在上一篇中，我將過去三年的 AI 使用紀錄定義為三個地層：知識沉積 (AIQA)、實戰指令流 (CLI Log) 以及 協作軌跡 (MQA Notes)。

今天，我要分享的是「工具實作篇」。為了寫這本書，我不能只靠印象，我需要數據。以下是我指揮 AI 協助我開發的三款數位挖掘器。

方法一：AIQA 歷史回測 (Markdown Mining) —— 錨定心智演進

這是我最核心的「知識礦床」。我多年來習慣將與 AI 的深度對話手動整理成 Markdown 筆記（AIQA），存放在 ChatGPT-QA 資料夾中。

挖掘實作：自動化時間軸定錨 (generate_timeline_index.py)

這不只是搜尋關鍵字，而是將幾百個非結構化的筆記轉換為可分析的 時間序列資料：

  1. 日期提取：利用 Regex 從檔名（如 20230321_Refactor.md）中萃取精確日期，若檔名無日期則回溯檔案系統的時間標記。
  2. 概念標註：定義一組 concept_mapping_rules.json（關鍵字映射規則），自動識別該筆記觸及了哪些核心觀點（如 C-08 架構先行）。
  3. 量化行為：統計 Q&A 對話輪數與內容密度，量化當時對特定問題的鑽研深度。

成果：成功建立了橫跨三年的「賦能時間軸」，清楚顯示了我的發問重心如何從「工具語法」轉移到「設計哲學」。

方法二：Gemini CLI 雜訊清洗 (JSON Mining) —— 找回失落的指令流

這是實戰數據最密集、也最難挖掘的部分。在使用 Gemini CLI 工具時，大部份的對話並不像 AIQA 那樣被手動記錄，而是以 JSON 格式碎裂地留在系統暫存區。

挖掘實作：Checkpoint 與 Log 脫殼 (process_gemini_prompts.py)

我指揮 AI 撰寫了針對 ~/.gemini/tmp 的挖掘腳本，實施「低侵入性考古」：

  1. Session 還原：遍歷數千個編碼目錄，辨識出 checkpoint-*.json (狀態快照) 與 logs.json (執行紀錄)。
  2. 任務分類：從檔名（如 checkpoint-1216_walkgis.json）提取 Task Name，區分出「Coding」、「Search」或「GIS 處理」等真實任務場景。
  3. 隱私清洗：在量化指令長度與頻率的同時，嚴格濾除 API Key 與個人敏感資訊，僅保留統計特徵。

成果：這就是文前提到「8,000 條指令」的真實出處。這項挖掘直接證明了我如何透過 CLI 工具在 2024 年下半年達到了產量的爆發。

方法三：MQA 協作筆記追蹤 (Note Metadata Mining) —— 量化人機共生

這是最靠近「現在」的地層。在 Antigravity 時代，我習慣將對話與結果直接以 MQA 格式（M::備註, Q::提問, A::回答）存成專案筆記（如 note_250828.md）。

挖掘實作：全專案掃描與特徵匹配 (process_antigravity_notes.py)

這不再侷限於單一目錄，而是對整個開發目錄進行「數位足跡掃描」：

  1. 語法校準：掃描所有 .md 檔案，透過「Q:: / A::」這個特定簽名，區分出哪些是「原生文件」，哪些是「人機協作紀錄」。
  2. 其他的分析方法，視寫作的需要再繼續進行

成果：這項挖掘讓我看清了「賦能」的最終型態——AI 已經不再是外部工具，而是直接融入了專案的檔案結構中，成為產出的緩衝層與加速器。這部分的考古目前仍有後續，我也將隨著撰寫書本的需要，持續深入進行挖掘與分析。

數據，是方法論的燃料

透過這三款 Python 挖掘器，我開始將「印象中的進步」轉化為「可檢索、可驗證的軌跡」。

這場數位考古不僅為我的書提供了實證資料，更讓我重新認識了自己與 AI 磨合的每一個轉折點。如果你也感覺自己被 AI 賦能了，不妨也試著挖掘一下你的 Log——那裡藏著你可能連自己都不知道的成長秘密。

AI 協作宣告：本文由作者口述核心挖掘方法，由 AI Agent (Antigravity) 協助進行技術細節的描述與文章結構優化。文中提到的 Python 腳本與實作邏輯皆為作者與 AI 的真實協作產出。