哈爸實驗室

「Skill 優先」的 AI 協作新實踐：從需求定義到知識點萃取的自動化進化 🚀 序言：一個新的協作節奏 在過去的 AI 協作中，我通常是先遇到問題，發出指令，解決之後再考慮是否要將它整理成工具。但這一次，我試著調換順序：先說出一個「Skill」的構想，定義它的通用流程與腳本格式，然後直接用它來演練並修正。 這次的目標是：如何高效地將長達一個多小時的「哈爸實驗室雙周會」錄影，拆解成一個個有價值的「知識點 (Knowledge Points)」。 🏗️ 第一步：Skill 的定義與構建 (Defining the Skill) 與其說「幫我切影片」，我對 AI 下達的指令是：「我們來做一個 knowledge-point-distiller Skill」。這個 Skill 必須具備以下完整閉環： 影音處理自動化：能根據時間清單自動切割影片，並同步產出適合 NotebookLM (容量 < 20MB) 的優化 MP3。 資源歸檔結構化：每一個知識點 (KP) 都有自己的資料夾，包含 MP4 片段、MP3 音訊與 metadata.md。 SOP 化：將整套流程寫入 .agent/skills/ 目錄下的 SKILL.md，讓 AI 與我都能隨時查閱操作標準。 這種「先建工具，後打仗」的做法，讓我在還沒開始處理影片前，就已經擁有了整套「生產線」。 🧪 第二步：實戰演練與即時修正 (Practice & Refinement) 有了工具後，我們直接拿「2/6 哈爸實驗室雙周會」進行測試。這個階段的「修正」是重點： 全場音訊的需求：在切割子片段的過程中，我發現除了個別知識點，我也需要一份「全場完整錄音」上傳到 NotebookLM 進行全局綜整。於是，我們立刻將這個功能補進 Skill 的 SOP 中。 與 Git 的整合：歸檔不是終點，提交才是。我們在 Skill 流程中補上了 GitHub 的 Commit 與 Push 指引。 跨 Skill 調度：在這個過程中，新的 Skill 自動調用了先前的 media-processor Skill 來處理高品質音訊壓縮，展現了技術模組之間的協同能力。 💡 關鍵體驗：為什麼「先說出 Skill」很有用？ 這是我第一次嘗試「先定義、再運作、後修正」的模式，心得如下： ...

戰略羅盤自動化：解決「進展太快、記錄太細、方向模糊」的個人數位革命 🌪️ 困擾許久的「迷霧」 在高速推進的 AI 賦能時代，我遇到一個很深刻的困擾：事情進展實在太快了。 每一天都有新的對話、新的腳本、新的筆記，這些「點」被鉅細靡遺地记录在哈爸筆記文中。然而，當有人問起「最近進展如何？」或是我想調整下個月的大方向規劃時，我卻常感到一片模糊。 碎瑣的紀錄就像樹木，讓我看不清整座森林。 現實中，我常常只有一個直覺的方向，卻缺乏一張清晰的「地圖」來定錨位置與演化歷程。 🧭 解決方案：策略羅盤管理員 (Strategic Roadmap Manager) 這次，我們針對這個痛點打造了一個專屬 Skill。核心目標很簡單：把「點」連成「線」，把「線」織成「面」。 1. 用視覺化定錨直覺 (Visual Anchoring) 我們不寫長篇大論的週報。我們使用 Mermaid 語法產出三張圖： 心智圖 (Mindmap)：釐清戰略版圖，一眼看出能量正消耗在哪個支線。 流程圖 (Flowchart)：揭示因果鏈條。為什麼現在要做 A？因為 A 會支撐未來的 B。 演化時序 (Timeline)：清楚區分 Planning (規劃中) 與 Status (已完成)，讓進步「看得見」。 2. 層級式管理 (Annual vs. Monthly) 我們同時同步更新**「年度羅盤」與「月度羅盤」**。 月度看細節，記錄本月的關鍵轉向 (Pivot)。 年度看大趨勢，確保我們沒有因為某個月的忙碌而偏離核心願景。 3. 補完隱性脈絡 (The Missing Context) 這是最漂亮的一步：USER_STRATEGIC_CONTEXT.md。 筆記文記錄的是「發生了什麼」，但這個隱性脈絡檔記錄的是**「我為什麼想這麼做」、「我的直覺是什麼」**。AI 在分析我的公開日誌時，會先讀取這個隱藏的「大腦直覺」，這讓產出的地圖不再只是機械式的彙整，而是真正具備我的靈魂與野心。 ⚡ 實戰成果：三個月戰略軌跡的一秒呈現 透過這個 Skill，我們在幾分鐘內回溯完成了： 2025/12：WalkGIS 的創世紀與自動化基建啟動。 2026/01：河流探勘產能化與「地圖即 Prompt」的願景轉向。 2026/02：Skill-First 協作範式的確立與全台行政區框架化。 這種「戰略透明度」，讓我即便在事情高速變化的當下，也能隨時退一步，看清自己正在這台數位演化的越野車上，開往哪個座標。 📈 總結：從紀錄者進化為架構師 有了這個 Skill，我最大的體悟是：記錄是為了遺忘，而地圖是為了導航。 ...

數位演化的黑盒解密：從流水帳到「產出導向」的工作日誌系統 🕳️ 消失的「中間歷程」 自 2025 年 12 月以來，我與 AI 的協作進入了爆發期。每天產出的程式碼、地圖數據、會議紀錄堆積如山。然而，這產生了一個嚴重的副作用：「過程的黑箱化」。 雖然我有「哈爸筆記」記錄靈魂深處的 Aha! Moments，也有「戰略羅盤」看大方向，但中間那段「具體是怎麼做出來的」、「當時用了什麼指令」、「在哪個檔案做了什麼修正」的執行歷程，卻往往淹沒在長達數千行的對話紀錄中。 如果沒有結構化的日誌，我的成長就只有結果，沒有路徑。 🛠️ 重建：工作日誌管理員 (Daily Work Log Manager) 今天，我們決定正式解決這個問題，開發了專屬的 work-logs Skill，並確立了一套「產出導向」的標準。 1. 產出優先 (Deliverables First) 在最初的嘗試中，AI 習慣記錄「建立了 XXX Skill」，這對我來說是技術噪音。我們強制修正了日誌的濾鏡：優先記錄具體的產出物（如：Chap 1.1 書稿、二仁溪圖資、會議紀錄），然後才記錄背後支撐它的技術。 2. 層級式摘要 (Monthly Summary) 每日日誌負責紀錄技術細節與硬核 Command，而「月度摘要」則負責將這些瑣事收斂成一張報表。這讓我們能一眼看出本月的「戰略含金量」。 3. 戰略檢校 (Strategic Alignment Audit) 這是最重要的一環：Agent 必須定期自我檢查——「我今天做的這些事，真的有對齊大目標（寫書、標竿專案）嗎？」 如果日誌裡全是磨錘子的技術細節，卻沒有提到蓋出了什麼房子，日誌系統就會發出警示。 🕰️ 三個月的回溯：看見演化的層次 為了驗證這套系統，我要求 AI 在一小時內完成從 2025/12 至今 的歷史回填。這是一次震撼的「數位考古」： 2025/12 - 基建與創世紀： 日誌揭示了我們如何從 n8n 自動化流程，一路進化到釋出 WalkGIS v0.1，並確立了「地圖即代碼」的初衷。 2026/01 - 流域攻克與體系化： 看見了濁水溪與曾文溪探勘的高強度紀錄，以及《企業 AI 轉型》方法論從 v1.1 到 v1.2 的快速迭代。 2026/02 - 個人賦能與標竿化： 這是目前的階段。我們看見了 《個人 AI 賦能》書籍 開始密集產出，以及鄉鎮導航如何從單點數據轉向結構化的全台 390 行政區框架。 💎 結語：為未來的「賦能」存下原始碼 這次建構工作日誌系統，我最大的體悟是：如果你不記錄自己的演化，你就會成為 AI 的使用者；如果你記錄了演化，你就是 AI 的架構師。 ...

在「哈爸實驗室」的社群架構中，Wing Group（側翼組） 扮演著知識萃取與支撐的關鍵角色。很多人會問：側翼組具體要怎麼「動起來」？ 我們摸索出了一套極低門檻、高度自動化的運作模型。不疊床架屋，而是利用現有的 AI 工具，將每一次雙周會的「閃電分享」精煉成可長久留存的數位資產。 Wing Group 概念緣起 「企業生成式 AI 轉型全書：從知識底座到自主代理人的實踐路徑」- 5.3 AI 卓越中心 (CoE)：驅動轉型的跨部門中樞架構 中的一個推動企業賦能AI的慨念 🚀 Wing Group 的核心操作流程 這套流程的核心理念是「切片、轉換、賦能、歸檔」。 1. 內容切片 (Clipping) 每次雙周會長達一小時以上，包含了多個不同主題的閃電 Demo。 作法：Wing Group 成員不處理整場會議，而是針對某個「特定分享」進行截取。 價值：將長篇內容碎片化，讓每個分享都能獨立成為一個知識單元。 2. 轉檔與優化 (Audio Processing) 將錄影檔轉為 AI 最好消化的格式。 工具：使用我們發展出的錄音最佳化工具（如 mp4-to-mp3 腳本）。 目的：產生體積小、人聲清晰的 MP3，方便快速上傳至雲端 AI 調用。 3. NotebookLM 知識賦能 (AI Input) 這是整個流程的大腦。 匯入：將音檔匯入同一個 NotebookLM 專案。 代號管理：在 NotebookLM 裡面給予每個分享一個專屬代號（例如 S1）。 產出：利用 AI 產生摘要、結構化圖表以及初步的投影片大綱。 4. 數位歸檔 (Archiving) 最後將這些成果放入檔案庫。 成果物：分享投影片、錄影、分享摘要 Markdown + 一張視覺摘要圖 + 一個AI 投影片+ 一套歸檔代號。 意義：以後社群成員想找某個技術點，只要在WingGroup index 文件搜尋，就能取得，而不需要回去翻整小時的錄影。 💡 為什麼這是一個成功的運作模式？ 這套模式解決了社群經營的三大痛點： ...

在「哈爸實驗室」雙周會 #1 結束後，我嘗試建立了一套「低阻力」的會議後處理流程。目標很明確：不要讓產出會議記錄變成一種負擔，而是透過 AI 工具鏈，在幾分鐘內完成從音訊到 GitHub 存檔的全部動作。 以下是這次實戰的完整工作流： 🛠️ 五步驟 AI 自動化工作流 1. 音訊最佳化：從 MP4 到 Optimized MP3 會議是在 Google Meet 上進行錄影，產出的 MP4 原始檔通常很大（數百 MB），且不便直接上傳 AI 工具。 作法：我使用自製的 media-processor Skill，透過 ffmpeg 自動計算最佳位元率（Bitrate），將影片轉為單聲道、小於 20MB 的 MP3 檔。 關鍵點：這樣的大小最符合 Google NotebookLM 的上傳限制，且能保持語音的清晰度。 2. 建立 AI 脈絡：Agenda 與共筆雜記 AI 需要「背景知識」才能寫出好的紀錄，而不僅僅是逐字稿。 準備：我準備了預定的議程（Agenda）以及在會議中隨手記下的「成員自我介紹雜記」。 角色賦能：告訴 AI 位講者的背景（例如志全的水利專業、Jimmy 的軟體背景），這讓 AI 在辨識聲音與觀點對位時精準度大幅提升。 3. NotebookLM 的深度提煉 將 MP3 與背景雜記上傳至 NotebookLM。 Prompt 策略：不直接使用內建摘要，而是下一段特定的 Prompt，要求 AI 根據「議程框架」去搜尋錄音中的對應片段，並特別強調「Demo 亮點」與「跨界觀點的連結」。 成果：AI 成功抓住了關於「水利編碼有碼無座標」的痛點，以及對 AI Agent 協作中「Human-in-the-loop」的精彩討論。 4. 圖像化摘要：AI 幫你畫重點 NotebookLM 產出的摘要可以進一步產生視覺化的重點圖。將這張圖下載下來，作為會議記錄的封面或視覺補充，能讓讀者一眼看清本次會議的關鍵價值。 ...