AI 學習紀錄

calendar Mar 12, 2026 · 1 分鐘長  ·
分享到: copy

今日最有感的事

從工具使用升級到工作流設計：AI 真正的價值在於建立可持續運作的系統

今天最有感的一個共通主題，不是某一個單獨的新功能，而是好幾個案例都指向同一件事：AI 最強的地方，不是幫你做單次任務，而是幫你把重複性工作變成可持續運作的流程。

最有代表性的例子，是看到有人把 Claude + RSS + Zotero + Obsidian 串起來，建立半自動文獻學習系統。做法不是單純叫 AI 幫忙摘要 paper，而是先把自己的期刊 RSS feed 清單交給 AI，再把 Zotero 裡既有收錄的文獻一起給 AI 比對，讓 AI 反過來檢查目前的 RSS 架構是否有缺漏。結果文獻來源覆蓋率從 14% 提升到約 85%。這個案例真正厲害的地方，在於它不是讓 AI 替你「想」，而是先替你整理資訊流，讓新知可以穩定、持續地流進知識庫。

這個思路跟今天看到的 OpenClaw 進階教學其實高度一致。OpenClaw 影片裡講的 Persistent Agent、Sub-Agent、ACP Agent，表面上像是在比較不同 agent 類型，但更深一層看，它其實是在講：怎麼把任務拆對、把工具放對位置，讓整個系統更有效率。 長期角色用 Persistent Agent，短期平行任務用 Sub-Agent，需要外部 coding 工具就用 ACP 去橋接 Claude Code 或 Codex。重點從來不是「哪個模型最強」，而是怎麼做對 orchestration。

Firecrawl 也是同一類思維的代表。它的價值不只是在抓網頁，而是在把網站轉成 LLM-ready 的資料層：可以 crawl 整站、抽 markdown、抽結構化 JSON、處理動態頁面、做 batch 與變更監控。這代表未來真正有價值的，不只是聊天模型本身，而是誰能先把資料入口、清理、結構化、索引、引用這整條鏈串起來。只要資料層整理好，後面的 agent、RAG、知識問答、工作流自動化才有穩定基礎。

把這三個案例放在一起看，今天最大的體會是：AI 正在從「工具時代」進入「工作流時代」。 單點能力像摘要、翻譯、寫 code，已經逐漸不是稀缺資源；真正稀缺的是你能不能把資料源、知識庫、模板、排程、摘要、輸出格式整合成一條會自己跑的 pipeline。對醫療工作尤其如此，因為知識更新太快，靠意志力硬撐的學習系統很難久。未來比較有效率的方式，會是讓 AI 先幫忙完成來源整理、結構分類、摘要輸出與週期回顧，人只保留最後的判斷與整合。

從自己的需求來看，不管是急專考試、Roam 筆記、部落格寫作，甚至未來想做 Smith ECG 評論助手，本質上都在走向同一件事：把零散資訊變成可追蹤、可檢索、可引用、可持續更新的知識系統。

今日收集的資源

comments powered by Disqus