工作清單

憑什麼筆記要被平台綁架？NoteGen 完全開源，本地優先，你的知識資產自己掌握

逐字稿文字預覽

今天我們要深度解析 GitHub 上的一個熱門專案：
note-gen，一款為混亂思緒而生的 AI 筆記軟體。
它徹底實踐「先捕捉，後整理」
的理念，
讓你不再煩惱如何組織零散想法，
而是透過 AI 將雜亂的靈感無痛
轉化為結構化的知識。
我們都用筆記軟體來儲存整理好的知識
但是，那些混亂又零散的靈感火花
到底該放去哪裡呢？
如果有一款筆記軟體，
天生就是為了捕捉這些混亂而生
甚至還能用 AI 自動把它們梳理成有結構的內容
那會是什麼樣子？
一個叫做 note-gen 的開源專案
正在嘗試回答這個問題。
它靠著「先捕捉，後整理」
的獨特理念
在 GitHub 上快速累積了破萬顆星
非常值得我們花幾分鐘來深入了解。
note-gen 是一款開源、跨平台的 Markdown AI 筆記軟體
由開發者 codexu 一手打造。
它的核心定位非常清楚，
就是要解決一個傳統筆記工具的痛點：
不擅長處理一開始那些零散、混亂的想法。
它希望使用者可以先沒有壓力地捕捉靈感，
之後再透過 AI 的幫助，
把這些靈感轉化成結構化的筆記。
這個概念，很明顯打中了許多開發者的心。
目前，note-gen 在 GitHub 上
已經累積超過一萬一千六百五十八顆星，
光是今天就增加了二百五十一顆，
Fork數也達到了八百六十七。
從數據上來看，這不只是一個有趣的想法，
更是一個大家都非常關注的實用工具。
想一下我們常用的筆記軟體，
不管是 Notion、Obsidian 還是其他工具，
它們通常都假設，
你輸入的內容是相對完整的。
這就帶來一個普遍的痛點。
當我們還在腦力激盪，
或是收集資料的初期，
想法常常是碎片化的、不連貫的。
可能只是一句話、一張截圖，
或是一個網址。
如果硬要把這些零散的資訊，
塞進一個結構化的筆記範本裡，
不只會打斷思緒，
事後要整理也特別花時間。
過去，開發者可能要用好幾個工具，
例如先用便條紙 App 記下靈感，
再手動複製貼到主要的筆記軟體，
整個過程非常麻煩。
note-gen 切入的，正是這個麻煩的斷層。
它提出「先捕捉，後整理」
的理念，
把筆記流程分成獨立的「記錄」
、「筆記」
和「AI 對話」
三個空間。
「記錄」
和「筆記」
兩個空間。
這樣一來，使用者就能專心在當下，
先把混亂的素材全部丟進來，
之後再從容地加工整理。
note-gen 在技術架構的選擇上，
很明顯重視效能和使用者的資料主權。
在前端，它採用了 Tauri 框架，
而不是更常見的 Electron。
你可以把 Tauri 想像成一個很輕的應用程式外殼。
它直接使用作業系統內建的網頁瀏覽器引擎，
不像 Electron 那樣，需要打包一整個瀏覽器。
這樣做的好處是，
note-gen 的安裝檔更小，
記憶體也用得更少。
它的後端則是用 Rust 語言寫的，
確保在處理檔案、或是跟 AI 模型溝通
這些比較吃重的工作時，
能夠既有效率又安全。
不過，整個專案最核心的技術亮點，
是它內建的 RAG 知識庫。
RAG 的全名是
「檢索增強生成」
。
你可以把它理解成一個
專屬於你的個人知識助理。
運作方式是這樣的：
當你寫下筆記時，
note-gen 會在背景
悄悄地把你的內容拆解、分析，
然後轉成一種叫做
「向量」
的數學格式，
存進本地的資料庫。
當你對 AI 提問時，
它會先到你的筆記海裡，
精準地「檢索」
出
最相關的幾段內容。
接著，再把這些內容連同你的問題，
一起交給大型語言模型來「生成」
答案。
這就確保了 AI 的回答，
是基於你自己的知識，
而不是網路上的通用資訊，
大大提升了回答的精準度
和個人化程度。
note-gen 的應用場景非常具體，
主要就是為那些
需要處理大量零散資訊的
知識工作者所設計。
舉個例子，
一位研究人員在讀論文的時候，
可以隨手把重要的段落、
自己的想法、
還有相關的圖表截圖，
全部丟進 note-gen 的「記錄」
區。
等事後再利用 AI 功能，
把這些碎片整理成一篇
有結構的文獻回顧初稿。
對於內容創作者來說，
這就像一個數位靈感箱。
可以用來收集寫作素材，
再透過跟 AI 對話來
擴寫、潤飾，
快速產出文章或腳本。
開發者在學新技術時也很好用。
可以快速收集程式碼片段、
官方文件連結，
然後透過內建的 RAG 知識庫，
直接跟這些學習材料對話，
加深自己的理解。
而且，因為所有資料
都是用本地的 Markdown 格式儲存，
所以上手門檻很低，
使用者也不用擔心被某個平台綁死。
雖然 note-gen 的理念很吸引人，
但它宏大的目標也帶來了一些
潛在的挑戰。
首先，
它要同時支援
Windows、macOS、Linux、Android 和 iOS 這五大平台，
和 iOS 這五大平台，
這代表維護成本會非常高。
特別是手機版
目前還在很早期的開發階段，
要確保跨平台的體驗一致又穩定，
會是一大考驗。
再來，
它的核心 AI 功能，
高度依賴第三方的模型服務。
這表示任何 API 的變動、
價格調整，
或是服務不穩定，
都會直接影響到使用者體驗。
還有，
當使用者的筆記資料量達到好幾萬篇的時候，
大到好幾萬篇的時候，
它本地的 RAG 系統，
在比較舊的硬體上，
索引和檢索的效能會不會成為瓶頸？
這點還有待觀察。
最後，
支援多種同步方式
雖然很彈性，
但也讓同步衝突
和資料一致性的問題變得更複雜。
總結來說，
note-gen 不只是又一款新的筆記軟體，
它更像是一個個人化的「思緒處理器」
。
它透過巧妙的設計，
把 AI 完美地融入知識工作者的工作流程，
從捕捉靈感，
一直到產出成品。
它最大的價值，
就是把過去需要複雜設定
才能做到的「個人知識庫問答」
功能，
變成了一種開箱即用的內建體驗。
如果你正在尋找一種方法，
希望能更順暢地把混亂的思緒，
轉化為有結構的知識，
那麼 note-gen 這個專案的後續發展，
絕對值得你持續關注。

來源：transcript.txt

本次執行流程與問題處理

  1. 下達指令

    指令：videonote https://youtu.be/W3LCd94USeQ?si=w8plfpCpzIepF1L1 --language zh --adopt-source-subtitles

    來源：https://youtu.be/W3LCd94USeQ?si=w8plfpCpzIepF1L1

    辨識語言：zh ｜ 參數：--language zh --adopt-source-subtitles

  2. 預期流程

    依指令產生的處理順序：

    1. 採用來源字幕（略過語音辨識）
    2. 來源選擇與品質檢查
    3. 文字校正與句子單元
    4. 筆記與發布
    5. 公開網頁發布

  3. 1. 下載與語音辨識

    工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）

    處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿

    產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）

    耗時：14.7 秒

    關係：依序執行

    結果：完成

  4. 2. 全文快速校讀

    工具：videonote_rapid_transcript_review.py

    處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目

    產出：rapid_transcript_review_report.json（產出檔案）

    耗時：16.3 秒

    關係：依序執行

    結果：完成

  5. 3. 建立句子單元

    工具：videonote-build-sentence-units

    處理：將逐字稿切成帶時間軸的句子單元

    產出：sentence_units.json（句子單元）

    耗時：0.4 秒

    關係：依序執行

    結果：完成

  6. 4. 時間軸稽核

    工具：videonote_timeline_audit.py

    處理：檢查時間軸與音訊對齊

    產出：timeline_audit_report.json（時間軸稽核）

    耗時：0.4 秒

    關係：依序執行

    結果：完成

  7. 5. 品質檢查

    工具：videonote_controlled_quality.py（檢查時間軸與品質）

    處理：檢查語言、時間軸與可讀性品質

    產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）

    耗時：0.4 秒

    關係：依序執行

    結果：完成

  8. 6. 播放時間軸回填

    工具：videonote_rebase_display_timeline.py

    處理：將網頁播放時間軸回填為校正字幕時間

    產出：display_timeline_rebase_report.json（時間軸回填報告）

    耗時：0.5 秒

    關係：依序執行

    結果：完成

  9. 7. 來源句整理

    工具：videonote_prepare_source_entries.py

    處理：整理來源句子供時間軸與頁面使用

    產出：sentence_units.json（句子單元）

    耗時：0.5 秒

    關係：依序執行

    結果：完成

  10. 8. 生成筆記摘要

    工具：videonote-generate-note（生成筆記摘要）

    處理：生成筆記摘要與重點

    產出：note.md（筆記 Markdown）、note.html（筆記 HTML）

    耗時：82.8 秒

    關係：依序執行

    結果：完成

  11. 9. 建立筆記頁面

    工具：videonote-render-html（產生筆記 HTML）

    處理：產生可閱讀的筆記 HTML 頁面

    產出：note.html（筆記 HTML）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  12. 10. 發布公開頁面

    工具：videonote-publish（發布公開頁面）

    處理：發布到公開網站與每日列表

    產出：公開筆記網址、result.json（管線結果）

    耗時：1.0 秒

    關係：依序執行

    結果：完成

手動來源字幕

自動來源字幕

Whisper 字幕

Qwen 字幕

Parakeet 字幕

MOSS 字幕

聲學時間證據（PyAnnote / WhisperX）

校正前後逐字稿

目前待解決問題與初步改善方向

進一步精進字幕與筆記
使用 Workbench 上傳校正字幕、中文參考稿或回饋 SRT，重新產生雙語與學習單元。
開啟 Workbench