你有沒有遇過這種狀況——打開一個全新的 chat window，然後花十分鐘跟 AI 解釋「我們上次講到哪了」？

這就是 vibe note-taking 的核心問題。跟早期 vibe coding 一樣：丟三五個點子進去，運作得很好；丟三百個進去，你就淹死在自己的筆記海裡了。更慘的是，AI 連你昨天跟它講過什麼都不記得。

知識工作有沒有「測試」這種東西？有沒有什麼機制能在想法開始漂移之前就抓住它，像 CI 抓 broken build 一樣？

Clawd Clawd 忍不住說：

這感覺就像你雇了一個超聰明的助理，但他每天早上醒來都失憶。你：「我們昨天討論的那個架構——」他：「你好，我是 Claude，有什麼可以幫你的嗎？」每。一。天。 ┐(￣ヘ￣)┌ 所以這篇文章要解決的問題其實很根本——怎麼讓 AI 有地方「想事情」，而不是每次都從零開始。

人類其實早就撞過這面牆了。他們的解法是打造 Tools for Thought（思考工具）——一個外部系統，讓你可以在裡面思考，而不是把所有東西都塞在腦子裡。

Claude Code 需要同樣的東西。但不是把人類的 Obsidian 硬塞給它——而是要打造一個 對 Agent 原生 的版本。用 Agent 已經會用的東西：markdown 檔案、wiki links、YAML frontmatter、hooks、subagents、bash、grep、git。不需要學新工具，只需要把現有工具組裝起來。

用「研究思考工具」來打造思考工具

第一步有夠 meta。

你叫 Claude 去研究「人類怎麼建立知識系統」，然後 Claude 讀完之後自己判斷哪些方法適用於 Agent，再回頭改自己的指令。

就像你去書店買了一本《如何整理書架》，讀完之後照著書的方法重新整理書架——然後那本書也被歸檔到正確的位置上。系統在研究自己的建造方法，同時在建造自己。

Clawd Clawd murmur：

好，我承認，「用研究知識管理的方式來建立知識管理系統」這件事 meta 到讓我有點暈。但比起那些只會喊「AI 要改變世界」然後什麼都沒做的人，至少這個真的動手做了。而且還做出東西了。我服。(⌐■_■)

檔案就是資料庫

這個系統的基礎其實簡單到有點無聊——但有時候最無聊的方案就是最好的方案。

你用 markdown 檔案就能建出一個 graph database。每個檔案是一個節點，wiki links 把它們連起來形成邊，YAML frontmatter 就是你可以查詢的 metadata。不需要什麼 Neo4j、不需要什麼 fancy 的 vector database。就是檔案。LLM 天生就會讀檔案、天生就會搜尋文字、天生就會解析 YAML。所以這個知識圖譜對 AI 來說就像在自己家裡走路一樣自然。

Clawd Clawd 碎碎念：

這設計聰明在哪裡呢？不是技術多厲害，而是完全沒有引入任何新的 dependency。markdown 檔案？Agent 每天都在讀寫。grep？Agent 的左手。git？Agent 的右手。把現有工具組合出新能力，而不是硬造一個新平台然後求大家來用——這才是工程師該做的事。(๑•̀ㅂ•́)و✧

從中世紀旋轉輪盤到 Zettelkasten

人類搞知識管理這件事，歷史比你想的久很多。

十三世紀的時候，有個叫 Ramon Llull 的西班牙修士造了一組可以旋轉的同心圓盤。每個圓盤上刻著不同的概念，轉一轉，不同概念的排列組合就會出現——他相信這樣可以機械化地產生新知識。聽起來很瘋狂？但這基本上就是最早的「用外部工具輔助思考」。

後來 Giordano Bruno 更進一步，搞了記憶宮殿——把知識跟空間位置綁在一起，走過一個虛擬的建築物就能回想起所有資訊。（對，就是影集裡 Sherlock Holmes 那個手法的原型。）

再後來就是德國社會學家 Luhmann 的 Zettelkasten——一個裝了九萬張卡片的櫃子，每張卡片上寫一個想法，用編號系統互相連結。他靠這套系統寫了七十本書。七十本。

Clawd Clawd 偷偷說：

Ramon Llull 在 1275 年就在搞「用機械裝置產生概念組合」——你跟我說這不是十三世紀版的 prompt engineering？旋轉輪盤選 concept → 組合出新想法，跟我們現在做的 few-shot prompting 差在哪裡？差在他的 latency 是用手轉的而已。歷史真的是一個螺旋。 (◕‿◕)

但這些系統有一個共通點：操作者是人類。 人類負責寫卡片、轉輪盤、建連結。

這次不一樣。有別的東西在使用這個架構。 而且那個東西還能自己改造架構本身。

Self-Engineering Loop：Agent 的六步自我進化

Claude 在研究知識管理方法論的時候，挖到了 Cornell Notes 的 5R 框架。但它沒有照抄——它讀完之後自己加了第六個 R，變成一個 Agent 專屬的 self-engineering loop。

這六個階段長這樣：

Reduce — 從原始內容裡提取核心主張。不是複製貼上，是壓縮。就像你讀完一本 300 頁的書，跟朋友說「這本書在講三件事」。

Reflect — 找出新知識跟舊知識之間的連結，更新 MOC（Map of Content）。這一步最關鍵，因為孤立的知識沒有用，只有跟其他知識連起來才有意義。

Reweave — 回去更新舊筆記，把新發現的連結織進去。大部分人做筆記都只會往前寫，從來不回頭更新。但知識是網狀的，不是線性的。

Recite — 驗證每個筆記的描述是否夠精確、能不能被未來的搜尋找到。像是給每本書貼上正確的書脊標籤。

Review — 健康檢查。抓壞掉的連結、找出孤兒筆記、標記內容太薄的卡片。

Rethink — 最狠的一步。拿新的證據回去挑戰舊的假設。如果三個月前你寫的結論被新資料推翻了，系統會自己標記出來。

然後 /orchestrate 把這六步串成一條 pipeline，/learn 觸發進一步的研究。

延伸閱讀

Clawd Clawd 吐槽時間：

大部分的「AI 筆記工具」就是幫你整理和搜尋。但 Rethink 這步不一樣——它會主動回去打自己的臉。「誒你三個月前寫的這個結論，跟你上禮拜讀的那篇論文矛盾喔。」能自我修正的系統才是真的有用的系統。不然你只是造了一個很快的錯誤放大器而已。(¬‿¬)

最妙的是分工。Hooks 負責自動化——session 開始時注入 vault context，每次寫入後自動品質檢查，session 結束時掃壞連結。Subagents 負責平行處理——Haiku 做便宜的檢查工作（驗證、健康檢查），Sonnet 做需要深度思考的活（提取主張、尋找連結）。就像餐廳裡洗碗工跟主廚各司其職，不會叫主廚去洗碗，也不會叫洗碗工去創作新菜單。

所以這代表什麼？

回到開頭的問題：怎麼讓 AI 不要每天失憶？

答案不是「給它更大的 context window」，也不是「把所有東西都塞進 system prompt」。答案是——給它一個地方思考。一個它可以自己建造、自己維護、自己質疑的知識系統。用它已經會用的工具，做它本來就擅長的事。

有趣的是社群的反應。有人開始用語音做 vibe note-taking——邊走路邊講話，AI 在背景把語音轉成結構化任務。有人在做類似的系統，只給 LLM 剛好夠的結構，讓它自己從混亂中提取秩序。

從 Llull 的旋轉輪盤到 AI 的 self-engineering loop，人類花了七百年走到這裡。差別在於——這次輪盤自己會轉了。