「存了幾百條筆記，卻在需要用的時候不知道從哪裡找。」
這是我建了三個第二大腦之後，還在面對的問題。
後來我看了一個想法，才發現我一直在替 AI 做它最擅長的事。
我很喜歡第二大腦的概念，當我看到關於第二大腦的設定或想法時，我會立刻停下來，嘗試去採用。不論是在 Notion 還是在Obsidian，我都有嘗試建立我的第二大腦。 但最大的問題是，我的第二大腦很快就會淪為一個垃圾桶。
為什麼會這樣呢？
首先，我覺得每次儲存和查看其實是一件繁複的事。
其次，隨著這個系統越來越成熟，我會開始覺得無聊，想嘗試新的東西，然後就會去看第二個記憶系統，結果又陷入之前的情況。
最近看完OpenAI 共同創辦人 Andrej Karpathy 的分享後，我開始有了一些根本上的改變。
我可能不太真的需要一個有完美架構的第二大腦。
第二大腦的PARA的結構真的很好。 但我發現自己很多時都不想花時間在上面，要每一次都分類、處理再工作，例如：我現在寫的這一篇文章，我到底要放在哪裡？ 單是這個少少的摩擦力，就讓我不想再用。
比起一個成熟的結構，我可能更需要一個適合我的結構。
畢竟如果你不用，再好的系統也沒有用。
我發現，最好的系統，就是不用我自己維護的系統，另外就是我可以隨時隨地找回之前看過的東西。也就是說，我不需要想太多，一看完，覺得有趣就自動記錄。稍後要找回，就隨時找回。Karpathy 說整理這件事根本不應該由人來做。raw/ 資料夾是你放東西的地方，wiki/ 是 AI 的工作區，你只需要決定什麼值得放進去，其他的交給 LLM。
我才意識到，過去我花在「整理」上的時間，其實是在幫 AI 做它最擅長的事。難怪每次都會讓我的筆記成為垃圾桶，因為我一直在做了不該我做的部分。
舉一個例子，我每天都會看：
- Perplexity的最新新聞
- X 的不同資訊
- 電子報
- IG
看完後，我不想全部內容都記下，而是選擇性地記下某些東西，例如實用AI prompt或一些吸引的IG reels。 這些內容可以稍後用作我寫作之用。
在沒有系統的情況下，我只能一個一個的把它們記下來，然後在有需要時再找。這個過程有可能會出錯，也有可能有找不到的問題。因為資料過於零散，分開的話會有問題。我曾經使用過一個應用程式叫做 Readwise，這個應用程式不錯，可以幫我將所有東西集中在一起。但我發現，在訂閱之前我很想使用，訂閱之後卻出現不想使用的情況。
問題仍然回到那裡，就是我找不到使用的理由或者我不知道何時應該使用資訊。當然，我知道有時候我寫東西時需要拿資料出來，然後可以用文字、主題或搜尋的方式去找。但是每次當我去找資料時，我會遇到一個不知道從哪裡開始的情況。
以前我很執著於一個漂亮完美的系統，現在我反而專注於一件事，就是如何將我所有看過的東西用出來。因為資訊是死的，應用才是生的。Andrej Karpathy 給了我一個方向，讓我開始覺得其實一個好的設計應該是這麼簡單，而不是太複雜或有太多形容。
下面是他對於一個超級魔法百科全書的想法。
第一個步驟就是收集資料
資料收集其實就是我們平時將我們看到的有趣或不錯的內容都放進去。
這是所有系統的第一個步驟，因為沒有資訊的系統就等於沒有影片的Netflix。
第二個步驟是要有一個介面讓我們看到資訊
我以前用Notion，也試過用Obsidian，但如果裡面的內容沒有自己整理過，其實是很難看的。這裡需要 AI 擔任圖書管理員，把雜亂的原始資料轉化成可讀的知識頁面。
第三個步驟是資訊越來越多的處理方法
假設你在一年內看了500篇文章，這時候怎麼辦？如何找到相關的內容？
這要應用AI的幫手，透過AI快速在所有處理過的內容裡翻查資料，研究並告訴我們答案。不僅如此，AI還可以幫我們將所有的東西變成應用層面的內容，例如畫圖、製作PowerPoint或表格。我們儲的資訊越多，整理出來的內容也會越多，而整理完的東西可以再放回圖書館裡，成為下一筆可應用的資訊。
接下來是第四個步驟，資料檢查。
我們不可以整理完就算，還要定時做健康檢查，查看有沒有漏掉的連結或內容寫得不好，讓整個圖書館的東西變得更加整齊。
把它落實成為系統的話，可以怎樣做？
開始前，先了解基礎：什麼是 LLM Wiki?
LLM 不只是在查詢時抓資料，而是持續建立並維護一個持久的 Wiki（由 Markdown 檔案組成）。當你加入新資料時，LLM 會閱讀、萃取重點，並將其「整合」到現有的 Wiki 中（更新主題、標記矛盾、強化論點）。
這裡，你可以和 AI 完美分工：
你： 負責尋找資料、探索方向、提出好問題
LLM： 負責所有繁瑣的「苦力」，寫摘要、建立交叉連結、歸檔整理
你可以用它來進行個人成長追蹤、深度學術研究、讀書筆記（建立類似《魔戒》粉絲百科的關聯網）、團隊內部知識庫、競爭對手分析等。
LLM Wiki 系統有三層：
原始資料 (Raw sources)： 你收集的文章、論文、圖片。這是不可變更（Immutable）的真相來源，LLM 只能讀取，不能修改。
Wiki： 完全由 LLM 生成與擁有的 Markdown 檔案目錄。包含摘要、概念頁面、比較表等。LLM 負責創建、更新與維持一致性。
結構定義檔 (The schema)： 這是知識庫的「大腦設定檔」（如 CLAUDE.md）。它告訴 LLM 這個 Wiki 的結構是什麼、該遵守什麼規則，以及處理資料的工作流程。這會隨著你的需求不斷演進。
比喻： Obsidian 是你的開發環境（IDE），LLM 是你的程式設計師，而這個 Wiki 就是你們的程式碼庫（Codebase）。 （ Obsidian 是你的閱讀室、LLM是你的圖書管理員而Wiki就是目錄讓管理員管理）
值得一提的是，這整個系統更接近一個思維框架，而非現成工具，但你完全可以在 OpenClaw 裡把它落實為一個專屬 Skill。
怎樣實作？ （Claude 、Openclaw 都可以做到）
1.建立本地端的大本營(環境設置)
在Obsidian 開一個資料夾叫做 LLM-Wiki。 然後在裡面建立核心目錄：在這個資料夾內，新增兩個子資料夾：
raw/：用來存放你收集的原始資料（PDF、用 Web Clipper 抓下來的網頁 Markdown、圖片等）。這個資料夾只有你能放東西進去，LLM 只能讀取。 （我會正接把內容拋給我的Openclaw，讓它快速自動整理）
wiki/：這是 LLM 的工作區。LLM 生成的所有摘要、概念文章、比較表都會存放在這裡。
2.準備「系統日誌」與「大綱」
根目錄下，建立兩個空白的 Markdown 檔案，這是讓 LLM 不會迷路的關鍵：
index.md：這是一份目錄清單。未來 LLM 每次新增或修改 Wiki 頁面時，都要在這裡記上一筆（例如：連結 + 一句話摘要）。
log.md：這是歷史紀錄檔。請 LLM 每次完成工作後，用固定格式（例如 ## 2026-04-15 ingest | 文章標題）記錄它做了什麼事。
3.撰寫「行為準則」(The Schema)
你需要寫一份「設定檔」給你的 LLM 代理，告訴它該如何運作。
你可以在根目錄建立一個 SCHEMA.md 或 INSTRUCTIONS.md，內容大概像這樣（你可以直接把這段貼給 LLM 看）：
任務目標： 你是這個知識庫的維護者。你的工作是將 raw/ 中的原始資料，轉化為 wiki/ 中結構化且互相連結的 Markdown 頁面。運作規則：
不可變更來源： 永遠不能修改 raw/ 裡面的任何檔案。
單一真實來源： 所有的總結、概念與實體頁面都必須建立在 wiki/ 資料夾中。
主動連結： 建立新頁面時，請使用頁面名稱的格式，主動與現有的 Wiki 頁面建立交叉連結。
維護索引與日誌： 每次完成資料處理（Ingest）或查詢（Query）後，必須同步更新 index.md 與 log.md。
4.連結 LLM
或者可以用OpenClaw或Claude Code來完成這件事。這是一個最繁複的步驟，也是大家未必能夠做到的步驟。
這是一個最繁複的步驟，也是大家未必能夠做到的步驟。因為可能大家沒有訂閱Claude或沒有使用OpenClaw。如果是這樣的話，可能需要用半自動的方法。
每次都將文件放在本地，然後再複製文件放在Gemini或ChatGPT介面，否則無法應用到這個處理。如果使用這個半自動的方法，就需要將看完的文件上傳，然後生成資料，再將這些資料放在Obsidian。這樣的過程雖然繁複，但也未必不好。如果使用Claude Code或OpenClaw，可以像我這樣，只需將寫完的文件或看完的文件放進去，然後幫我做一個Ingest，進行資料處理，這樣就能立即拿回資料。
我現在會怎樣用？
我現在的「第二大腦」系統非常簡單。
看完的內容，覺得有感覺的地方就馬上放上去，然後AI會幫我整理成適合的格式，再將它分類放在我的LLM wiki裡面。一切都會在一個資料夾裡，之後我就不需要再處理它。當我有任何相關的問題想問時，我會打開AI詢問。
例如：我在寫完這篇文章後想了解它和我之前記下關於資訊處理的內容有什麼相同之處，讓這篇文章寫得更好。在這個系統的幫助下我不需逐篇翻看，而是請AI幫我處理。
這樣一來，我看過的內容就不需要自己處理，AI會幫我完成所有工作，我只需對比和應用。當然，當AI回覆了一些我已忘記的訊息後，我可以回到Wiki裡看會原文。
總結
說實話，我現在也不知道這個系統能走多遠。但至少這是我第一次不需要維持它，因為我不需要做任何事，系統自己在跑。
原本只想簡單地寫一寫自己用第二大腦的問題，不經不覺寫了這麼長。 不過有好處，就是我在寫的過程中，再一次加深了對這個系統的了解。 因為我之前只是把文章放進去，然後再叫Openclaw幫我建立系統。 我之前對整個系統的了解仍然不深。
但寫完這篇文章後，我對於Andrej Karpathy的整個觀念有更深入的認識。如果你也一直在苦惱怎麼管理筆記，或許這個框架值得試一試，不用完美，先把東西放進去，讓 AI 替你整理。
