我用 Claude 管 Obsidian 的三個月
三個月前我做了一件有點冒險的事：把整個 Obsidian 知識庫交給 AI 管。每天的日記、進行中的專案、研究筆記、隨手記下的靈感，全部讓它讀、讓它寫、讓它整理。
我本來想驗證的是：AI 到底夠不夠聰明，扛得起一整個知識庫。三個月後得到的答案有點出乎意料：扛不扛得起，八成取決於我怎麼設定它，而不是它本身多聰明。
同一個模型，在別人手上可能是個會亂答的聊天機器人，在我這套設定底下，是每天早上幫我把一天排好的助理。差別不在模型，在我給它的環境。
先帶你看一下我的 vault
我的 vault 用一套編號分層，從 00_收件匣 一路到 99_系統：收件匣放快速擷取、10_日記 放每日筆記、20_專案 放有終點的專案、30_研究 放永久參考資料、40_知識庫 放原子概念。每一層編號固定、職責固定。
重點不是資料夾本身，是 AI 一看編號就知道東西該放哪、該去哪找。我跟它說「把這個靈感記下來」，它知道進 00_收件匣；我說「這個專案做完了」，它知道搬去 99_系統/歸檔。
每則筆記開頭有一段 frontmatter，標好它是什麼、現在什麼狀態：
---
type: project
status: active
area: "[[個人品牌]]"
---專案靠 frontmatter 的 area 連到所屬領域，不靠資料夾層級。它讀到 status: active，就知道這個專案還在跑；讀到 area，就知道它屬於哪條主線。結構化的標記，讓它判斷時有依據，而不是憑文字語感亂猜。
vault 根目錄有一個 CLAUDE.md，是我寫給 AI 的工作守則。第一句就定調：
扮演知識管理者和每日規劃師。擷取、連結、組織知識與任務。
底下是一條條規則：大量用 [[雙向連結]]、日期一律寫 YYYY-MM-DD、frontmatter 後面不要留空行 (不然會在正文顯示出來)、所有溝通用繁體中文。這些規則不起眼，但少了它們，AI 每次都用自己的習慣亂寫，我得一直糾正。寫進 CLAUDE.md 之後，它每次開工就照規矩來。
重複的流程我寫成 skill，等於給它一份 SOP。最常用的是 /start-my-day：每天早上它讀昨天的日記、掃所有活躍專案的進度、跑一段 AI 摘要、再產出今天的筆記，把優先事項列好。我不用每天重講一遍「先看日記、再看專案、然後幫我排今天」。流程寫一次，之後一個指令跑完。/kickoff 把一個靈感變成結構完整的專案、/research 做完深度研究後分別寫進領域跟知識庫。每個 skill 都是一段把我重複動作固定下來的 markdown。
最後一塊是記憶。Claude Code 有一套跨對話的記憶，記住的是我這個人，不是某一次任務。它記得我寫作時破折號習慣怎麼用、中英文不要混太多、過去某段經歷的正確頭銜。這些是我一次次糾正後沉澱下來的偏好。下次開新對話，它自動載入，我不用重新交代「我是誰、我在意什麼」。
這幾塊其實是同一件事
分層、frontmatter、CLAUDE.md、skill、記憶，看起來是五個獨立的設定。但回頭看，它們在做同一件事：我在為 AI 設計一個它能工作的環境。
- 分層跟 frontmatter 是它的工作空間，東西放在固定的地方、貼好標籤
CLAUDE.md是它的職責說明書，講清楚它是誰、該守什麼規矩- skill 是它的標準作業流程，重複的事有固定做法
- 記憶是它對我的認識，越用越懂我
模型只是引擎。引擎當然重要，但一台車能不能上路，還要有底盤、有方向盤、有儀表板。這套環境就是底盤。換一顆更強的引擎 (更新的模型)，這套底盤照樣接得上；但少了底盤，再強的引擎也只是空轉。
三個月前我以為我在「用一個更聰明的 AI」，現在我知道，我其實是在「替一個夠用的 AI 蓋一個它能好好做事的地方」。
(這套思路跟我之前寫的 停止重寫 Prompt，開始設計 Skills 接得起來：那篇講怎麼把重複流程沉澱成 skill，這篇講把整個工作環境一起設計。)
如果你在考慮公司導入 AI
把上面這套放大，差不多就是企業導入 AI agent 的縮影。
很多公司評估時，第一個問題還是「哪家模型最強」。但真正決定成敗的瓶頸，幾乎不在模型，在這四件事你公司有沒有：
- 制度：有沒有寫下來的規則，讓 agent 知道什麼該做、什麼不該做 (你的
CLAUDE.md) - SOP：重複的流程有沒有固定下來，而不是每次靠人臨場判斷 (你的 skill)
- 結構化資料：你的資料是整齊有標記，還是散在各種文件跟某個人的腦袋裡 (你的分層跟 frontmatter)
- 回饋累積：agent 犯的錯有沒有被收進某個地方，下次不要再犯 (你的記憶)
模型每隔幾個月就更強一次，這部分你花錢買得到。但制度、SOP、乾淨的資料、回饋的累積，這些買不到，要自己長出來。導入卡住的公司，多半不是選錯模型，是把資源全押在模型，卻沒蓋那套讓 agent 能工作的環境。
小到一個人，大到一間公司
我管一個 Obsidian vault，跟一間公司導入 agent，規模差很多，但邏輯一模一樣：先把環境蓋好，模型才接得住你要託付的職責。
你不會因為換了一支更貴的筆，字就變漂亮。AI 也一樣。與其一直問「哪個模型最聰明」，不如先問「我給了它什麼樣的工作環境」。這個問題的答案，操之在你。
如果你的團隊正在評估 AI 導入、或想討論怎麼替 agent 設計一套能託付職責的環境，歡迎找我聊聊。