使用 Claude Code 時，你有這些困擾嗎？
・每次都要重新跟 AI 解釋同樣的事情，很麻煩
・它不記得昨天的對話
・你研究過的東西，在下一個 session 就歸零了
・以前讀過的文章和筆記，最後都不知消失到哪裡去
這一切都是因為「AI 沒有記憶」造成的。
一篇拆解前 OpenAI、前 Tesla AI 負責人 Andrej Karpathy 提出的「AI 外部大腦」建構方法，並將其落實到 Claude Code 可實際操作的等級的文章，目前在海外爆紅，獲得超過 2,100 個讚 😳
這篇文章是由 @hooeem 撰寫，他是一位定期在海外 AI 開發者社群發表爆紅文章的創作者。這次，他將內容整理成一份從完全初學者到開發者都能理解的 3 階段指南。
我現在就來拆解並簡單說明這篇文章的內容 👇
原文在此：https://x.com/hooeem/status/2041196025906418094
■ 為什麼目前使用 AI 的方式從根本上來說是「錯的」
原文是這樣開始的：
「大多數人把 AI 當作一個『失憶的搜尋引擎』來用。」
問問題 → 得到答案 → 關掉分頁。隔天一切從頭開始。沒有任何東西累積，沒有任何東西產生複利。你只是不斷燃燒 token，只為了重新發現相同的上下文。
Karpathy 的系統完全翻轉了這個模式。
- 收集材料。文章、論文、YouTube 逐字稿、PDF，任何與你有興趣的主題相關的東西。
- AI 讀完所有資料，並撰寫一個結構化的 Wiki。包含摘要、概念解釋、概念之間的連結，以及一個主索引。
- 針對那個 Wiki 提問。AI 會交叉搜尋自己累積的知識，並回傳附有引用的整合答案。
- 答案會自動儲存到 Wiki 中。下一個問題就能受益於所有過去的工作成果。
- AI 會定期對 Wiki 進行健康檢查。它會找出並修正矛盾、缺口和過時的資訊。
結果呢？一個每次使用都會變得更聰明的個人知識庫。
如果你持續加入資訊一個月，你將會擁有一個 Google 搜尋永遠無法複製的深度連結知識資產。因為這不僅僅是一個「索引」，而是經過「整合」的東西。
根據原文，這可以用在任何主題上：加密貨幣市場、醫學研究、法律判例、競爭者分析、學術研究、哲學。任何你想要隨著時間累積和連結知識的領域都適用。
■ Level 1：給完全初學者（Obsidian + Claude Chat）
不需要任何技術技能。你只需要兩樣東西：
・Obsidian（免費）── 從 obsidian.md 下載
・Claude 訂閱（每月 $20 美元的 Pro 方案，或你喜歡的任何 AI 聊天機器人）
就這樣。
步驟 1：建立一個 Vault（2 分鐘）
打開 Obsidian，點擊「建立新 Vault」。只要取個名字，選擇儲存位置即可。Vault 就是一個資料夾。裡面的 Markdown 檔案會自動顯示為筆記。
步驟 2：建立兩個資料夾（1 分鐘）
raw ── 原始資料的資料夾（文章、筆記、任何東西）
wiki ── AI 整理好的知識的資料夾
這就是整個基本結構。
步驟 3：加入你的第一批資料（5 分鐘）
選擇一個你真正感興趣的主題。找到 3-5 篇關於該主題的好文章。在 raw 資料夾中為每篇文章建立一則筆記，並將文字複製貼上。在頂端寫上 Source：[URL]。
不用擔心格式。重點是把文字放進去。
步驟 4：讓 AI 建立 Wiki（5 分鐘）
打開 Claude（claude.ai），使用原文中介紹的提示詞。貼上你的資料，並指示它「為每個來源撰寫摘要、列出關鍵概念，並建立一個主索引」。
Claude 會回傳結構化的輸出，將每個部分儲存為 wiki 資料夾中的一則筆記。
步驟 5：見證奇蹟
打開 Obsidian 的圖表檢視（Ctrl+G），你會看到筆記變成一個個點，並透過 Wiki 連結連接起來。這就是你的知識庫網路。
從這裡開始，養成每日習慣：當你找到一篇新文章，就把它放進 raw 資料夾，然後要求 Claude「根據現有索引處理這個新來源」。如果有矛盾之處，Claude 會用 ⚠️ 標記出來。
簡而言之，Level 1 只需要複製貼上就能運作。不需要終端機或寫程式。
■ Level 2：完整系統（3 層架構 + CLAUDE.md）
如果說 Level 1 是「手動複製貼上操作」，那麼 Level 2 就是「AI 自行建立和管理檔案的系統」。
原文提出的架構是一個 3 層結構。
第 1 層：raw/（原始資料）── 唯一的真相來源。AI 會讀取這裡的資料，但不會改寫。包含文章、論文、儲存庫文件、資料集和圖片。
第 2 層：wiki/（編譯後的 Wiki）── 由 AI 產生並維護。包含摘要、概念文章、人物/組織頁面、交叉連結、索引和查詢輸出。人類通常不會直接編輯這裡。
第 3 層：CLAUDE.md（綱要）── 一個設定檔，用來教導 AI 這個 Wiki 的「結構、命名慣例和可執行的操作」。放在 Vault 的根目錄。
然後有四個操作循環持續運作：
・Ingest（匯入）── 匯入新的資料。AI 自動產生摘要、概念頁面和連結。
・Compile（編譯）── 建立並更新 Wiki 頁面。維護索引，並將新資訊整合到現有結構中。
・Query（查詢）── 提出問題。AI 交叉搜尋 Wiki，並回傳附有引用的答案。答案會儲存到 Wiki 中。
・Lint（檢查）── 健康檢查。自動找出並修正矛盾、缺口、損壞的連結和過時的資訊。
原文中展示的資料夾結構如下 👇
my-knowledge-base/
├── raw/
│ ├── articles/
│ ├── papers/
│ ├── repos/
│ ├── datasets/
│ └── assets/
├── wiki/
│ ├── index.md
│ ├── log.md
│ ├── concepts/
│ ├── entities/
│ ├── sources/
│ ├── syntheses/
│ ├── outputs/
│ └── attachments/
├── templates/
└── CLAUDE.md
所有檔案名稱都使用 kebab-case（小寫字母加連字號）。例如，active-inference.md ✓，Active Inference.md ✗。來源摘要遵循 author-year-short-title.md 格式（例如 friston-2010-free-energy.md）。
CLAUDE.md 描述了 Wiki 結構、命名慣例、每個操作（Ingest/Query/Lint）的具體流程、頁面建立門檻（出現在 2 個以上來源的概念建立完整頁面，1 個來源則建立簡短頁面），以及品質標準（摘要 200-500 字，概念文章 500-1500 字）。
原文提到：「將這個檔案保持在 80 行以內。每一行都會吃掉上下文視窗。」
■ 你的知識庫裡應該放什麼？
原文問了一個問題：
「想想看過去一年你吸收過、但最終消失無蹤的所有東西。」
・讀完就忘記的書
・改變你思考方式的 Podcast
・晚上 11 點存起來、再也沒打開過的文章
・深夜 YouTube 的兔子洞，學到的比任何課程都多
・Kindle 上畫了重點、卻再也沒看過的筆記
・在做重大決定前做的研究
・舊專案的筆記
・從失敗中學到的教訓
這些東西全都沉睡在某個角落，毫無用處。這些都應該放進 Vault。
如果你沒有任何資料怎麼辦？打開 Claude 聊天，聊個 20 分鐘。聊工作、目標、你現在在做什麼、你在想什麼。把那段對話存成一個 Memory 檔案。光是這樣，你就會覺得「Claude 從第一次對話就了解我」。
Vault 不需要完美才能有用。重點是它要「真實」。
■ Level 3：自動化（5 個階段）
這是給進階使用者的。原文將自動化分為 5 個階段來說明。
Level 3-1：透過 CLI 一次性執行
在終端機中打開 Claude Code，用一個指令處理 raw/ 中所有未處理的檔案。
Level 3-2：斜線指令
在 .claude/commands/ 中放置 Markdown 檔案，即可使用自訂指令，例如 /wiki-compile。將重複性的工作流程變成單一指令。
Level 3-3：排程執行
使用 Claude Desktop 的 /schedule 功能或 cron，每天早上自動處理 raw/ 中的新檔案。睡前剪下一篇文章，醒來時 Wiki 就已經更新了。
Level 3-4：GitHub Actions
將你的 Vault 變成一個 GitHub 儲存庫。當你推送到 raw/ 時，Claude Code 會在 GitHub Actions 上編譯 Wiki。即使你的電腦關機也能運作。
Level 3-5：Agent Skills
將技能檔案放在 .claude/skills/ 中，Claude 會自動偵測上下文並執行適當的操作。如果你說「我在 raw/ 裡放了一個新檔案」，Claude 會自動執行 Ingest 循環，你甚至不需要輸入指令。
原文的建議：從 Level 3-1 開始，隨著熟悉程度逐步往上建立。從任何階段開始都不會破壞之前的階段。
此外，社群已經建立了外掛。如果你安裝 wiki-skills 外掛，就可以立即使用 /wiki-init /wiki-ingest /wiki-query /wiki-lint 指令。你甚至不需要手動撰寫設定檔。
■ 為什麼「維護」是最大的瓶頸
這是原文中最深刻的見解。
Notion、Evernote、Roam Research……市面上有許多號稱「第二大腦」的工具。但大多數人在幾個月後就停止使用了。
原因都一樣：維護太麻煩了。
正如原文所說：「放資訊進去很有趣。但整理標籤、更新交叉引用、重組結構——當這些額外工作堆積起來，它就變成了你實際工作之上的另一項工作。一旦鬆懈，系統就會退化。六個月後你試著重建它，然後循環重複。」
Claude 永遠打破了這個循環。維護變成只是一個指令。重新整理整個 Vault 只是一個提示詞。從 Notion 遷移？處理匯出檔案、加入屬性、重組到新系統——全部自動化。
在文章最後，原文提到了 Vannevar Bush 的 Memex（1945 年）。一個個人策展的知識儲存庫，其中文件之間的連結與文件本身同樣有價值——Bush 設想了這個概念，但他無法解決的是「誰來做維護」。
現在，答案就在這裡。
■ 總結
・Karpathy 提出的 LLM 知識庫，是一種「賦予 AI 長期記憶」的方法
・Level 1 只需要在 Obsidian + Claude Chat 之間複製貼上就能開始
・Level 2 是 3 層架構（raw / wiki / CLAUDE.md）和 4 個循環（Ingest / Compile / Query / Lint）
・Level 3 是 5 個階段的自動化（CLI → 斜線指令 → 排程 → GitHub Actions → Agent Skills）
・Vault 裡應該放的是「過去一年你吸收過卻遺失的所有東西」
・AI 完全接管了「維護」這個過去第二大腦工具失敗的最大原因
・你可以立即使用社群製作的外掛（wiki-skills 等）開始
來源：@hooeem
https://x.com/hooeem/status/2041196025906418094
━━━━━━━━━━
給覺得這篇文章有點幫助的人。
Claude Code Studio @ Japan (@ClaudeCode_love) 是
一個由三位 Claude Code 愛好者經營的帳號。
我們每天分享關於 CLI 實戰應用與自動化的內容。
目前正與上市公司共同開發 AI Agent。
我們平常的內容 👇
・使用 Claude Code 和 Claude 的實際產品開發案例
・整理 Claude Code 使用方式 / Vibe Coding / 開發趨勢
・來自海外的 Claude Code 最新資訊
從開發理念到設計、實作與改善，
我們以「讓產品真正上線」為前提來整理內容，而不只是「完成建置」。
如果你有興趣，歡迎追蹤並看看我們 👀
