標準標籤系統 (Taxonomy) 標籤：AI, 工作流, 系統架構

個人知識庫的 AI 化重構：從碎片到系統

1. 核心觀察 (The Problem)

在導入 AI 輔助工作前，我們的筆記往往是寫給未來的自己看的。因此，充滿了人類才懂的上下文跳躍、隱含假設、以及沒有標記的孤立碎片。 當 AI Agent 成為工作流程的第一線讀者時，舊的筆記結構會導致 AI 頻繁出現幻覺，或者找不到相關資料。

2. 解決方案：AI-Ready Vault (The Solution)

我們將 ObsidianBook 重新設計為一個 AI-Ready 的真相層 (Truth Layer)。

A. 三層分工架構

1. Inbox (收件箱)：隨機的想法、會議記錄。這是人類的輸入端。
2. Knowledge & Sources (知識與來源)：結構化的儲存庫。每一篇都必須包含明確的 type, status, source 與 related (語義連結)。
3. Action (行動)：存放進行中的草稿、規格書與 PRD。

B. AI Entry Shared Block (單一真相來源)

為了避免多個 Agent (Claude, Gemini, Codex) 對知識庫的理解產生分歧，我們建立了一個共享的 Entry Block。 無論是 CLAUDE.md, GEMINI.md 還是 AGENTS.md，都引用同一份 AI-ENTRY-SHARED.md。這確保了「制度的改變只在一個地方發生」。

C. 自動化優化迴圈 (Optimization Loop)

導入 obsidianbook-optimize Skill，讓 AI 定期執行：

• Audit: 抓出缺 Frontmatter 或孤立的節點。
• Connect: 自動補齊 related 語義連結。
• Refactor: 將散落的踩坑紀錄，重構成正式的 Methodology 或 PRD。

3. 成果與反思 (The Outcome)

• 搜尋成本降低：AI 不再需要做全庫盲搜，透過 related 即可順藤摸瓜。
• 經驗可複用：踩坑紀錄被系統化萃取為 Pipeline 或 Skill，讓錯誤只會發生一次。
• 邊界清晰：AI 只在 10_Action 進行破壞性編輯，對 20_Knowledge 保持唯讀或嚴格的 Patch 提案。