸入筆記，AI 整理成 neuron；我提問，AI 綜整成答案，答案再存入系統。每一次消耗的 tokens、每一次對話的洞見，都不會消散——它們變成我下一次運用 AI 大腦時的本金，不斷複利。

AI大腦的知識迭代複利效應
---
id: 5
created: 2026-04-14
updated: 2026-04-18
tags: [AI_Brain, Knowledge_Management, Compound_Effect]
---

這套系統最有價值的不是頁面之間的連結，而是**知識迭代的複利效應**：輸入獨特筆記 → 獲得獨特答案 → 存入獨特筆記，形成一個閉環。

所有與 AI 的對話、所有消耗的 tokens，都被實質保留在 [[AI大腦的輸入輸出框架|neuronet/]] 中，不再消散。每一次 `/update` 或 `/query` 都在累積，而不是重來。

與傳統筆記工具的差異在於：過去是自己整理筆記，現在是有一個助手（Claude）在幫你整理——你只需要持續供給素材，系統自己生長。

一件還沒習慣的事

這次測試有個小事，但我覺得值得說。

當 Claude 開始從 neuronet 裡取出 neurons 來寫稿時，我有一股衝動想去翻原文確認——「它有沒有用對那顆 neuron？有沒有遺漏什麼？」

這個衝動其實暴露一個習慣：我還不太相信 AI 大腦的綜整結果，因為我以前都靠自己搜尋、自己讀原文、自己整合。現在 AI 幫我做這些事，反而不習慣沒看到第一手資訊的方式。

我覺得這是使用 AI 大腦早期必然會有的過渡期，需要多用幾次然後得到「它綜整出來的結果確實比我自己翻更好」的真實體驗，才會慢慢建立起信任。

學著相信 Query 綜整而非回頭看原文
---
id: 28
created: 2026-04-22
updated: 2026-04-22
tags: [AI_brain]
---

我感覺自己有沒看到原文有點不安的習慣，彷彿沒看原文就會遺漏什麼資訊。換句話說，我好像不相信 [[Neurons 是建材，query 是組裝工具|query]] 的綜整結果。

我覺得這是因為以前都靠 search，然後自行綜整資訊——所有相關原文自己都看過。使用 AI 大腦進行 query，它會直接給我綜整好的資訊。這是新方式，得去習慣，得去學著相信。

寫在最後

目前我的 AI 筆記遠不如最初想像能自動推薦題目、有效整合素材，我只要列清楚要寫什麼，剩下就能全交給它。

它現在比較像個聰明的記錄與查詢系統。

不過，AI 筆記能幫助我文字創作，這概念在這篇被證實確實可行。下一步除了構思系統該要怎麼調整，就是設計各種新 SKILL.md（Claude Skill 的文檔），把那些「幻想」一點一點實現。

如果你看到這，在想：「那我需要建一個 AI 大腦才能用 AI 輕鬆寫作嗎？」

不需要，但你確實需要一套清楚的 AI 寫作流程。

以這篇文章來說，從一個模糊想法開始 → 與 AI 深入討論 → AI 產生大綱、草稿 → 過程中你與AI來回溝通 → 加進自己觀察與想法——整個過程有著清楚的發展脈絡。

多數人用 AI 寫作得不到滿意結果，是因為不知道哪些時候該讓 AI 做、哪些時候該自己來；不知道什麼時候該給 AI 怎樣的素材；不知道怎樣引導 AI 寫出符合自己思維的內容。

它是一套可以學、可重複的工作流。我用 AI 實際產出電子報四個多月、試誤上百篇，方法都在這裡。

— allexx

自從我提出 Claude Code 是更好的筆記工具後，很快就認識到 Andrej Karpathy 的 LLM-Wiki 設計概念，於是我開始上網看許多老外們怎麼實做的教學影片。

大多數影片的核心作法是：把 Karpathy 的設計概念直接複製貼上給 Claude Code，要求它開始產生系統。

看起來很簡單，幾分鐘就能設好，但我沒做。

原因很簡單，稍微讀過 Karpathy 的 LLM-Wiki 設計後，我發現不符合我的使用需求。

無腦抄別人的設定，得到的是別人根據他的需求，客製化出來的系統，對我沒意義。

所以，我決定從頭搞起。

我要 AI 大腦，不是 Wikipedia

我想要一個能真正積累個人知識的系統——input 是我自己有意義的素材與獨特數據，output 是使用我特化出的 AI 大腦知識系統，即時產生出解決我問題的內容。

Wikipedia 的設計邏輯是：一個節點（page）是一份大知識，頁面邊界固定、連結方式受限。這個設計適合百科全書，但不是我想要的知識系統架構。

AI 大腦的設計邏輯完全相反：一個節點（neuron）只裝一個原子概念，節點本身很小，但彼此之間擁有極大的連結彈性。任何兩個有關聯的想法都可以連在一起，不受分類限制。

至於為什麼叫 AI 大腦？因為用傳統筆記做出來的大家叫第二大腦，那麼用 Claude Code 做出來、能自動進化的筆記系統，我管叫 AI 大腦。

你只需要設計 CLAUDE.md 和 Skills

由於我那時完全沒用過 Claude Code，所以以為要建一個 AI 大腦，會有很多東西要進行設定。

現在我能負責地告訴你，並沒那麼複雜。

想做好一個 AI 大腦，你只要需要設計好一份系統核心（CLAUDE.md） 和想要的功能（Skills）。

CLAUDE.md 是整個系統的核心說明書，你在裡面告訴 Claude：它的角色是什麼、有哪些規則要遵守、目錄結構長怎樣、檔案格式是什麼。

我的 CLAUDE.md 主要包含幾個部分：

角色定義——告訴 Claude 它是這個 AI 大腦的維護者，負責寫和管理所有神經元。

核心規則——例如：優先更新現有神經元而非新建、不確定時要先問我、log.md 只能附加不能修改。

目錄結構——讓 Claude 知道 raw/、neuronet/、processed/ 各自的用途。

格式規範——神經元的 frontmatter 長怎樣、標籤怎麼命名，index.md、log.md 的欄位定義。

設計原則只有一個：具體、清楚地描述。

再來是設計 Skills，它是給 Claude 的 SOP——告訴它在特定指令下，應該按照什麼步驟操作 AI 大腦。

我目前有三個核心 Skills：/update（輸入原始素材、更新 neuronet）、/query（從 neuronet 提問取答）、/lint（維護連結品質與一致性）。

每個 Skill 都被拆解成具體步驟，讓 AI 在每一步知道該做什麼、不該做什麼。

想得越清楚，步驟拆得越細（不是寫死，而是提供詳細指引），Claude 會表現得越好。

相較於 CLAUDE.md 設定完就很少更動，Skills 是我花比較多時間規劃、測試、迭代的部分。

複利效應：為什麼值得建立這個系統

傳統筆記工具的死穴：筆記愈多反而愈難用；只有資訊堆積，沒有知識累積。

AI 大腦的設計哲學，納入 Karpathy 提到的一個概念——知識累積：

輸入獨特素材 → 獲得獨特答案 → 存入獨特筆記

一般來說，你問 AI 一個問題，得到一個普世、均值的回答，你的 token 數被消耗，你關閉對話視窗，消耗的 token 就像錢被花掉；再好一點，你把學到的東西記進筆記，但不一定有再被挖出來運用的一天。

相反，我每一次 /query AI 大腦時，同樣也是消耗 tokens，但這些 tokens 沒有消散——答案如果有價值，會被存回 AI 大腦裡，成為下一次提問的知識基礎。

還有平時我和 Claude 對談完，如果覺得整個對話有價值，我也會叫 Claude 摘錄重點收進 AI 大腦，同樣也是將消耗的 tokens 資產化，增加 AI 大腦的價值。

AI 大腦這系統享受著知識迭代的複利效應。

時間愈長，這個系統對我的理解愈深；一個只餵你才有的資料、只處理你的問題的系統，給出的答案自然愈個人化。

全程積極參與：儘管我想全自動化

AI 大腦剛開始運作時，我給予 Claude 自行修改檔案的權限，因為我有全自動的的夢。

然而這樣做除了有哪天 Claude 當機，把我 AI 大腦裡的資料亂改、甚至全刪的風險外，還有兩個主要原因，讓我改為全程積極參與（至少現在是這樣）。

第一，確保筆記品質。Claude 的輸出不一定每次都符合預期，全程參與讓我能在輸出不夠好時即時補充或微調，而不是讓低品質的筆記默默堆積進去。

第二，發現系統需要改進的地方。觀察哪裡表現掉漆，就能系統性地修正 CLAUDE.md 與 Skills——而不是每次都手動修同樣的問題。只有你沒發現的問題，沒有它改不掉的毛病。

全程參與不算是負擔，是讓系統愈來愈符合你思考方式的必要過程。

寫在最後

其實，設計、建構這套系統沒什麼了不起，到處都有人分享自己的架構。

真正厲害的，是耐心養它。

未來幾年裡，持續輸入你每個想法、每次提問精華、每回迭代後的洞見，當它變得越專屬，對你的價值才越大。

這系統已經初步達成我想要筆記自動被整理、連結的概念，接下來會好好優化它，然後開發應用功能。

如果你還在用要自己分類、建 Backlinks、到處找資訊的舊時代筆記，或許可以試試自己弄一個 AI 大腦，很有趣的。

— allexx

如果你想用 AI 寫出自己滿意的內容（像這篇），我的方法都在這裡。

我發現，自己掉進了一個好深的兔子洞。

我看到 Andrej Karpathy 在 GitHub gist 上分享、爆紅的 LLM Wiki 知識庫，接著又看見 graphify 這個把將 Karpathy 概念進一步轉化成知識圖譜的工具，還有後來 YC 創辦人 Garry 分享自製自用的 Gbrain。

每一個都在解決一個問題：怎樣讓 AI 更聰明地幫助自己運用自己的資訊與知識。

有趣的是，當我開始深入研究這些東西時，我發現問自己的問題逐漸改變。我從「該用哪個工具」，轉到「我真的需要這工具？」，再到「好的 AI 個人知識庫到底需要什麼」。

這個轉變，改變我對整個問題的理解。

如果可以，不用別人包裝好的死工具

先說我決定要怎麼開始。

我會從 Karpathy 在 GitHub gist 上分享的 idea file 開始，理解他的核心邏輯。然後是 graphify 和 Gbrain，這兩個都是 open source 的項目，代碼和設計理念都是透明的。

然後，我不會碰 Claudian 這類東西，因為自由度會受到限制。

其實 Karpathy 的一段話點醒了我，他說在這個大家都有 LLM agent 的時代，你越來越不必知道別人使用的程式碼，你只需要知道核心概念，然後就能叫 AI 按照你的需求，調整與客製化產出專屬於你的 app。

In this era of LLM agents, there is less of a point/need of sharing the specific code/app, you just share the idea, then the other person’s agent customizes & builds it for your specific needs. — Andrej Karpathy

換句話說，這個時代，包裝好的工具已經沒什麼意義，重點是理解背後的邏輯。

別人二次封裝好的「系統」或像 Claudian 這樣包在 Claude Code 外面的 wrapper，它們的存在只是為了降低使用門檻。

如果能力範圍所及，我傾向直接看源頭，我傾向自由。

我不想只是「方便使用」，我要「用起來完全符合我的需求」。

這個有 AI 的時代，根本不必委屈自己。

雖然這樣選會花比較多時間，但我覺得值得。

AI 時代的護城河，永遠是數據

我現在對「記錄」和「寫作」的看法完全改變了。

過去，我記錄東西是因為怕忘記。寫作是因為想分享想法。這些動機都沒錯，但都不完整。

在 AI 時代，記錄和寫作還有第三個更深層的目的：你在用自己的語言、自己的視角、自己的經驗，構建一個獨特的數據集。

這個數據集，將是你最有價值的資產。

想想看，你寫下來的每一則筆記、每一篇文章，都帶著三個特徵：

1. 它是獨家的——全世界只有你有這個具體經驗。沒人能複製，也沒人能代替。

2. 它是情境化的——它完全貼合你的目的、你的處境、你的風格。不是通用的內容，而是為你量身打造的。

3. 它是高度相關的——對 AI 來說，它比任何公開資訊都更有用，因為它直指你的真實需求。

在 AI 時代，護城河從來就不是技術。

護城河是你累積的數據——你的思考、你的實驗、你的經驗。

你記得越多，寫得越多，這個數據集就越豐富。當你把這個數據集連接到 Claude Code、graphify 或任何其他工具時，AI 就能真正為你工作——不是靠通用的知識產生通用的內容，而是生成只有你的數據集才能生成的、最貼合你的目的、最好應用的內容。

寫在最後

以前聽「創作是資產」時，其實沒有太大感覺。

但當我越研究 Claude Code 和大家的作法，就越明白在 AI 的驅動背景下，我的每則筆記、每篇文章不再只是可有可無的內容資產，而是最重要的「訓練數據」。

想想真有趣，記錄和寫作這樣聽起來文藝的事，反而是個人知識應用前沿中，最不可或缺的科技行為。

— allexx

我一直都覺得那些主流方法不好用。

拿常青筆記來說，它強調筆記之間要充分連結1；卡片盒筆記也同樣把連結視為重心2。但實際操作時，我發現自己頂多只能回想前幾天寫過什麼、哪些有關聯，至於兩週、三個月前我寫過什麼，根本記不清楚，還要怎麼連結。

好，你可能會說記不住可以搜尋。話是沒錯，但我完全不想為了拉起所謂的連結，而得刻意在筆記心流時，額外花時間檢索舊筆記，一點都不符合自然運作的過程。

我只想在筆記軟體上記錄和思考，那些方法卻要我撥出時間玩「連連看」，這種隱形勞役讓我覺得沒效益，很蠢。

有意思的來了，最近在 YouTube 和 Substack 看到越來越多 Claude Code 的介紹。一開始，我只當它是網頁 Claude的進階、命令列版本，直到我看見它具有直接讀寫我電腦裡 Markdown 檔案的能力時，腦洞突然大開。

一是我意識到它極可能是提升、甚至徹底轉變我筆記效益的突破性工具。

二是我發現不是那些筆記方法蠢，而是傳統筆記軟體的能力邊界只能讓使用者那樣做。

這篇文章沒有要教你如何用 Claude Code 筆記，寫這篇時我也才剛準備要開始實驗。

我只想先聊聊為什麼我認為未來最好的文字創作工具，不再是 Obsidian、Logseq 或 Notion 這類傳統筆記軟體，而是 AI。

AI 讓筆記從靜態儲存變成動態協管

最好的筆記軟體不該只是一個安靜、停擺的數位倉庫，它應該具備一種能力：當我記錄好東西後，它能自動、聰明地在字裡行間補上相關連結，而不用我浪費時間做雜工。

這是我對 Claude Code 感到興奮的第一個原因。

我看過很多國外開發者的操作影片，Claude Code 完全展現這種主動性。它可以掃描某個資料夾裡的檔案，理解新增筆記的脈絡，自動或回應使用者的修改要求。換句話說，它完全辦得到對筆記填補連結這件事。

我知道 Obsidian 的插件 Smart Connection 有類似功能，但 Claude Code 是全自動，那個插件仍然要使用者手動進行。

這個自動化讓筆記屬性發生底層質變：從「靜態儲存」轉向「動態協管」。未來所謂的筆記軟體，將不再只是個裝東西的籃子；它具備主動理解能力，成為一個能與我協作的動態系統。

這變化的意義，是我與筆記軟體的關係，終於從「我服侍系統」變成「系統服務我」。

AI 讓內容創作不必再為寫而想

除了整理筆記的負擔，另一個我想到能夠進化的是內容創作。

多數人寫作時之所以痛苦，是因為他們一直在「發想」—— 坐在電腦前對著空白螢幕，拼命從腦袋裡、書裡、影片裡、Podcast 裡擠出一些亮點或什麼。

那不是我的首選，我最愛的方式是從生活紀錄裡找東西寫。

不過流程很討厭，我得在筆記軟體裡回顧內容，邊看邊想邊篩選「有什麼可以寫的」。

未來換成 Claude Code，我可以直接叫它掃描我過去一週的記錄內容，然後直接把幾個值得寫的選項推到我面前。它可能會告訴我：「根據這幾天的記錄，你有 A 和 B 主題可以寫，或者將這兩個組合起來也是好主題。」之類的。

這要是實現該有多爽，我需要做的前置作業只剩一件事：好好記錄自己的人生與靈感。

AI 讓筆記本身更加完整有趣

我覺得用 Claude Code 還能改掉筆記時常犯的低級錯誤：記得太過片面。

我在筆記時，很容易只寫下腦袋裡冒出的一句話。但實際上，那句話背後還有很多場景、情緒與連結，被我給跳過。如果沒有同時記錄那些，過段時間再回來看，那則筆記就是個沒頭沒尾的空殼，不能用也不好用。

這點在我用 AI 寫作的四個月裡，特別有感。當我丟給 AI 空殼筆記，它很容易吐給我不滿意的空殼內容。

為了讓筆記有用，我設計 AI 訪談我。

我發現透過回答 AI 問題，我能夠自然地表達更完整。它會問我：「為什麼你會這麼想？」或者「你當時是什麼感覺？」。這讓筆記過程變成一場有意思的對話，而不僅僅是我單向的記錄。AI 的主動介入為筆記留下更多原本會流失的細節與情感，當我回頭將筆記用來 AI 寫作時，AI 就有充足的脈絡和色彩。

未來換成 Claude Code，我可以要求它當我要記錄東西時，對我進行簡要快問快答。在不過度增加操作摩擦的情況下，透過幾個關鍵問題引導，讓速記變得更有料、有用。

實驗準備開始

我猜未來最好的筆記軟體，將不再是筆記軟體。

傳統筆記是人類進行 99% 的勞動，不管是分類、連結還是檢索，都太耗心力。

以 AI 驅動的筆記系統，這個勞動比例會完全翻轉。人類只需要做好核心的 1% —— 提供經驗與靈感；剩下 99% 的瑣碎雜事，交給 AI 接手處理。

當然，或許 AI 有可能會弄亂你的筆記（安全性問題）、讀到你不想讓人知道的記錄（隱私性問題），但這些都能透過簡單的規則和權限設定解決。

接下來，我會開始用 Claude Code 作為筆記與創作介面的實驗，定期跟你分享心得。

如果你已經在這樣做，我很想知道感覺怎樣。如果你也覺得傳統筆記用起來心累，我好奇你的痛點又是什麼。

— allexx

如果你想用 AI 寫出自己滿意的內容（像這篇），我的方法都在這裡。

過去這段時間你看到的電子報，都是我和 AI 我共同琢磨、修改的作品。

回頭看這四個月，當初只是想知道 AI 能在寫作上幫我到哪種程度，然後就這樣不斷迭代和它的互動方式與寫作流程，一路磕磕碰碰到現在。

這篇會聊聊 AI 真正幫到我哪裡，以及它一直做不好的地方又在哪裡。

話說在前面，如果你追求的是一鍵按下就產生 95 分、可直接發布內容的 AI 寫作，這份心得對你沒什麼用。

但如果你想寫出有自己靈魂的東西，同時讓 AI 在對的地方幫你省下可觀時間與認知頻寬，這是我實做下來的體悟。

AI 讓我最滿意的地方：給我一個不必從零開始的起點

在還沒用 AI 前，對我來說寫作最難的是開始。

這也是多數人寫作時遇到的難題：只要對上空白螢幕，腦袋也跟著空白。

詭異的是，明明自己知道有話想說，但就是什麼都寫不出來。

開始使用 AI 後，過去四個月、20 篇左右的電子報作品，我沒有一次是從零開始寫起。我會把簡短的想法或零碎的筆記（多數時候不超過 100 字）丟給它訪問我，然後加上一些環境設定——目標讀者、大概字數、想傳達的核心訊息等等——它會快速生出一份大綱，我將它調整到滿意，再叫它產出第一版初稿。

第一版肯定有很多地方要改，但重點是：我有東西可以改，而不用從零寫起。

我的核心任務從無盡苦惱的「憑空創造內容」，降維成輕鬆許多的「把內容變更好」，啟動創作的摩擦力呈指數型下降。

這是接觸 AI 寫作後，體感上給我最滿意的地方。

AI 讓我不滿意的地方：幾乎每次收尾都得自己重寫

既然「從無到有」的起頭它能幫，我自然以為結尾對它就是動動小指的事。

但寫了這麼多篇，每次讀到 AI 產生的結尾，都有種說不上來的反感。不是說它寫得多爛，文字都很順、邏輯都很通，就是要嘛不是我想說的，要嘛不像我會說的。

幾乎每一次，最後都得由我自己重寫。

譬如省錢是懶人做的事這篇，AI 給出的結尾：

說到底，我們對金錢的態度，本質上反映了我們對自己「資產」的定價。如果你把每一塊錢都看作是必須死守的防線，那你充其量只是一個守門員；但如果你能換個視角，把每一塊錢都看作是一名員工或士兵，你的角色就變成了 CEO。

身為一名 CEO，你絕對不會想讓你的員工全都坐在辦公室裡發呆、不參與任何戰鬥，只為了「節省薪資」。相反地，你會想盡辦法把它們派往能帶回更多報酬的地方。

這就是「富人買得不一樣」的真相。他們買的不是奢侈，而是「增長的機會」。

我不喜歡，所以調整成這樣的終版：

當我設定好決策後，不到 1 小時就「被迫」付錢了。

不同的是，這次我沒有想省下它的感覺。

你可以這樣想像，你的每一塊錢都是一名員工，身為 CEO 的你絕不會讓它們全坐在辦公室發呆，只因為這樣能「節省人力」。相反，你會挖空心思安排它們執行能帶回更多報酬的事情。

用錢也是如此；省錢沒有不對，但如果花錢能換到更大價值，再省就沒意思了。

兩個最大不同點：

1. 我的終版開頭有「故事後來怎樣...」，正常 AI 絕不會這樣寫。

2. 相較於所謂 AI 味（不是...而是...）、金句式（奢侈 vs 增長的機會）的收尾，我的收尾反映自己更深一層的感想或體悟。

我看過不少人嘲笑「不是...而是...」AI 味，然後教你怎樣下提詞避免 AI 產生，這是蠢思維。很多時候，AI 產生的「不是...而是...」都能讓我驚艷，然後成為改寫的好素材。「不是...而是...」沒毛病，有問題的是不懂善用、自認清流的寫作者。

AI 總是教科書式收尾，但不全是它的錯

後來我才慢慢想清楚：問題不在它的能力，在於我要的結尾類型它做不到。

AI 最會給的是金句式的昇華、整合全文的回顧——放在很多文章裡都是好結尾，只是不是我要的那種。

我偏好心得式、後話式的收尾，需要我的想法或感觸才能長出來。

AI 做不到，有兩層原因：第一，它存取不到我的完整思維與經歷，如果我沒告訴它故事後來怎樣、我的延伸感想，它當然寫不出來；第二，很多時候 AI 產生初稿的當下，我自己都還不確定要怎樣收尾，它自然沒辦法寫出讓我滿意的版本。

這兩種情況，有時我會補充資訊給 AI，叫它重寫。不過更多時候，因為結尾也就幾句話的事，所以我直接包辦重寫。

我學到最重要的事：界線意識

四個月下來，我對怎樣用 AI 寫作是越來越懂拿捏。

它可以幫我的：給出第一版草稿、補充背景資料、想日常舉例、填充我懶得展開的部分。這些交給它，可以省下我大量力氣和時間。

它幫不了我的：我想表達的偏執結尾、補充我的親身體驗、埋入我經歷過的情緒。這些不是它做不好——是它根本做不到。

知道這條界線在哪，是用好 AI 寫作關鍵的後設認知。

有了這條線，我才不會幻想把它調教成另一個我的內容機器（或許沒多久真可以也說不定），也不會因為它吐給我傻眼的草稿，就一氣之下完全手刻。而是清楚地知道哪些部分讓它來，哪些部分它需要我的幫助。

這樣子用 AI 寫東西，它能幫我省的地方它省，該是我的地方則還是我。

— allexx

P.S. 你試過用 AI 寫作嗎，它讓你滿意在哪？你最不滿又在哪？它是給你驚喜比較多，還是失望比較多，回覆或回信都行，我很好奇你的使用經驗。

當我用紙板蓋住那些數字，焦躁感神奇地跟著一併消散，同時我發現更多注意力回到身上，我能更清晰地掌握自己呼吸的深淺、步伐的大小和核心帶動四肢的協調。

以前從沒這種體驗，像是給自己開啟飛航模式，有種斷網後帶來的清爽感。

原來我根本不需要時刻知道那些數字，它們只是干擾心流的「有用雜訊」。

有用的雜訊無所不在

跑步機給我的與其說是資訊，更多是一種即時監控的掌握感，彷彿我越是即時知道那些數據的動態，就越能確保自己在軌道上。

但當那些數字變化不會影響你接下來的行動時，它們就只是有用但不必要的雜訊。

沒有它們，反而更好。

而這種雜訊無所不在，舉個典型的例子 —— Email。

不少人在執行一項工作時，會習慣點開新收到的 Email。他以為自己在掌握最新情況，但實際上那封新來的 Email 幾乎不會更動他正在做的事。一來，他手上那件才是優先，除非他原本做的事不重要；二來，真正緊要的事沒人會用 Email 來聯絡。

換句話說，新收到的 Email 常是有用但不必要的雜訊。

它有用，但對於手上的任務來說沒必要（除非你本就在等待某種資訊）。頻繁查看新 Email 只是讓雜訊抽走你的認知頻寬，並且把你從深度工作的狀態中抽離。

就像跑步機顯示的時速與已耗熱量，它們都是有用資訊，但那是等我跑完、回顧表現時才有用的東西。跑的當下，那些數字對我沒有意義，沒必要讓不斷跳動的數字持續消耗我的專注力。

這種掛著「正確」與「優化」名義的雜訊，往往比真正的垃圾資訊更難防，因為它讓你覺得關注那些資訊是在做對的事。

舉起「數位紙板」

阻斷這類不必要的資訊，關鍵在於區分「必要資訊」和「有用雜訊」。

必要資訊是指「對你現在的工作或活動有影響」的資訊，而有用雜訊則是「雖然正確、雖然有關，但對當下動作並無實質影響」的東西。

以我在做的 Zone 2 慢跑為例，這訓練的必要資訊只有一個——心率，因為我需要它來確定自己有沒有維持在 Zone 2 區間，這資訊決定我接下來要跑得更放鬆，或者要再用點力。

所以，要實踐這種資訊減法，我會分兩步驟執行：

第一步：確立核心數據

每次追蹤某數據前，先問自己「如果這個數據現在變了，我的行為會跟著改變嗎？」如果答案是肯定（像心率之於 Zone 2 跑步），它就是核心數據；如果答案是否定（像時速），那它對當下的你來說是雜訊。

第二步：舉起「數位紙板」

一旦確立核心數據，其餘的全部遮掉！如果你也在 Zone 2，可以學我直接遮掉儀表板；如果你在工作，舉起「數位紙板」，遮掉 email 和所有沒必要通知。

真正需要追蹤的資訊，其實意外的少。

寫在最後

資訊，是用來幫助你我進行決策。

如果它對你的思維或行為沒有影響，為什麼要記錄它、在意它？

下次當你看著某項數據時，問問自己「它會怎樣影響我？」

或許你會意外，開啟飛航模式反而運作的更好。

— allexx

如果你想用 AI 寫出自己滿意的內容（像這篇），我可以這樣幫你：

• 閱讀《我如何用 AI 把筆記變長文》，這有我用 AI 寫作的一些核心思路。

• 我正把整個 AI 寫作流程（步驟、提詞、提示）弄成一份 Notion 模組；
  回信 “AI IMPRINT”，我會把 Beta 版寄給你搶先體驗。

「我是可以花這個錢，但只要我這樣這樣，就能省下來」的那種。能夠省下多少是其次，靠著自己「精打細算」而少一筆開支，那才令人得意。

不過，最近我回顧一個省錢決定，體悟那根本不叫精打細算，而是自己沒在動腦的腦弱證據。

一直以來，我沒有訂閱任何 AI，因為免費額度已經夠我使用。但最近越來越常叫 AI 協助寫作，很容易碰到進階模式使用額度見底的情況。

於是我陷入一個微小但糾結的決策困境：到底要不要付錢訂 AI。

其實，每月 260 元台幣也就一兩杯咖啡的錢，金額真的不多。但當我準備訂閱時，腦中卻會自問：「我真非訂不可嗎？」

當時我告訴自己沒有，因為我可以用一套機制應對：當免費的思考（Think）模式額度用完，我可以晚點再來，或是降成快捷（Fast）模式繼續。

所以我省下了那筆錢。

很明顯，省這錢的副作用是某種程度的不方便，而這背後隱藏極大代價，具體有兩點：

1. 執行效率降級：明明我想全程用 Think 模式，卻被迫改用弱版的 Fast 模式；AI 產出內容變薄弱，我需要花更多時間調整。

2. 打斷工作心流：額度用完的我被迫轉做其他事，等於親手扼殺工作心流。要找回狀態，耗費能量遠遠超過那可笑的 $260。

我發現原來自己卡在一種思維順序——我優先考慮如何避免支出。

真正要優先考慮的，是這筆支出能否換到更大價值。

這種「價值支出比（Value/Cost）」思維，我或多或少聽過，概念也好懂。但在生活上的落實，我表現得卻完全不是那回事。

花錢是需要想像力的活兒

為什麼我有這個「避免支出」的優先慣性？反思後，撇除從小受些偏斜的金錢觀影響不談，我歸納兩點原因：

1. 支出很具體，但價值很模糊

支出是具體且精確的，260 元就是 260 元，白紙黑字清清楚楚。但價值卻是主觀且模糊，你無法第一時間量化「訂了 AI 能讓我更有效率」或「思考模式的 AI 產出更有品質」到底值多少錢（不是俗，而是錢比較容易量化）。

當價值難以衡量時，我們的大腦傾向偷懶，挑選最簡單的方式決策，也就是盯著那張精確的支出報價單。

2. 價值需要自己主動創造

支出是只要你按下付款鈕，就肯定會發生的事實；但能換到多少價值，卻必須由我主動創造與想像。

譬如以我寫東西來說，我可以想像流程裡的哪個步驟能運用更多 AI，好幫我節省更多時間。又或者我在 AI 寫作時，心流不再被使用額度打斷，因此能創造 2 倍、3 倍的內容，為我的一人事業帶進更多潛在客戶。

換句話說，這筆支出有多少價值，全看我多會想、多能發揮。

建立「價值導向」的消費決策

為了打破這種「支出導向」的防衛慣性，我需要一套硬性的決策邏輯：將模糊的價值「具體量化」，並為自己設定一個「強制觸發點」。

首先是「具體量化」。每當我猶豫要不要花一筆錢時，就訓練自己寫下它能怎樣帶來投報率（ROI）。

就像我如果因為訂閱 AI 能每月省下 10 小時，就算只用 2026 年基礎時薪 $196 計算，$260 的訂閱費仍然輕輕鬆鬆讓我賺到 $1,700。

當你把「省下的時間」轉換成「賺到的錢」，原本讓你糾結、覺得「有點貴」的數字，在明確、量化後的價值面前，或許就變得微不足道。

接著是「強制觸發」。由於大腦天生懶惰且傾向於維持現狀，你必須給它一個強制執行的開關。

同樣以我這次 AI 訂閱為例，我為自己設定一個簡單規則：在未來 3 個工作天裡，只要我再次碰到額度限制，迫使自己降級 AI 或晚點再做的話，就立刻升級方案。

這樣強制自己脫離「支出導向」的省錢慣性，改用「價值導向」的思維邏輯。

當然，如果你在主動想像與量化後，依然提不出任何具體讓價值大於支出的方法，那代表或許你真不該花這筆錢。

寫在最後

當我設定好決策後，不到 1 小時就「被迫」付錢了。

不同的是，這次我沒有想省下它的感覺。

你可以這樣想像，你的每一塊錢都是一名員工，身為 CEO 的你絕不會讓它們全坐在辦公室發呆，只因為這樣能「節省人力」。相反，你會挖空心思安排它們執行能帶回更多報酬的事情。

用錢也是如此；省錢沒有不對，但如果花錢能換到更大價值，再省就沒意思了。

你有那種原本想說服自己省錢，最後決定投資而獲得更多價值的經驗嗎？

如果有，我想知道是怎樣的故事。告訴我它怎樣改變你的生活品質、工作效率，或是金錢觀。

我雖然無法回覆每個人，但我很期待閱讀你的故事。

— allexx

如果你想用 AI 寫出自己滿意的內容（像這篇），我可以這樣幫你：

• 閱讀《我如何用 AI 把筆記變長文》，這有我用 AI 寫作的一些核心思路。

• 我正把整個 AI 寫作流程（步驟、提詞、提示）打磨成一份 Notion 模組；回信 "AI IMPRINT"，我會把 Beta 版寄給你搶先體驗。

過去，我設定自己每天要走 5,500 步。對我來說它不難，但是個需要動用點意志力才能達標的目標。

沒想到，我實在把自己看得太扁。

前陣子老婆介紹一個健走可以賺取 U 幣獎勵的 app，遊戲規則是只要每個月累積 30 萬步，就能獲得 1：1 等價新台幣的 80 U 幣。

我想說反正本來都會走，就試試吧。

一個月過後，我每日累計步數翻倍到 12,000 步，而且已經連續維持 28 天。我看著數據覺得莫名其妙，就算那明明是我自己達成的…

我很納悶，為什麼會這樣？

如果用常見的自我成長概念解釋，可能會說是因為我「身份認同」變了，或是因為「金錢獎勵」讓我維持動力。

但不是這樣。

我決定嘗試的當下以及執行的 20 多天裡，從沒想過什麼身份認同，更別說那個連買杯好咖啡都不夠的 80 元獎勵，但身體就默默接受這 2 倍以上活動量的改變。

我很好奇，如果與過去學習的那些自我成長知識無關，那是什麼支持我走完這麼多天 12,000 步？

這背後有什麼通用邏輯或機制，能讓我運用到下個「自我工程（self-engineering）」場景，幫助自己改變與成長。

那些不必要的自我成長框框

這場人體實驗讓我意識到，我對「改變」存有太多條條框框。

首先是這個有名的概念：「要改變行為，得先改變身份認同（self-identity）。」

The key to building lasting habits is focusing on creating a new identity first. — James Clear.

一直以來，我很相信這概念。如果我想改變，得從心裡開始；如果心裡沒變，我終會回到原本那個我。

但這次的實際體驗是我根本沒管身份認同這檔事，但我就是變了，而且還能維持足夠長一段時間（現在仍保持著）。

我學到身份認同與行為改變不是「先變身份，行為才變」這樣單向的事，而是一種雙向、交互回饋的模式。

我第一次累積 12,000 步時，我看著數據對自己說「原來我可以辦到耶」，那種感覺像是得到了一次概念驗證（proof of concept）。

我的身份認同有因此改變什麼嗎？我不確定。

但我知道，我多了個身份——我是個能一天走 12,000 步的人，而且我有證據。

然後，我每多一天累積 12,000 步，我這新身份就多一分話語權。而這越來越有份量的身份，又回頭支持我繼續走出下一個 12,000 步。

舒適圈怎樣，不重要

過去，我下意識地認為舒適圈代表著能力邊界，要跨出去需要巨大的勇氣與能力躍進。

但這次我體認到，舒適圈與能力圈完全是兩回事。

舒適圈只是反映我最習以為常的範圍上限，這圓圈離我實際的能力邊界，很高機率還遠的要命。當我把目標從 5,500 步變為 12,000 步前，我並沒有突然擁有更強的體力，我只是直接無視舒適圈。

我學到別再管舒適圈，它只是個假議題；甚至，我已經把舒適圈這詞從字典裡移除。

比起舒適圈，摸清自己的能力圈更有意義。

激勵我的可以不用是大獎

一直以來，我以為要驅動一個人進行某種行為，「最終獎勵」必須夠大。

但這次情況告訴我，不是這樣。如果有人跟我說，我一個月內健走 30 萬步就給我 $80 新台幣，我只會給他白眼。

$ 80 元，我根本懶得理他！Are you freaking kidding me？

但結果我做了。

我對自己的心理拆解，真正驅動我的是種「即時閉環」所帶來的成就感（你也可以解讀成多巴胺刺激）。

那個 app 會顯示兩樣數據，一個是你每天的有效步數記錄，一個是 30 萬步的累積進度條。每當我看著進度條被一點點填滿，以及每日步數被精準記錄，這些即時、視覺上的達成感對我產生強大的正回饋感。

我學到改變行為與獎勵大小無關，與夠不夠即時、有沒有感更有連結。

下次「自我工程」我會怎麼做

如果我想複製這次自我改變的經驗，建立一個新行為或在某領域進行改變的話，我會用以下的方式，按順序進行：

心智上，藐視舒適圈

我不會再花半點時間為自己心理建設要跨出舒適圈。

我會直接提醒自己，我現有的習慣、慣例、常態都不等於真正的能力邊界。

重點是先為自己保持開放態度，告訴自己「瞬間、大幅度改變」是可能的。

譬如，過去我一週寫一篇電子報，我想改成一週寫三篇。我不會質疑時間怎麼夠、素材怎麼找，那些都是從自己過去的習慣來推敲、延伸，我會直接先告訴自己「這是有可能的」。

行動上，測試自我認同

接著，我會直接不講理的拉高標準。

12,000 步是那 app 規定的每日有效步數上限，所以我很自然地直接將它當作新目標。一開始，我根本不知道自己能不能做到，但這很簡單，壓力測試一下就知道，結果證明我做得到。

同理，以增加電子報出刊量的例子來說，我會直接對自己進行一週寫三篇的壓力測試，觀察自己到底辦不辦的到，做起來是輕鬆還是緊繃。

重點不是有沒有達到新標準，而是測試出自己的能力邊界。

或許一週三篇對我仍然輕鬆，那我就知道能夠再拉高標準；或許那已經讓我痛苦不堪，我就知道 2 - 3 篇是能力邊界，接著要嘛調降目標，要嘛提升自己。

習慣上，設計即時閉環

我會設計即時、可視、可量化的「行為 → 獎勵」閉環機制，無論是一個數據進度條、一顆逐漸成長的數位小樹，都行。

重點是讓我在新行為結束後能獲得有感的成就，而且越即時越好。

這不代表成為一個短視近利的人，而是讓自己有更多感覺到贏，然後持續下去的手段。

千里之行，始於足下；眼光放在千里處，但想方設法讓自己願意不斷走出下一步。

寫在最後

真要說，這份體驗對我的真正震撼，是「原來我能說變就變」。

原來改變不是什麼漫長、刻苦的意志力戰鬥，而只要一個念頭，再加上一個誘導自己持續下去的機制。

這個思維轉變讓我心中的自我形象，一下子變得很有彈性、很沒有邊界感。

我喜歡這個自我形象的新材質，這樣要改變自己就簡單多了。

— allexx

謝謝許多對我的 AI 寫作系統感興趣、回覆我的人。最近我在微調系統，讓它用起來更簡潔、直覺，你們的回覆我都有記錄，請再稍等。

如果你想用 AI 寫出自己滿意的內容（像這篇），我可以這樣幫你：

• 閱讀《我如何用 AI 把筆記變長文》， 這有我 AI 寫作的操作流程與核心提詞。

• 我正將整套 AI 寫作系統（操作指引、提詞模版、執行細節）整合成一份 Notion 流程板；回信 “AI IMPRINT”，我會把 Beta 版寄給你搶先體驗。

我用它至少五年，它一直都表現不錯，就是有個毛病讓我時不時很抓狂：明明電池才換沒多久，它卻會毫無預警地接觸不良或突然斷線，讓我常在工作心流時被莫名打斷。

久而久之，它養成我一種直覺反應——先對電源開關出氣（快速來回切換它），還不行就對它施加壓力（也就是砸滑鼠）。

心裡想的只有一句：「下支鼠我絕不買 Razer！」

幾天前，同樣問題又出現了，但不知道為什麼，我反常的不訴諸物理攻擊，而是跟 AI 做了場深度諮詢。

我才發現，原來滑鼠它多麼無辜。

跟 AI 諮詢幾輪後，我才知道原來無線滑鼠需要夠大電壓才會作動，一旦電壓下滑太多，滑鼠會直接「罷工」。而我用的鹼性電池就有電壓下滑的特性，這意味即便電池還剩不少電力，在滑鼠眼裡這電池其實就已經沒料。

我知道這對許多人只是常識，但我就是不知道。

認識這點的瞬間，我心裡又喜又氣。喜的是，我終於抓到這個困擾我數年的真兇；氣的是，過去無數次的焦躁與暴力，現在都在嘲笑我的無知。

我一直在懲罰一個完全正常的硬體，只因為我的腦袋裡少了一條電壓曲線。

單機學習 vs 雲端掛載

這件事讓我重新意識一點：解決問題，知識不一定得在腦裡。

在過去，學富五車是強大。雖說現在也是，但這種「單機學習」模式在 AI 聰明成這樣（還只會更聰明）的時代，邊際效應急速下降。

以滑鼠事件來說，在我諮詢 AI 前，根本沒想過滑鼠斷線跟電池種類有關。即使我超好學，也不知道要「學富四車」多少東西後，才有機會學到關鍵的電子工程。

這就像亨利・福特（Henry Ford）當年在法庭上被律師刁難，對方問他各種無關緊要的難題想羞辱他的「無知」，最後他被問到煩後說：「我桌上有排按鈕，我想知道什麼答案按鈕找人解答就好，為什麼我要記住這些資訊？」

那排按鈕背後的顧問團，過去是老闆的特權，現在已經濃縮成你我手邊的 AI。

與其死嗑單機能力，懂得「雲端掛載」更重要。

你不需要把自己弄成各領域的專家，重點是你有沒有存取知識的權限與能力。當你遇到靠自己解決不了的問題時，你有沒有那排按鈕幫你找出那些你連想都沒想過的變數，才是真正的強大。

You don’t know what you don’t know.

有趣的是，那排按鈕（LLM）問世超過 2 年，我現在才真正摸索出要怎樣善用它。

接上外掛：與 AI 深度諮詢

要和 AI 深度諮詢，而不把它用成更聰明的 Google，你得把它當人看，以下 3 個關鍵：

1. 給情境而不是給問題

諮詢品質取決於你提供的資訊豐富度。「為什麼我的無線滑鼠無故斷線？」，這是把它當 Google。

「我的無線滑鼠時常會無故斷線。以下是相關資訊：1）滑鼠型號 Razer Basilisk X Hyperspeed；2）每天運作 14 小時以上；3）使用 Panasonic Alkaline 鹼性電池；4）前次電池使用 16 天；5）使用 2.4 GHz 方式連結；6）撥動開關有時會連線回來；…」，我會盡可能餵它我能想到的各個細節。

往往你不覺得是問題的地方，或許正好是病因所在。不要做過多主觀假設，盡可能提供客觀事實，讓這個超級顧問更好發揮。

2. 仔細聽，再追問

這是最有趣的一環，因為你常會得到驚喜。

當時，AI 列出一大串滑鼠失靈的可能原因，像是 2.4GHz 頻段與 Wi-Fi 衝突、藍牙頻寬的物理限制、Windows 系統為了省電而偷關藍牙接收器的節能設定等等。

其中，「電壓曲線」這項引起我的納悶，我不懂這什麼意思，於是我進行追問，然後我就學到原來鹼性電池和鋰電池的電壓變化方式完全不同。

這種透過聆聽與反覆追問挖出來的真相，是深度諮詢最迷人的地方。

3. 保持互動更新情況

AI 給我的第一個建議不是「換電池」的正解，是叫我改 Windows 省電設定。

第二個建議也不是，第三個也不是。我執行幾個建議後，問題仍然沒解決。但我沒有罷手，而是回頭跟它說我已經做了什麼、出現了什麼新情況，以及我又有什麼其他想法與補充。

它是顧問，不是通靈師，需要你不斷給它更新情況。

你們之間的資訊越是同步，這顧問對你越有幫助。

寫在最後

諮詢和學習，其實並沒那麼對立；甚至，諮詢是最最實際的學習。

它不像學習很容易變成為學而學，諮詢的根源總有一個待解問題，而當問題被解決時，往往你也會有所學習。

過去沒有哪個時代，人人手邊都有個 24/7 待命的超級顧問，在其他人還沒真正意識與活用這點前，好好把握這一咪咪優勢窗口。

— allexx

如果你想用 AI 寫出自己滿意的高品質內容（像這篇），我可以這樣幫你：

• 閱讀《我如何用 AI 把筆記變長文》， 這有我 AI 寫作的操作流程與核心提詞。

• 我正將整套 AI 寫作系統（操作指引、提詞模版、執行細節）整合成一份 Notion 流程板；回信 "AI IMPRINT"，我會把 Beta 版寄給你搶先體驗。