Claude Code × Obsidian：打造 15 個 AI 「外接大腦」分身的完整指南

目前，我們有 15 位 AI 員工自主工作。為了讓它們更有效率，我創建了 15 個分身，每個都有特定的性格，繼承我的知識和思維模式。我不會給它們詳細的指令，因為它們已經理解我的想法，所以不需要多餘的溝通。

近年來，AI 的進化非常顯著，徹底改變了我們的工作方式和思維模式。然而，大多數 AI 的使用仍停留在「一次性」問答的形式，未能發揮這項技術的真正潛力。要讓 AI 不僅僅是被動工具，而是能自主思考、行動和學習的「合作夥伴」，建立一個讓 AI 能夠「循環」的系統至關重要。

本文提供了一個實用指南，說明如何結合 Claude Code 和 Obsidian 來建立「AI 外部大腦」。我們將探討「AI 循環」的概念——讓 AI 持續經歷「規劃 → 執行 → 驗證 → 修正」的循環——並提供具體的實作方法與實用程式碼範例。從基礎架構建置、AI 循環設計理論、使用技能自動化工作流程、透過 PM Layer 進行自主專案管理，到進階自動化與成本管理，這份指南涵蓋了一切所需，讓 AI 成為真正的夥伴。

第一部分：建立 AI 外部大腦

「AI 循環」的基礎是「AI 外部大腦」，它彙整並管理個人知識與專案資訊。透過連結 Claude Code、Obsidian 和 Git，我們建立一個強大的基礎設施，讓 AI 可以參考、學習並採取行動。本章將說明具體的設定步驟與建議的目錄結構。

1.1 AI 外部大腦的概念

AI 外部大腦是一個結構化的知識庫，將人類的記憶、學習和思考功能外部化，讓 AI 能夠存取和利用。這使得 AI 能夠參考過去的經驗和知識，做出更高階的決策並解決問題。

・知識庫：在 Obsidian 中管理的 Markdown 筆記集合，包含想法、專案、會議記錄和技術資訊。

・AI Agent：以 Claude Code 為核心，執行自動化流程的程式。

・版本控制：使用 Git 和 GitHub 管理並同步知識庫。

・自動化層：使用 GitHub Actions 執行定期任務與事件驅動處理。

1.2 準備開發環境

1. Obsidian：用於本地 Markdown 筆記的知識管理工具。
2. Git：用於管理 GitHub 倉庫中筆記的版本控制系統。
3. Claude Code：使用 Anthropic 的 Claude API 的 AI Agent 執行環境。
4. GitHub 帳號：用於遠端儲存和透過 GitHub Actions 進行自動化。

1.3 建議的目錄結構

1.claude/          # Claude Code 命令與設定
2  commands/       # 自訂命令腳本
3  config.yaml     # Claude Code 設定
400_Inbox/         # 暫存筆記與未分類資訊
510_Projects/      # 進行中專案的目錄
6  ProjectA/
7    README.md
8    tasks.md
920_Areas/         # 持續關注的領域（例如：開發、行銷）
1030_Resources/     # 參考資料與學習資源
1140_Archives/      # 已完成專案與舊資訊
12README.md         # 外部大腦的概覽

1.4 Git 與 GitHub 同步

將 Obsidian 筆記與 GitHub 同步可提供資料安全性、變更追蹤、多裝置同步，並讓 Claude Code 能夠讀寫知識庫。

1.5 Claude Code 設定

Claude Code 是一個 AI 編碼 Agent，能根據自然語言指令執行檔案操作、程式碼產生和命令執行。它是 AI 外部大腦的「手腳」。

基本用法：
``bash
claude "請在 README.md 中說明這個專案的用途與概覽。"
``

第二部分：實作驗證關卡

本章重點在於「AI 循環」理論與「驗證關卡」（VERIFY Gate）的實作，用以判斷自主操作的成敗。

2.1 AI 循環的五個階段

1. DISCOVER：發現問題並收集資訊。
2. PLAN：建立行動計畫。
3. EXECUTE：執行工作。
4. VERIFY：客觀評估結果。
5. ITERATE：根據驗證結果修正並重試。

2.2 VERIFY Gate 的重要性

沒有嚴格的驗證關卡，AI 可能會陷入自我滿足，錯誤地認為任務已完成。驗證關卡確保 AI 理解什麼才算成功。

2.3 VERIFY Gate 的程式碼實作

以下是一個使用 mypy 和 pytest 自動檢查程式碼品質的 Python 腳本：

1# verify_code_quality.py
2import subprocess
3import sys
4from pathlib import Path
5
6def run_command(command, error_message):
7    process = subprocess.run(command, capture_output=True, text=True, check=False)
8    if process.returncode != 0:
9        return False, f"{error_message}\n{process.stdout}\n{process.stderr}"
10    return True, process.stdout
11
12def verify_implementation():
13    print("--- 開始程式碼驗證 ---")
14    # 執行 mypy 和 pytest...
15    return True, "所有程式碼品質檢查通過。"
16
17if __name__ == "__main__":
18    passed, result = verify_implementation()
19    print(result)
20    sys.exit(0 if passed else 1)

2.5 停止條件設計

為防止無限迴圈和成本飆升，必須設定停止條件，例如成功標準、最大迭代次數、預算限制和時間限制。

第三部分：技能與 PM Layer

3.1 設計技能

在 Claude Code 中，你可以定義自訂的「技能」，將複雜操作轉換為像 /decompose 或 /work 這樣的單一命令。

3.2 引入 PM Layer

為了實現真正的自主性，AI 需要一個「判斷層」來理解專案的背景（做什麼、為什麼、怎麼做、何時做）。我們在每個專案目錄中使用 pm_brief.md 檔案來提供這個背景。

第四部分：永遠在線的自動化

使用 GitHub Actions，我們可以讓 AI 在沒有人工干預的情況下定期工作。

4.1.1 早晨收件匣清理

一個每天早上 9:00 執行的工作流程，用於整理 00_Inbox/ 資料夾。

4.2 監控與成本管理

永遠在線的自動化雖然強大，但需要成本監控。使用 --max-budget-usd 和 --max-turns 來限制每次執行的花費。

結論：設計循環

最大化 AI 效益的關鍵不在於巧妙的提示詞，而是設計一個讓 AI 能夠規劃、執行、驗證和修正自己的循環。透過結合 Claude Code 和 Obsidian，你將 AI 從單純的工具轉變為持續合作的夥伴。