用Claude Code管理100篇研究筆記!OpenAI共同創辦人公開LLM知識庫系統,貼一段指令就能建起來
用Claude Code管理100篇研究筆記!OpenAI共同創辦人公開LLM知識庫系統,貼一段指令就能建起來

你存了幾百篇文章,打了幾十份筆記,但要用的時候怎麼也找不到。

這不是你的問題。知識管理最耗人的部分,從來不是「讀」和「想」,而是整理:把資訊分類、建立連結、讓舊筆記和新資料串起來。

OpenAI 共同創辦人安德烈·卡帕西 (Andrej Karpathy) 最近公開了他的解法:讓 AI 代替你做這些整理工作。

你只需要把資料丟進去,剩下的摘要、分類、交叉連結、維護——全部交給 AI。他自己用這個方法,在某個研究主題上累積了將近 100 篇筆記、40 萬字,而且查得動。

這篇文章說明這套系統怎麼運作,以及怎麼用最快的方式把它建起來。

你需要準備什麼?

1. Obsidian(免費)
存放筆記的桌面應用程式。所有筆記存在你自己的電腦上,不上傳雲端。到 obsidian.md 下載,安裝後建立一個新的「保險庫」(Vault),這就是你的知識庫所在地。

如果你是第一次使用 Obsidian,可以先參考這篇入門教學。

2. Obsidian Web Clipper(免費)
瀏覽器擴充功能,讓你在看網頁文章時,一鍵把整篇文章存進 Obsidian,格式乾淨不跑版。

在瀏覽器的擴充功能商店搜尋「Obsidian Web Clipper」安裝即可。

3. Claude Code(需要 Anthropic 帳號)
這是整套系統的核心,也是和一般 AI 工具最不一樣的地方。

一般的 ChatGPT 或 Claude 網頁版只能在對話框裡交換文字。Claude Code 則可以直接進入你的資料夾,讀取筆記、寫入新內容、更新目錄,就像一個能操作你電腦的 AI 助理,不需要人工複製貼上。

前往 claude.ai/code 下載 Mac 或 Windows 的桌面應用程式。

關鍵是需要Anthropic 帳號,Claude Pro 訂閱方案(每月約 20 美元)包含 Claude Code 的使用權限。如果你對 Claude Code 還不熟悉,可先參考這篇入門教學。

最快的起步方式?

準備好之後,打開 Claude Code,把它指向你的 Obsidian 保險庫資料夾。有兩種方式可以讓它幫你把系統建起來:

方法一:餵入卡帕西的原始文件(英文)

把以下指令貼給 Claude Code:

請根據以下卡帕西的 GitHub Gist,在這個資料夾裡幫我建立 LLM 知識庫系統,並說明我接下來要怎麼使用:
> [https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)

方法二:使用完整架構說明文件

AI 研究者 Elvis Saravia 根據卡帕西的系統整理了一份完整的架構說明文件,並發布在 dair.ai。

把這份文件直接貼給 Claude Code,它就能根據完整的架構說明建立系統,細節比方法一更豐富一些,整體架構如下:

現在把以下指令全部複製,貼給 Claude Code,並在最後加上一句:「請根據以上架構,在這個資料夾裡建立系統,所有筆記使用繁體中文,完成後告訴我怎麼開始使用。」

# LLM Knowledge Bases - Architecture (Karpathy)

## Overview
A personal knowledge base system where an LLM acts as a compiler that reads raw source documents and produces a structured, interlinked markdown wiki. No vector databases or embeddings needed at personal scale.

## Phase 1: Ingest
- Obsidian Web Clipper: Browser extension converts web articles into clean .md files with locally downloaded images
- Papers & Repos: arXiv papers, GitHub repos, datasets collected into raw/ staging directory
- raw/ directory: All source documents land here first - the LLM reads from this staging area

## Phase 2: Compile (LLM Compiler)
The LLM incrementally reads raw/ and builds a structured wiki:
- Index & Summaries: Auto-maintained index files with brief summaries of all documents - entry point for queries
- Concept Articles: ~100 articles, ~400K words, organized by topic with backlinks and cross-references
- Derived Outputs: Marp slide decks, matplotlib charts, filed-back query answers
- Backlinks & Cross-links: Auto-generated link graph between concepts, finding connections for new article candidates

## Phase 3: Query & Enhance
- Obsidian IDE: Frontend for browsing the wiki and visualizations
- Q&A Agent: Complex research questions across articles - answers rendered as markdown, slides, or charts
- Search Engine: Vibe-coded naive search over the wiki, usable via web UI or as a CLI tool for the LLM
- Key insight: Outputs from queries get filed back into the wiki - every exploration adds up

## Phase 4: Lint & Maintain
- Scan for inconsistent data
- Impute missing information via web search
- Find connections between concepts for new articles
- Suggest further questions to explore
- After linting, cycle returns to Phase 2 - wiki keeps growing

## Feedback Loops
- Q&A Agent outputs -> filed back into wiki (Derived Outputs)
- Linting results -> enhance the wiki
- Phase 4 cycles back to Phase 2 continuously

## Future Direction
Synthetic data generation from the wiki to fine-tune an LLM so it "knows" the data in its weights rather than just through context windows.

## Tools Used
- Obsidian (IDE + file viewer)
- Obsidian Web Clipper (article ingestion)
- LLM with large context window (compilation)
- Markdown directory structure (wiki storage)

兩個方法的效果一樣:Claude Code 會照著說明把整個系統建好,並告訴你後續怎麼操作。不需要手動設定任何東西。

這套系統怎麼運作?

整套系統由三個區域和四個動作組成:

三個區域:

  • raw/ 原始資料夾:你蒐集的所有原始素材,只進不改
  • wiki/ 知識庫:AI 整理好的筆記,每個概念一篇,互相連結
  • index.md + log.md:目錄與整理記錄,由 AI 自動維護

四個動作:

  1. 蒐集:用 Obsidian Web Clipper 把網頁文章存進 raw/
  2. 整理:讓 Claude Code 把原始資料編譯成知識庫筆記
  3. 提問:對知識庫問問題,把回答也存回去累積
  4. 清理:定期讓 AI 掃描知識庫,找矛盾、補缺漏

蒐集資料

看到一篇好文章,點一下瀏覽器上的 Obsidian Web Clipper,文章就自動存進原始資料夾(raw/)。PDF、截圖、逐字稿,直接拖進去就好。這個資料夾只進不改,是你所有知識的原始存檔。

讓 AI 整理

每次累積了幾篇新資料,在 Claude Code 下一個指令,它會自動讀取原始資料、為每個概念建立或更新筆記、在相關筆記之間加上連結,並更新整座知識庫的目錄。整個過程你不需要複製貼上任何東西——Claude Code 直接在你的 Obsidian 資料夾裡寫入修改。

問問題,把答案存回去

知識庫累積到一定規模,就可以開始對它提問。問題可以很廣:「幫我整理 XX 主題的重點」、「我在這個領域還有哪些盲點」、「把這些筆記的矛盾找出來」。

卡帕西的做法是讓 AI 把回答也整理成新筆記,直接存回知識庫——讓每一次提問都成為知識的一部分,而不是問完就消失。目前他在某個研究主題上的知識庫已達約 100 篇筆記、40 萬字,在這個規模下可以提出相當複雜的問題。

定期清理

每隔一段時間,讓 Claude Code 掃描整座知識庫,找出頁面之間的矛盾、過時的資訊、以及值得深入的新方向。AI 在這個環節也很擅長主動建議下一步值得追問的問題。

為什麼這樣做有意義?

傳統知識管理工具,無論是 Notion、Roam 還是 Obsidian,都把整理的苦工甩給人做。連結要人建、標籤要人貼、矛盾要人找。大多數人最終放棄,不是因為沒有毅力,而是維護成本超過了回報。

LLM 知識庫把這個成本轉移給 AI:人負責找素材、定方向、問好問題;AI 負責摘要、交叉連結、一致性維護。

卡帕西在公開這套方法時留下一句話:

「我認為這裡有空間誕生一個了不起的產品,而不只是一堆雜七雜八的腳本。」

目前這套系統還需要自己動手搭建,但它的邏輯已經完整。選一個方法,把文件餵給 Claude Code,就是開始的第一步。

延伸閱讀:Claude送免費額度!這三種方案都能領,怎麼領?要注意什麼?教學一次看

資料來源:Andrej Karpathy GitHub Gist、Karpathy X 貼文、Elvis Saravia / dair.ai

本文初稿為AI編撰,整理.編輯/ 李先泰

關鍵字: #AI工具 #Claude
往下滑看下一篇文章
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證

碳纖維因重量輕、強度高,廣泛應用於自行車、汽車、航太及無人機等產業,每公斤原生碳纖維價格可達數百元,部分高階材料甚至高達數千元。然而,這些高價材料製成複合材料後,生產過程產生的邊角料與廢棄物,卻因熱固性樹脂難以分離,往往只能焚化、掩埋或降級使用,讓耗費大量能源製造的碳纖維失去再利用價值。

「產業真正需要的不是把廢棄物處理掉,而是如何把裡面的碳纖維、玻璃纖維重新變成有市場價值的材料。」天翊綠能科技執行長莊文彥指出。深耕複合材料產業約20年的他,於2023年成立天翊,希望透過自主開發的低溫常壓解聚技術,讓廢棄複材重新回到製造業供應鏈。

低溫解聚保留纖維性能,從廢料處理走向材料再生

熱固性複合材料難以回收,關鍵在於樹脂固化後無法像一般塑膠重新加熱熔融。傳統高溫熱裂解雖能去除樹脂,卻可能損傷碳纖維性能;若回收碳纖維強度下降,製造商可能需要增加材料用量以滿足產品的強度要求,反而削弱碳纖維原有的輕量化優勢。

為突破限制,天翊開發低溫常壓化學解聚技術,在約90°C、常壓環境下分離樹脂與纖維,降低高溫處理對纖維性能的影響。不同於將樹脂直接燒除,天翊也推進樹脂回收再利用及化學溶劑循環,提高材料利用效率。根據天翊提供的第三方檢測結果,回收碳纖維在受測性能項目上的表現達原生材料的98%以上。團隊也將回收纖維製成再生碳纖維不織布、板材、塊材及工程材料。

莊文彥表示,再生碳纖維每公斤價格約150至300元,具備成本競爭潛力。天翊也規劃三層商業模式:取得合法處理資格後,協助製造商處理複材廢料並收取處理費;將回收纖維製成再生材料銷售;再與客戶共同開發終端零組件。「我們不希望公司的主要價值停留在『每公斤收多少處理費』,而是希望營收逐步往再生材料與高值應用移動。」莊文彥強調,讓回收材料具備市場需求,才是循環經濟能否持續運作的關鍵。

桃園 SBIR 助攻百公斤級驗證,跨越技術走向產品的關鍵門檻

對技術型新創而言,證明技術可行只是第一步。要讓再生材料進入製造業供應鏈,還必須建立可重複的處理流程、穩定的材料品質及產品驗證機制。這些工作需要投入設備、人力與檢測費用,對商業化初期的天翊而言,是不小的負擔。

在桃園市政府地方型SBIR計畫的研發經費支持下,天翊得以加速推進製程測試、材料檢測與產品驗證。莊文彥指出,過去團隊主要仰賴實務經驗調整回收製程,但要讓技術進入產業應用,還必須建立標準作業流程、進出料紀錄及材料品質數據。透過計畫,天翊逐步完善這些機制,並針對碳纖維自行車、碳纖維預浸布邊料、高壓氣瓶與車用零件等廢料進行測試,完成超過100公斤複材廢料的處理驗證,建立相應的操作條件。

除了製程驗證,補助也支持團隊將回收纖維製成不織布、模具及相關產品,確認再生材料能否符合實際需求。其中,以再生碳纖維氈製作的模具,相較原本的玻璃纖維模具,減重約56.96%;以再生碳纖維氈製作的產品,相較原本玻纖產品,減重約27.77%。這些成果讓天翊不再只能向客戶說明技術可行性,而能透過具體的材料與產品數據,爭取後續合作機會。

天翊也與既有下游夥伴推進汽車零組件應用,累積再生材料進入供應鏈所需的驗證經驗。「SBIR對我們而言,不只是補助研發,而是幫助公司跨過了『實驗室技術走向實際產品』非常重要的一段。」莊文彥表示,政府資源不僅分攤研發成本,更協助團隊補足商業化所需的品質管理與產品驗證基礎。

以桃園為循環基地,從碳纖維走向風機葉片回收

除了研發補助,桃園聚集電子、汽車、航空與複合材料產業,也讓天翊有機會就近尋找廢料來源、加工夥伴及應用客戶。此外,天翊與桃園市政府消防局就高壓氣瓶展開合作,嘗試將回收技術應用於地方政府實際產生的循環需求。團隊目前持續推進桃園廠區設置與再利用相關申請,希望建立「在地廢料、在地回收、在地再製」的產業模式。

不過,即使技術與產品驗證已取得初步成果,天翊仍須完成事業廢棄物再利用相關許可程序,才能依核准條件擴大收料與處理規模。漫長的審查過程雖然增加營運成本,但莊文彥認為,除了回收技術,合法處理資格、穩定料源與產品市場,同樣是建立長期競爭優勢的關鍵。天翊的長期目標則不止於碳纖維。莊文彥補充,當初投入低溫常壓解聚技術,也考量到未來大型風力發電機退役葉片的回收需求。風機葉片主要由玻璃纖維、樹脂及部分碳纖維構成,體積龐大且難以回收,隨著全球風電產業發展,退役葉片處理將成為重要課題。天翊也已取得風機葉片回收處理方法的臺灣發明專利與美國發明專利。

因此,團隊選擇先從材料價值較高的碳纖維切入,累積技術驗證、設備放大與商業化經驗,再逐步拓展至大型風機葉片。「我們希望證明,複合材料不是只能從製造走向廢棄,而是可以從廢棄再回到材料、再回到產業。天翊要做的,就是把這條循環真正建立起來。」莊文彥說。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓