# 影片筆記：Claude Code + Obsidian 個人知識庫，token 用量直接節省 95%

## 一句話總結

影片介紹由 Andre Carpenter（或稱 Coverty/Crafted）提出的一套基於 **Obsidian** 與 **Cloud Code**（或 Claw Code）整合的個人知識庫架構，透過結構化的資料夾設計（Role, Wiki, Index, Log）與自動化 Ingest 流程，利用雙向連結取代傳統 RAG 向量搜尋，據稱可節省 95% 的 Token 用量，並賦予 AI 長期記憶與上下文理解能力。

## 核心重點

1.  **解決 AI 缺乏長期記憶的問題**：一般 AI 對話（如與 Cloud 聊天）知識是一次性的，隔天新對話不記得之前的內容。此系統旨在讓 AI 認識使用者、工作領域及累積的知識，讓知識像雪球一樣持續增長。
2.  **四層結構架構**：
    *   **Role**：儲存原始文件（文章、腳稿），AI 只讀取不修改。
    *   **Wiki**：整理好的知識本體，透過 Markdown 連結串接。
    *   **Index.md**：書籤目錄，讓 AI 快速定位。
    *   **Log.md**：記錄所有操作記錄。
3.  **節省 Token 的原理**：
    *   不同於傳統 RAG（檢索增強生成）掃描原始文件或向量矩陣搜尋，此系統透過 Obsidian 的雙向連結與 `Index.md` 直接定位到相關頁面。
    *   AI 理解整段文字及知識網絡，而非片段，據稱可減少 95% 的 Token 用量。
4.  **自動化設定與 Ingest**：
    *   透過 GitHub 上的設定文件，貼入 Cloud Code 即可自動建立資料夾結構、生成專屬的 `Cloud.md` 規則檔。
    *   **Ingest（消化/吸收）**：將現有文件放入 Role 資料夾後，AI 會讀取文件、找出觀點、生成 Topic Page，並更新現有 Wiki 頁面，建立蜘蛛網般的關聯。
5.  **最佳實踐：Vault 分離**：
    *   建議將不同領域（如 YouTube 腳本、商業筆記、學習筆記）分開建立獨立的 Vault。
    *   避免混合內容導致 AI 查詢時掃描過多無關內容，確保準確度並進一步節省 Token。

## 詳細大綱

### 一、 為什麼需要建立這個系統？
*   **現狀痛點**：一般 AI 對話知識是一次性的，隔天新對話不記得之前的內容。
*   **系統目標**：
    *   讓 AI 真正認識使用者、工作領域及累積的知識。
    *   知識像雪球一樣持續負力增長，每篇文章、主持稿、筆記都會整合進同一個知識庫並產生關係連結。
    *   目的不是炫技，而是讓 AI 工具具備長期記憶與上下文理解能力。

### 二、 系統架構設計 (Crawberry/Coverty 架構)
*   **四層結構**（放在同一個資料夾）：
    1.  **Role**：儲存原始文件（文章、腳稿、其他文件）。Cloud Code 只會讀取，不會修改。
    2.  **Wiki**：整理好的知識本體。每個本體是一個 Markdown 檔案，頁面之間透過連結串接。
    3.  **Index.md**：書籤目錄。
    4.  **Log.md**：記錄所有操作記錄，新增資料都會存在這裡。
*   **Obsidian 個人知識庫範例**：
    *   儲存過去影片腳本，腳本間有關聯。
    *   例如：`Cloud.md` 連結到 `SuperPower Plugin`、`HNT workflow`。
    *   每個節點包含總結、Tag、建立時間、Title。
    *   底部顯示 `Related Topics`（相關主題），展示與其他影片的關聯。
    *   查詢機制：透過相關聯的連結查找最關聯資訊，而非傳統 RAG 的向量矩陣範圍。

### 三、 設定步驟與流程
1.  **安裝與初始化**：
    *   下載並安裝 Obsidian。
    *   選擇 `Create new Vault`，命名（如 Demo Obsidian），設定位置。
    *   關閉歡迎文件。
2.  **IDE 準備**：
    *   使用 VSCode 打開剛建立的資料夾。
    *   確認看到 `.obsidian` 資料夾及歡迎文件。
3.  **引入設定文件**：
    *   從 GitHub 獲取由 Coverty/Crafted 提供的設定文件（非普通 Prompt，而是給 AI 工作的說明書）。
    *   將文件複製並貼入 Cloud Code。
    *   提示語意：「幫我按照這個架構建立我的知識庫」。
4.  **互動確認與生成**：
    *   Cloud Code 會詢問專案細節（自動化研究、語言設定、來源、使用情境）。
    *   根據回答，Cloud Code 自動建立 `Role`, `Wiki`, `Index`, `Flow` 資料夾及專屬 `Cloud.md`。
    *   `Cloud.md` 用途：說明專案目的、工作方式及規則。
5.  **執行 Ingest（消化/吸收）**：
    *   將現有文件（如影片腳本）放入 Role 資料夾。
    *   告知 AI 已放入文件，觸發 Ingest 動作。
    *   AI 讀取文件，找出觀點性，生成 Topic Page（如 Agentic workflow, Cloud.md, Cloud Skills 等）。
    *   完成後可檢視關聯圖動畫。

### 四、 測試與應用場景
*   **測試方式**：
    *   詢問相關問題（如：過去影片最常提到哪個主題？）。
    *   AI 會查看規律與關聯，拉出相關節點（Genteeperflow, Cloud.nd, Skill 等）。
*   **Ingest 的深層意義**：
    *   不只是建立新 Wiki 頁面。
    *   讀取 `Index.md` 確認現有知識主題。
    *   更新 10-15 個 Wiki 頁面，整合文章內容並在頁面間建立連結。
    *   效果：知識庫不是只長一個節點，而是像蜘蛛網一樣擴大關聯網子。
*   **五個具體應用場景**：
    1.  **YouTube 腳稿知識庫**：建立過去內容的知識系統。
    2.  **客戶提案和回憶記錄**：會議歷史脈絡的 AI 複習。
    3.  **建立 AI 工具的研究庫**。
    4.  **個人學習歷程庫**：記錄學過的東西，避免遺忘。
    5.  **Embarium Workflow**：設計新 Workflow 時，查詢是否有類似案例。

### 五、 與傳統 RAG 的差異
*   **RAG (檢索增強生成)**：
    *   查詢時尋找最相似的文字片段。
    *   不理解片段之間的關係。
    *   效率較低，Token 消耗大。
*   **LM Wiki (本系統)**：
    *   類似讀一本有目錄、有交叉引用的整理好書籍。
    *   AI 理解整段文字及整個知識網絡。
    *   **省 Token 原理**：`Index.md` 直接讓 AI 定位到相關頁面，不用掃描整個資料夾。研究顯示可減少 95% Token 用量。

### 六、 最佳實踐與整合建議
*   **整合方式**：
    *   在 Cloud Code 專案的 `Cloud.md` 中加入一行，指向 Obsidian 搜尋路徑。
    *   讓所有專案內的 AI Agent 都能調用該 Wiki 知識庫。
*   **Vault 分離原則**：
    *   **不要**把所有東西塞進一個知識庫。
    *   **建議**：YouTube 腳本建一個 Vault，個人商業相關建一個 Vault，學習筆記建一個 Vault。
    *   **原因**：混合內容會導致 AI 查詢時掃描大量不相關內容，降低準確度並增加 Token 消耗。獨立 Vault 讓 AI 只在特定範圍內查詢。
*   **三種思考/使用方式**：
    1.  透過 `Cloud.md` 指向其他 Vault 的路徑和用途，讓專案 AI 直接讀取。
    2.  在 `Cloud.md` 中直接查詢，打開 Vault 資料夾問問題，AI 讀取 Index 找到頁面給答案。
    3.  **長期 Ingest**：知識庫需持續更新，久之成為真正認識使用者的 AI 系統。

### 七、 結語與資源
*   提供整合成 PDF 的參考文件。
*   加入免費 School 社群，透過 YouTube 影片支援搜尋影片標題即可獲取 PDF。
*   不定期分享 Claw Code 技巧（如節省 Token）。
*   在 Classroom 教授 N 版、商業應用案例及 Cloud Core 相關資源。

## 工具 / 模型 / 名詞整理

*   **Obsidian**：個人知識庫軟體。
*   **Cloud Code** / **Claw Code**：影片講者使用的 AI 編碼/對話工具（講稿中交替出現，疑為同一工具或聽寫差異）。
*   **Andre Carpenter**：提出該系統架構的人（講稿中亦出現 Crawberry, Coverty, Crafted 等稱呼，疑為同一人或不同翻譯）。
*   **GitHub**：存放設定文件的平台。
*   **VSCode**：開發者使用的 IDE。
*   **RAG**：檢索增強生成（Retrieval-Augmented Generation），被對比的概念。
*   **SuperPower Plugin** / **Superpowered Plugin**：Obsidian 中的插件名稱。
*   **MCP**：在關聯圖中提到的概念。
*   **Agenti workflow** / **Agentic workflow**：在知識庫節點中提到的工作流概念。
*   **HNT workflow**：在知識庫節點中提到的工作流。
*   **Cloud.md**：專案規則說明檔案。
*   **Index.md**：書籤目錄檔案。
*   **Log.md**：操作記錄檔案。
*   **Role**：儲存原始文件的資料夾名稱。
*   **Wiki**：知識本體資料夾名稱。
*   **L1WinWiki**：影片結尾提到的系統名稱（疑為聽寫錯誤，可能指代上述架構）。
*   **School 社群**：講者提到的社群名稱。
*   **Classroom**：講者教學的平台。
*   **Index.md**：書籤目錄，讓 AI 快速定位。
*   **Log.md**：記錄所有操作記錄。
*   **Role**：儲存原始文件的資料夾名稱。
*   **Wiki**：知識本體資料夾名稱。
*   **Flow**：自動建立資料夾之一。
*   **Topic Page**：AI 生成的知識頁面。
*   **Related Topics**：相關主題顯示。
*   **Genteeperflow**：測試結果中出現的名稱。
*   **Cloud.nd**：測試結果中出現的名稱。
*   **REG**：對比 RAG 時出現的名稱。
*   **LM Wiki**：講者使用的系統名稱。
*   **N 版**：Classroom 教學內容中提到的版本。

## 操作流程整理

1.  **環境準備**：
    *   下載並安裝 Obsidian。
    *   建立新 Vault（如 Demo Obsidian），關閉歡迎文件。
    *   使用 VSCode 打開該資料夾，確認 `.obsidian` 資料夾存在。
2.  **引入設定**：
    *   從 GitHub 獲取由 Coverty/Crafted 提供的設定文件。
    *   將文件複製並貼入 Cloud Code。
    *   輸入提示：「幫我按照這個架構建立我的知識庫」。
3.  **互動與生成**：
    *   Cloud Code 詢問專案細節（自動化研究、語言、來源、情境）。
    *   Cloud Code 自動建立 `Role`, `Wiki`, `Index`, `Flow` 資料夾及 `Cloud.md`。
    *   `Cloud.md` 包含專案目的、工作方式及規則。
4.  **執行 Ingest（吸收）**：
    *   將現有文件（如影片腳本）放入 `Role` 資料夾。
    *   告知 AI 文件已放入，觸發 Ingest。
    *   AI 讀取文件，生成 Topic Page（如 Agentic workflow 等）。
    *   檢視關聯圖動畫。
5.  **測試與應用**：
    *   詢問相關問題（如：過去影片最常提到哪個主題？）。
    *   AI 查看規律與關聯，拉出相關節點。
    *   根據應用場景（YouTube 腳本、客戶提案、AI 工具研究、個人學習、Workflow 案例）持續更新知識庫。
6.  **整合與分離**：
    *   在 `Cloud.md` 中加入指向 Obsidian 搜尋路徑的設定。
    *   將不同領域（YouTube、商業、學習）分開建立獨立 Vault。
    *   透過 `Cloud.md` 指向其他 Vault，讓專案 AI 直接讀取。

## 值得注意的限制或風險

*   **Token 節省依賴結構化**：節省 95% Token 的前提是 AI 直接讀取整理好的結構化知識（Index.md 定位），而非掃描原始文件。若結構不佳，效果可能受限。
*   **Vault 分離的重要性**：若將所有內容塞進一個知識庫，AI 查詢時會掃描大量不相關內容，降低準確度並增加 Token 消耗。
*   **Ingest 的持續性**：知識庫需持續更新（長期 Ingest），才能成為真正認識使用者的 AI 系統，否則可能僅是靜態檔案。
*   **AI 理解能力限制**：雖然比 RAG 好，但 AI 仍依賴於生成的 Topic Page 和連結，若生成內容有誤，可能影響後續查詢。
*   **工具名稱不確定性**：影片中使用 "Cloud Code" 和 "Claw Code" 交替，若為不同工具，操作流程可能有差異。
*   **人名與專案名稱混淆**：提出者名稱在 "Andre Carpenter", "Crawberry", "Coverty", "Crafted" 之間跳動，可能影響使用者查找原始資源。

## 逐字稿辨識疑點

*   **Andre Carpenter / Crawberry / Coverty / Crafted**：講稿中多次更換提出該系統架構的人名或專案名，分別為 "Andre Carpenter"、"Crawberry"、"Coverty"、"Crafted"。需查證正確名稱。
*   **Cloud Code / Claw Code**：講稿中交替使用 "Cloud Code" 和 "Claw Code"，指代同一個 AI 工具。需查證正確產品名稱。
*   **力滾力 / 負力增長**：形容知識增長的方式，聽起來像是口誤或特定比喻，需確認是否為「雪球效應」或類似概念的聽寫錯誤。
*   **築字稿**：應為「腳字稿」或「腳本」的聽寫錯誤。
*   **Claw Code 專案里面的規則的說明檔案**：語意稍顯冗長，可能指 `Cloud.md` 或 `CLAUDE.md` 等規則檔。
*   **Genteeperflow**：在測試結果中出現，應為 "Agentic workflow" 或 "Agent workflow" 的聽寫錯誤。
*   **Cloud.nd**：在測試結果中出現，應為 "Cloud.md" 的聽寫錯誤。
*   **Superpowers 的 Plugin**：應為 "SuperPower Plugin" 或 "Superpowered Plugin"。
*   **REG**：在對比 RAG 時出現，應為 "RAG" 的聽寫錯誤。
*   **LM Wiki**：講者使用的系統名稱，需確認是否為特定術語或口誤。
*   **L1WinWiki**：結尾提到的系統名稱，聽起來像是 "Local Wiki" 或 "Link Wiki" 的聽寫錯誤。
*   **N 版**：在 Classroom 教學內容中提到，需確認是否指 "New 版" 或特定版本名稱。
*   **School 社群**：講者提到的社群名稱，需確認是否為 "Slack"、"Discord" 或其他平台的聽寫。
*   **Embarium Workflow**：應用場景中提到的 Workflow 名稱，需確認是否為特定工具或術語。
*   **HNT workflow**：知識庫節點中提到的工作流，需確認是否為特定術語。
*   **SuperPower Plugin** / **Superpowered Plugin**：Obsidian 插件名稱，需確認正確拼寫。
*   **MCP**：關聯圖中提到的概念，需確認是否為 Model Context Protocol 或其他術語。
*   **Agenti workflow** / **Agentic workflow**：工作流概念，需確認正確拼寫。
*   **Flow**：自動建立資料夾名稱，需確認是否為 "Flow" 或 "Flows"。
*   **Topic Page**：AI 生成的知識頁面，需確認是否為標準術語。
*   **Related Topics**：相關主題顯示，需確認是否為標準術語。
*   **Index.md**：書籤目錄，需確認是否為標準術語。
*   **Log.md**：操作記錄，需確認是否為標準術語。
*   **Role**：儲存原始文件的資料夾，需確認是否為標準術語。
*   **Wiki**：知識本體資料夾，需確認是否為標準術語。
*   **Cloud.md**：專案規則說明檔案，需確認是否為標準術語。
*   **Genteeperflow**：測試結果中出現的名稱，需確認