黃任遠Alex Huang — 日記系統

講者：黃任遠Alex Huang
Facebook Threads
日期：2026-03-28

當幾乎所有人都在討論「要用什麼工具」的時候，任遠走了一條完全不同的路。

2025 年初，他跟所有人一樣，在社群上刷到一大堆人在曬自己的 PKM 系統，有人說 Obsidian 最強，有人說 Notion 最好用，有人秀出超炫的儀表板，各種顏色的節點連成一張巨大的知識地圖。

「哇好酷，那我是不是也應該要做一個儀表板，那我可以看所有的事？但是哪些功能是必要、哪些功能是多餘的，反正這些事情我都完全處理不來，根本不知道。」

最後他放棄了選工具，直接下載了 Antigravity，告訴 AI：「請你上網找一些方案，我們來討論看看我到底需要什麼。」

這個決定，開啟了一整套他在過去一年內親手打造的 AI 工作系統。

一、問題根源：資訊斷鏈

任遠的日常，聽起來非常熟悉：設計畫到一半被叫去開會，回來忘了剛才畫到哪；月底交工時表，只能憑感覺填；政府的承辦打電話過來，一放下電話，同事又問問題，電話裡的內容就忘記記錄下來；LINE 的重要資訊，忘記在哪個群組。

「問題的根源就是資訊斷鏈，就是散落在 LINE、Email、Notion 等等的東西，沒有系統來幫我好好地整理到底我今天做了什麼。我換一個工具，資訊就斷了。」

面對市場上各式各樣的 PKM 工具，完全不知道哪個功能是必要的、哪個是多餘的。他的解法：放棄選工具，直接跟 AI 討論「我到底需要什麼」。

二、Alex's Diary 系統

任遠把系統取名叫 Alex's Diary。起點非常小：只是記錄工時。

「我的核心思想是一開始只是記錄工時，然後後來邊做邊擴充它的功能。」

系統架構（漏斗模型）

第一步是「全量捕捉」，把所有的對話記錄，包含 LINE 訊息、會議逐字稿、電話內容，全部存成 MD 檔，確保完整性。第二步才是「分流」，讓 AI 自動判斷哪些是工時、哪些是人脈互動、哪些是財務、哪些是知識，分類到各自的資料夾。

「以前我們自己去做分類，我們不太會把 LINE 上面的對話記錄就一條一條去看，然後分說：喔，這件事情跟這一個人有關，所以我把它歸類到這個資料夾。那個就是我們人直接做這件事情非常地辛苦。那我就讓 AI 去做這個判斷。」

他舉了一個例子：業主劉董傳來一則訊息說，昨天看了別人的案子，覺得我們案子大廳也要給它高一點。AI 不只把劉董歸類到人脈、把「大廳高度變更」記錄到任務，還自動建立一筆待辦：去跟結構技師確認，然後回覆。每個案子都有一個代號，不會跨案件混淆。

五大模組

工時追蹤

• 斜線指令作為通關密語：/start、/stop、/report
• 可產出當日/當週月報
• 每個案子一個代號，確保歸檔正確

任務管理（多輪追蹤）

一般的待辦事項 App，概念是一條就是一筆，勾起來就結束。但在實務裡，任務不是這樣運作的。做完一個 PPT，要給主管審核；主管有意見，修改；再送承辦；承辦有意見，再修改。同一件事情可能要跑四五輪。

「主管他可能自己忙一忙就忘記然後沒有回覆。我就請它說：欸，週三的時候要再提醒他一次。」

他把「輪次」的概念做進系統裡：R1 初稿 → R2 主管審核 → R3 承辦退回修改，每一輪都有獨立的狀態追蹤和提醒設定。

人脈 CRM

• 從對話記錄自動萃取人物互動
• 超過幾天未聯繫提醒功能
• 名片：直接拍照（多張一次拍），自動建立表格

知識庫

任遠在分享中提到一個令人印象深刻的場景：他在看結構計算書的時候，發現機房被算在活載重，而不是靜載重。他問了結構技師，技師解釋說：在地震的時候，建築物的晃動跟機器的晃動是會分開來的，所以雖然機器一直擺在那邊，它的動力特性仍屬活載重。

「可能一個月後我也忘記這件事情了。但是呢，它就會幫我把這些我曾經請教過技師的知識把它記錄下來，連帶著告訴我是當時請教了哪個技師、是哪個案子用到。」

這個設計解決的是知識傳承的問題。在建築行業，許多重要的判斷依據，包括法規的解讀方式、廠商的特性、業主的溝通眉角，往往藏在一段電話、一個 LINE 訊息裡，跟著師傅帶徒弟的方式流傳，也隨著人員流動而消散。任遠用 AI 把這些「本來不會被記錄的知識」系統化留存了下來。

財務追蹤

• 從對話記錄自動萃取財務相關資訊

重要技巧

大量文字的處理方式

• 少量（十幾二十筆）：直接貼在對話框
• 大量（整年對話記錄）：先存成 MD 檔，再把 MD 檔拖進對話框，避免 AI 擅自做小結而破壞完整性

系統自我迭代

• AI 犯錯 → 把犯錯經驗存進 Claude.md/系統規則 MD 檔
• 每次 AI 做事前都會先讀這個 MD 檔，下次不再犯同樣的錯

資料格式選擇

• 全部用 Markdown 格式儲存
• 好處：所有 AI（Gemini、Claude、ChatGPT）都能讀；可用 Git 做版本控制；不被任何一款軟體綁架

三、旅行地圖與簡報系統（Golden Journey）

問題：出國考察拍了 2800 張照片，回來後放硬碟吃灰，當時的感動隨時間淡忘。想整理成報告，光是選照片就要花一整週。

三步驟工具（已開源）：

1. 照片自動分類：Python 腳本掃描每張照片的 GPS 座標（EXIF 資料），按距離分組。2800 張照片聚集成 45 個地圖點位，大金塔 300 多張、翁山市場 100 多張、國家博物館 115 張
2. 互動地圖：點擊大頭針可命名地點、撰寫心得、星號選片，所有操作即時存檔到 Markdown（雙向連動）
3. AI 自動生成簡報

三層深度筆記

這個工具最有意思的設計是三層筆記結構：

• 第一層：原始心得（現場直覺反應）。例：「這個屋頂的金屬板看起來很像魚鱗，生鏽程度不一樣」
• 第二層：AI 精修筆記（建築專業分析）。例：「金屬鱗片系統在濕熱氣候下呈現褐色與赭石色梯度，不均勻鏽蝕強化了歷史厚度」
• 第三層：設計 Tips（可帶回事務所的知識）。例：「金屬板疊合方式專為排導熱帶強降雨設計，鏽蝕差異反映各部分受光照、通風與沖刷頻率的不同」

同一張照片，從「哇好酷」變成可以在設計中使用的知識，而且這個轉化是 AI 自動做的。

四、PDF 書庫搜尋系統

任遠有 5000 本建築雜誌和施工規範 PDF，每次找資料只能靠緣分。

從 RAG 到全文搜尋的轉折

他一開始的想法是用 RAG（Retrieval-Augmented Generation）讓 AI 理解這些書，就像 NotebookLM 那樣，問問題它幫你回答。但用了一段時間後他發現，真正的需求很簡單：不是「AI 請幫我分析這本書的核心觀點」，而是「我記得某本書有一張防火區劃的圖，幫我找出來」。

這個轉折很關鍵。他改用 Meilisearch 做全文搜尋，輸入關鍵字，0.1 秒回傳結果，直接跳到那一頁。又快又精準，而且是程式在跑，不需要 AI 一直在線，不耗費 token。

成果：

• 輸入關鍵字，即時回傳書名加頁碼，點擊就可以預覽那一頁
• 繁簡自動轉換（舊書多是簡體 OCR）
• 自訂 OCR 清理規則，修正掃描常見錯字
• 完全離線運作，不需要 AI、不需要網路

「AI 的價值就是幫我建立這個系統，那建好之後就是這個程式在跑。那這個時候沒有網路、沒有 API，完全離線也能夠做到 PDF 檔的搜尋。」

這句話是他整場分享的核心命題之一：AI 是建立系統的工具，不是你每次都需要依賴的對象。讓 AI 做一次的事情，是把它的能力固化成一個程式、一個工具；下次要用，不再需要 AI。

五、Revit MCP

任遠的第三個工具是 Revit MCP，也是整場分享最讓在場建築人興奮的部分。

排煙窗法規檢討

他在台上描述了排煙窗法規檢討的痛苦：每個房間都要確認面積、窗戶有效面積、百分比，一棟建築物檢討下來，可能要花一整天甚至兩天的時間。而且做完之後已經太累了，根本沒有精力做好的設計判斷。

「我以前是整個檢討完、整個算完，然後可能還加班到十點，然後好累好累，然後根本沒有辦法做判斷。那現在是讓 AI 去把這些東西複雜的檢討做完了之後，我就可以去更有清醒的頭腦去判斷說我是只要去更換窗型就好了，還是我只要把天花板高度降下來一點點就夠了，還是真的那個開口的量差很多，我需要做機械排煙。」

他的做法裡有一個很重要的細節：他不是直接叫 AI 去做所有事情，而是先把他知道的工作流程告訴 AI，然後請 AI 補充他不知道的部分。

「我告訴它兩件事情之後，它就幫我補。它就說，有更上層的規定，就是比如說如果你是一些營業場所，它需要 500 平方公尺就需要全部設置排煙設備，或是空間更大的時候，每一百平方公尺就需要一個分區，還有往下細到窗戶，如果你是推射窗，你開啟的角度小於 45 度，那你就需要依照比例去做折減。這些很細很細的東西，我就算身為建築設計師我不知道，但是 AI 就幫我補足這些法規的知識。」

輸出 Excel 給技師，技師不需要學 Revit。

帷幕牆面板排列

• 以前：手畫 → 進 Revit 一片一片手動填
• 現在：在網頁介面視覺化選配色主題與排列方式 → 一次性寫回 Revit

開發方法論（規格先行，先 MD 後 Code）

1. 把已知的工作流程告訴 AI
2. 請 AI 補充我不知道的（上網搜尋現有做法、補充法規知識）
3. 討論到最後定案，都只是 MD 檔裡的文字規則
4. 最後才請 AI 依照規格開發程式

三層架構

• Skill（大類別，如：所有消防法規檢討）
• Domain（中類別，如：排煙窗/防火時效，也是 MD 檔）
• Tool（最小執行單元，如：Get Room Info / Create Dimension）

開發現實

• 一個功能（排煙窗或帷幕牆）需要 2～3 天去調整
• 「不是做夢，不是一小時就全部做完」
• 但做好之後，重複使用只需幾秒鐘

工作流程的轉變

以前：重複勞動 → 很累 → 沒有精力做好的判斷

現在：AI 跑完重複的 SOP → 人有精神 → 做高品質的設計決策

六、Q&A 精選

[夥伴]

想問 Revit MCP 要怎麼做？假設 AutoCAD 可以做的話，是不是也可以讓 AI 幫我進到 CAD 裡面去算面積、算材料、做標單之類的？

[任遠]

理論上沒有什麼問題。同一個開源專案裡面也有做 AutoCAD 的 MCP，可以直接拉下來用，貼網址給它跟 Antigravity 說我想做 AutoCAD 的 MCP。只是 AutoCAD 的困難在於我們畫的那些線，它沒有去清楚定義說那是什麼東西。如果你把圖塊畫好，比如說你只要這面牆的磚的數量，那你就定一個圖塊是一塊磚，然後你把名稱列好，告訴 Antigravity，跟教一個同事一樣，就告訴它這個圖塊代表一塊磚，縫隙就真的是那個縫隙，它就能夠把它算出來。

這個開發時間，像我剛才做的排煙窗還是帷幕牆，都要花可能兩天到三天的時間去調整，沒有像做夢一樣跟你講一件事，一小時後就全部做完。真的跟 AI Studio 一樣都要花時間慢慢調。但是一旦做出來的成果 OK 了之後，以後要重複做就是幾秒鐘的事情。開發的階段真的是蠻痛苦的。

[夥伴]

前面有提到做資訊整理，這個資訊出現在 LINE 或是 Email 是手動把它移到裡面整理嗎？還是它會自己去抓取？

[任遠]

都是手動的，因為這系統去年就開始做，那時候都沒有龍蝦。我覺得現在有龍蝦 之後，直接丟應該是沒問題。LINE 的話有一個狀況，需要有一個機器人進去才有辦法把資料自動化地抓取出來。如果跟業主講好，加入群組是沒問題。只要業主能夠接受這個機器人的話，用 LINE 自動化串聯資料是更方便的，我現在是手動貼。

七、工具清單

八、核心觀點

• 從煩惱出發，不從工具出發：不知道 AI 能做什麼沒關係，先列出你的問題清單
• 全量捕捉，才能分流：第一步是保全完整性，第二步才是 AI 分類整理
• AI 的價值是建立系統，不是每次依賴：一旦系統建好，程式就在跑，不再需要 AI 和網路
• 邊做邊長，不要一次建完：從最小的需求開始，問題出現了再讓系統長出新部分
• 規格先行，程式最後：先在 MD 檔裡討論規則，確認完後才讓 AI 寫程式
• 人負責判斷，AI 負責跑 SOP：讓 AI 處理重複計算，設計師才有精神做高品質決策
• 知識不應只靠口耳相傳：把向技師請教的知識記錄下來，才能真正累積

「我還是有點迷惘說，不知道 AI 可以做什麼，但是我知道我有什麼煩惱。那像剛才提到這三個工具，就是把我實際上遇到的那些煩惱、那些不知道該怎麼辦的事情跟 AI 一來一往地討論出來，然後讓它慢慢把這個工具建置出來。」—任遠