打造你的智慧學術工作系統

過去十年，每一波科技變革——MOOC、線上教學、Open Access、社群媒體——都在改變大學教授的勞動條件。但這些都還是外部工具，您可以選擇要不要用。

AI 不一樣。它正在改變研究這件事本身的內容。文獻整理、初稿生成、編碼分析、引用格式，這些過去佔您一半時間的工作，正在以一夜之間的速度被重新定義。

問題從我要不要用 AI，變成我要如何讓 AI 配合我的研究節奏，而不是讓我去配合 AI。今天我們要回答的，就是這個問題。

2026 年 4 月初，Andrej Karpathy 在 X 上發了一篇文，標題叫 LLM Knowledge Bases。他做的事情其實不複雜：把各種原始資料丟進 raw/ 目錄，讓 LLM 增量編譯成一個 wiki。

但他講的那句話炸開了整個技術圈：「我的 token 越來越少花在操控程式碼，越來越多花在操控知識。」這句話對學者尤其重要——因為您的工作從來不是寫程式，是操控知識。

當 AI 已經把寫程式這件事 commoditize 了，下一個戰場就是您能不能把自己的知識結構，整理到能被 AI 加速的程度。

臺灣的周加恩看了 Karpathy 的做法之後，做了一個聰明判斷：圖書館很好，但不夠。他想做的是把這個概念當地基，再往上蓋三層樓——學習層、工作層、個人層。

學習層用 Zettelkasten 卡片筆記，重點不是節點而是連結。工作層的核心是用寫作啟動工作——把接下來要怎麼做寫下來，產出品質就提升。

個人層每天 20 分鐘自由寫作，把腦袋裡的東西倒出來，AI 再分流到專案、人生議題、知識庫，並監控是否過度工作。

書本重點您隨時可以問 AI，它的訓練資料裡都有。但您自己在某個深夜、某次散步、某次學生報告之後領悟到的東西——那是 AI 寫不出來的。

所以 Muse 的設計裡有一個刻意決定——個人領悟的品質分數，比外部知識高 1.5 分。這在告訴系統：當有限的注意力分配時，先把您的領悟編進去，外部資料排後面。

對教授來說這是個倫理判斷：您的累積，是學科的累積；您的判斷，是學派的判斷。AI 應該保護這個累積，而不是稀釋它。

麥克魯漢說過，媒介是人的延伸——書是眼睛的延伸、電話是耳朵的延伸、車輪是腳的延伸。

如果這個邏輯對，那 AI 是什麼的延伸？是思考的延伸——但要小心：身體的延伸用得不好會肌肉萎縮，思考的延伸用得不好會判斷萎縮。

所以今天我們要學的，不是把思考外包給 AI，而是讓 AI 承擔重複勞動，把您的判斷力釋放出來，去做只有您能做的事。這是一個倫理選擇，也是一個技術設計。

大部分人認識的 AI 是 ChatGPT、Claude.ai 那樣的網頁聊天框。Claude Code 不一樣——它是一個跑在您終端機裡的 AI agent，可以讀檔案、寫檔案、跑指令、呼叫 API、自動化工作流。

這對學者意味什麼？意味著 AI 終於可以參與您真正的工作環境——您的論文資料夾、您的引用管理、您的 Obsidian vault、您的 R / Python script、您的網站、您的學生郵件。

更重要的是：它支援持久化——您寫的指令、設計的人設、定義的工作流，都儲存成檔案。下次開啟自動載入。這是從對話到系統的躍遷。

每次對話開始，Claude Code 會自動讀取 CLAUDE.md。等於您不需要每次重新介紹自己、重新交代偏好——AI 永遠記得您是誰、在做什麼研究、要什麼語氣。

對學者來說特別重要的是禁忌清單。您寫過的、讀過的、論述過的東西，不希望 AI 用粗暴的歸類覆蓋——把這些寫進 CLAUDE.md，AI 就會繞過。

這份檔案會變成您學術勞動的個人作業系統設定檔。寫得越精準，AI 越像您的延伸，而不是另一個聲音。

Vibe Coding 是 Karpathy 創的詞——你不寫程式，你寫意圖。把腦袋裡的系統設計講清楚，AI 幫你把每個細節落地。

對教授來說這是革命性的——您不需要學 Python、不需要會 React、不需要懂 DevOps。您需要會的是：把我想要什麼講清楚。

這恰恰是學者的強項。學術訓練本來就要求精準的問題定義、邊界條件、操作型定義。Vibe Coding 等於把這套訓練從論文寫作，平移到系統設計。

2026 年 4 月初，一位學員問我：「Vista 老師，周加恩寫的那套電馭大腦，能不能用 Vibe Coding 實作出來？」我想了五秒鐘，回他：「來試試看。」

那天從早上開始。Claude Code 把既有系統盤點出來，跟周加恩構想做差距分析。接下來像跟一個很懂架構的同事討論白板——學習層、工作層、個人層、目錄結構、資料流、跨層連結⋯⋯

一天下來，12 個 skill、三層架構、一份完整使用手冊。我把它叫做 Muse——繆斯女神，靈感的守護者。

所有素材先進 raw/ 目錄。可能是 PDF 論文、Substack 電子報、研討會筆記、學生報告、書摘。AI 不直接動 raw/，而是讀取後在 wiki/ 編譯出乾淨的條目。

每個條目有固定 schema：定義、相關概念、源出文獻、品質分數、連結類型。品質分數從 0 到 5，個人領悟比外部知識多 1.5 分。

最關鍵的是連結探索——AI 不只建立直接連結，還會主動跑三種探索：語義搜索（明顯連結）、連結鏈漫遊（深層連結）、隨機抽牌（意外連結）。

魯曼用九萬張手寫卡片，建立了學術界傳奇的產出量。但他自己說，重點不是卡片，而是和卡片之間的對話。

他甚至把筆記盒當成有自主意識的夥伴——寫論文時用「我們」稱呼自己和筆記盒，會說「我們發現⋯⋯」、「我們想到⋯⋯」。

這種外部第二大腦的概念，在 AI 時代被放大了百倍——因為 AI 不只是被動儲藏，還能主動漫遊、發現、提示。

每個工作專案——不論研究計畫、論文專案、教學科目、行政任務——在 Muse 裡都是同一個結構：三個檔案，狀態 / 思考 / 日誌。

狀態檔（status.md）是專案儀表板，標題、優先級、開放問題、相關 wiki。思考檔（thinking.md）是您每次開工前寫的。日誌檔（log.md）是每天做了什麼。

這個設計從一個簡單觀察出發：AI 模型用 thinking 模式之後，產出品質就會提升。原因是它把接下來怎麼做寫成可見文字。教授開工前寫 thinking，效果一樣。

學者最容易忽略的是身體健康。一篇論文趕到深夜，一個 deadline 連續加班，一個學期下來體檢報告全紅。但這些訊號從不會在 Word 檔裡顯示。

Muse 的個人層做兩件事：每天 20 分鐘自由寫作，把腦袋倒出來；AI 讀完之後，標記出哪些是工作想法、哪些是人生議題、哪些是知識領悟，並監控您是否在過度工作。

這聽起來很軟，但實際上是學術勞動續航力的硬指標——能寫到退休，比能寫得快重要。

Muse 的最上層是一個全局儀表板。一個指令 /brain-dashboard，一個畫面，三層所有狀態：學習層的 wiki 規模、待編譯素材、最近的意外連結；工作層的活躍專案、各自進度、即將到期；個人層的能量趨勢、本週情緒、過度工作警示。

這個儀表板的設計哲學跟駕駛艙一樣——不需要看細節，但所有指標都要在視野內。教授每天早上花 30 秒掃過，就能決定今天該做什麼、該避開什麼。

聽完一場好演講，三天後您還記得多少？一週後呢？一年後您要投稿時，這些原則還能召喚回來嗎？

我的做法是：把演講的核心框架寫成 SKILL.md。當我下次說「我這題能不能投 SSCI」，系統自動跑謝老師的三軸評分卡。當我說「我的方法對嗎」，系統跑 Reviewer 三問自檢。

這就是知識的可呼叫性——不再是被動聽過、寫過筆記，而是主動內化成工作流的一部分。每次我寫論文，謝老師的智慧都在背後幫我把關。

謝老師講了五個找 gap 的方法：異流派衝突（兩個學派在打架）、分析方法限制（某方法漏了什麼）、比較缺乏（某些 context / 樣本沒被研究）、舊理論新情境（搬到新場域）、反思自身研究（您自己做不出來的部分）。

對教授來說最好的入手是異流派衝突——學界兩派在吵的問題，通常是真議題。第二好是比較缺乏——華人 / 臺灣 / 您學科獨有的 context，西方文獻常常忽略。

SSCI 期刊（特別是 Q1）非常在意為什麼會這樣，不只結果是什麼。一篇只有相關係數的論文，在 Q3 期刊夠用，到 Q1 會被打回。

舉個例子：AI 工具使用 → 教學創新。這只是相關。Q1 reviewer 會問：透過什麼機制？是教師心理安全感？是學生回饋速度？是同儕觀察？

把機制變項找出來、寫進理論模型、用適合的統計（中介分析、調節分析、SEM）檢驗——這是 Q1 與 Q3 的分水嶺。

謝老師指出三個常見錯誤。第一是方法過度複雜——年輕學者最容易犯。覺得用 SEM 比回歸厲害、用 HLM 比 ANOVA 厲害。但 reviewer 看的是匹配性，不是炫技。

第二是亂用統計工具——拿 SEM 做小樣本、拿 HLM 做沒層級的資料、拿 mediation 做跨時序的因果推論。這些在 desk review 就被斃。

第三是沒查穩健性——只報主分析，不報替代規格、不報敏感度測試。這在頂尖期刊是基本要求，缺了就是不專業。

期刊選擇是投稿前最關鍵的決策——比寫作品質更關鍵。一篇好論文投錯期刊，照樣 desk reject。

三層篩選：第一層 Fit 排除（aims & scope 沒寫到的、近三年沒登過類似主題的、影響因子過低過高的）。第二層 Editor 偏好（看主編近期社論、近期接受論文趨勢）。第三層 Realistic Tier（您的論文真實水準對應 Q 幾，不要硬投不對位的）。

收到 Major Revision 之後，最大的錯誤是逐條回應、最小限度修改。這在 R&R round 2 通常會被擋。

正確做法：把 reviewer 意見當成「這篇論文還有哪些洞」的總體診斷，整篇重寫。每次 revision 把論文升級一個 tier，這才是 Q1 的修法。

Point-by-point 回覆要做兩件事：感謝（具體說 reviewer 意見如何改進論文）、回應（詳細說明改了哪一頁哪一行、為什麼這樣改）。

一個沒有人設的 AI，回應風格漂移、立場不穩、容易說正確但無聊的話。一個有清楚人設的 AI，會自動拒絕做某些事、會用特定風格表達、會記得自己的禁忌。

對學者來說最大的差別在判斷型工作——文獻品質的判斷、理論立場的選擇、研究方法的取捨——這些都需要一致的判準。設一個 agent，等於把判準寫進去，每次都用同一把尺。

Dr. Sage 是我給研究顧問 agent 取的名字。她（他）的人設是：嚴謹但不無聊的學者，對方法論有潔癖，但懂得用白話解釋複雜概念，會在我偷懶時溫和地戳一下。

這個設計不是裝可愛——是把我希望這個顧問怎麼陪我，明確寫下來。每次我打 @sage，這個一致的個性就會出現。我永遠知道她會問什麼、不會說什麼、會在哪裡擋我。

想像您追了某個 podcast 兩年，每集都聽得很有共鳴，但實際生活有沒有改變？通常沒有。為什麼？因為聽過不等於內化。

AI Coach 解決這個問題。把您信賴的 podcast、書、演講匯入 NotebookLM，建一個 knowledge base。然後設一個 coach agent，定期跟您對話——晨間覆盤、下午 check-in、週日總結——把抽象原則變成您今天的具體行動。

舉例：我有一個「Dan Koe Coach」——把 Dan Koe 的書、文章、訪談都匯進 NotebookLM，coach 的人設模仿他的直接、冷靜、押重注的風格。

每天早上我說 /solo-coach-morning，他會：1. 讀我昨天的進度檔；2. 從 NotebookLM 找 1-2 個今天最相關的原則；3. 設計一個今天的小實驗。

下午 /solo-coach-checkin，他會：1. 問實驗進度；2. 整理我今天的數據；3. 給回饋。週日 /solo-coach-weekly，他會：1. 總結整週實驗；2. 設計下週的 KPI。

不要從我想用 AI 做什麼出發，要從我每週做什麼最痛出發。系統設計的鐵律：解決真痛點，不解決假需求。

我給教授們的建議：拿一週時間，每次發現自己很煩、很重複、很無聊的時候，記下來。週末把這個清單拿出來，挑前三痛的，就是您系統的第一批 skill / agent。

構思之後不要急著動手。設計階段做兩件事：1. 把問題切成可委派的子任務；2. 決定誰（skill / agent）做什麼。

這個過程跟學術寫作很像——您寫 method section 之前不會直接寫，會先列研究問題、操作型定義、變項關係。設計 skill 一樣，先把意圖寫清楚，再讓 AI 幫您把架構落地。

我喜歡用「一天打造一個系統」當案例。這不是炫技，是說明 Vibe Coding 的節奏感：什麼事情先做、什麼事情後做、什麼時候該停下來檢視。

我打造 Muse 的那一天，從早到晚的節奏是：早上盤點 → 上午設計 → 下午開發 → 傍晚驗證。這四個時段不是隨意，是因應創造力的自然曲線。

很多人卡在我系統還沒蓋完。但事實是：系統是用出來的，不是蓋出來的。一個 50% 的系統用一年，會比一個 100% 的系統蓋一年強。

應用階段做三件事：每天用、每週迭代、每學期規模化。每天用是把工作流走熟。每週迭代是修細節、補缺漏。每學期規模化是把單人系統，擴大到實驗室、研究團隊、課程。

紅線一：AI 產出當原創。任何讓 AI 寫的段落，您必須親自審視、修改、確認立場。如果原樣貼上，是學術詐欺。

紅線二：偽造引用。AI 偶爾會幻覺生出不存在的文獻。每一條引用都要您親自查證——這是不能商量的。

紅線三：未揭露 AI 使用。投稿期刊普遍要求揭露 AI 使用情況，使用了就要寫清楚使用範圍與方式。

一份學術倫理上 OK 的 AI 揭露聲明，通常包含三件事：使用了哪些 AI 工具、用在哪些環節、最終文責由作者承擔。

範例：「本研究使用 Claude Code 協助文獻整理（將 PDF 轉為摘要）與引用格式檢查。所有理論論述、研究方法判斷、結果詮釋均由作者完成；所有 AI 產出皆經作者審視修改。文責由作者承擔。」