當家裡會說故事的人走了，故事怎麼留下來？我們用 LLM Wiki 幫一個家族做了一本活百科

一句話先說： LLM Wiki 是 Andrej Karpathy 在 2026 年初提出的 AI 知識管理方法。AI 不再每次從零檢索，而是主動維護一本會長大的結構化維基，事先把文件消化成互相連結的頁面，還記得資訊之間的因果脈絡。適合家族史保存、企業隱性知識交接、個人深度學習庫。本文用新營一個四代家族的真實案例，拆解它和傳統知識庫（RAG）差在哪、怎麼四週建完、一般人如何開始。

我們花了四週，把一百四十八份散落在雲端、抽屜、錄音筆裡的家族文獻，整理成三十八頁互相連結的活百科。這篇文章拆解怎麼做到的,以及一般人可以怎麼用同一套方法，保住自己讀過的書、走過的路、還有長輩還記得的事。

你的記憶，其實有一大半是漏的

隨手問問自己：

• 去年讀過的那本書，最打動你的段落在哪一頁？
• 上個月聽的 podcast，講到什麼讓你停下腳步？
• 三年前和父親在餐桌上聊到的那個老故事，他提到的是哪條街、哪個親戚？
• 前同事離職前交接過的那份內部知識，現在還在誰的腦子裡？

大部分人答不出來。不是記憶力不好，是記憶從來就不是被動累積的。它需要一個結構持續接住、整理、交叉索引。可是我們每天吸收的資訊量，比整理的速度快得多。

最痛的一種漏，是家裡那個會說故事的長輩走了之後。相簿還在，老房子還在，族譜可能也還在。可是「誰是誰、什麼時候、為什麼」的那張隱形地圖，是和他一起走的。

這不是 AI 變得夠不夠聰明的問題——是我們一直沒有一套好的方法，把個人和家族層級的記憶真正存下來，而且還能繼續長大。

直到 LLM Wiki 出現。

什麼是 LLM Wiki？一張表看懂和知識庫（RAG）的差別

LLM Wiki 這個概念，由 OpenAI 前研究總監 Andrej Karpathy 在 2026 年初以一份 gist 提出。核心主張是：不要讓 AI 每次查資料都從零開始，讓 AI 幫你維護一本會長大的維基百科。

它和市面上常見的知識庫（RAG，檢索增強生成）差在哪？

打個比方。

知識庫（RAG）像一個圖書館櫃員。每次你問問題，他就去書架上翻資料、拼湊答案給你，可是書和書之間的關係，他從來沒幫你整理過。

LLM Wiki 則像一個二十四小時不睡覺的維基編輯。你丟一份新的口述訪談逐字稿給他，他不只讀完，還會順手更新這個家族裡提到的十五個人的頁面、三個組織的頁面、五條時間軸。每新增一份來源，可能就動到十到十五頁相關條目。

這個差異在資料量小的時候感覺不明顯。等到原始資料累積到一百多份、涉及的人名地名事件超過一百個，RAG 的答案品質會肉眼可見地崩壞，而 LLM Wiki 會越長越紮實。

一個真實的案例：四代家族、一百四十八份文獻、三十八頁活百科

台南新營大同路七十八巷有一棟一九二三年興建的日式宿舍，原本是日治時期「臺灣生藥株式會社」（俗稱「藥仔會社」）的員工宿舍。戰後由國民政府接收改為公務員宿舍。一九五六年許家以縣府秘書身分入住，之後四代人在這棟房子裡生活了整整六十三年。

二〇一九年家族的阿嬤辭世，宿舍歸還市府。許家第三代倡議成立協會，推動修復工程。二〇二四年九月，這棟百年日式宿舍重新開幕，成為新營地區的文化據點，取名「新東舊時光」。

這個家族留下來的原始素材有多雜？

• 一百四十八份文字文獻：家族歷史文件的多個修改版本、建物修復紀實、家族企業史、藥仔會社歷史考證、文化政策申請書、紀念散文。
• 訪談逐字稿：長子大伯的二〇二五年口述歷史。
• 結構化資料：五十一位家族成員、九間家族相關企業、十二個地點、八十四條時間軸、一百五十七筆事實引用。

這份資料大部分只有兩三個家族成員讀過全貌。每一位成員腦中的版本都不太一樣。很多關鍵細節只在某一份文件裡出現過一次，散落在一百多個 Word 和 PDF 裡。

我們花了四週，把它整理成一個結構化的活百科：

• 十五頁人物條目（從一八一七年出生的祖先，到第三代投入修復工程的家族成員）
• 五頁組織條目（螺絲模具廠、針織廠、代工所，都是許家經營過的事業）
• 五頁地點條目（新東舊時光本身、七股龍山村祖居地、白河古柯農場、日式修復參考案例、舊建材來源的碾米廠）
• 八篇主題文章（藥仔會社史、台灣古柯產業一九一〇到一九六八全史、許氏先祖渡海史、跨海認祖歸宗紀實、家族投資創業史、建築原貌技術調查、修復紀實、一八一七到二〇二五完整時間軸）
• 三頁特殊頁面（導覽指南、口述歷史逐字稿摘要、事實矛盾校驗報告）

共計三十八頁，全部互相連結。點開任何一頁，都能順著連結走進去整張知識網。每一個人名、地名、組織名首次出現時都是可點擊的連結，對應到那個實體的完整頁面。

一個細節：互連的力量

舉一個最小的例子。

某個家族的長子，年輕時因為家裡背著一大筆債，放棄升學機會北上都市打工。那幾年他把生活壓到極簡，將每一分擠出來的薪水直接寄回家供弟妹念書。他的弟弟那一年剛好考上當時全台最頂尖的大學。多年後，這位弟弟在公共領域做到了極具影響力的位置。

這個因果鏈（大哥的犧牲造就了弟弟的成就），在各自獨立的章節裡通常各說各話。大哥的篇章寫他的打工歲月，弟弟的篇章寫他的學術與事業成就，讀的時候得自己把它們拼起來。

在 LLM Wiki 架構裡，這件事會同時出現在兩個人的頁面上。大哥的頁面寫他放棄升學的選擇，以及這個決定如何支撐起弟妹的學費。弟弟的頁面也必須提到大哥的支持，否則他的求學歷程就會變成一個架空的勵志故事。兩邊都互相連結，讀者點哪一頁都看得到完整因果。

這就是互連。單獨讀一頁是一個人的故事；把十五頁人物一起讀，才是一整個家族。

這套方法的一個意外成效：Google 的 AI 已經會講這個故事

新東舊時光修復開幕之後，我們為這座建築產出的文史內容陸續上線到官網和粉專。幾個月之後開始有有趣的現象發生。

在 Google 搜尋輸入「新東舊時光」「藥仔會社」「白河古柯農場」「台灣古柯產業」這類關鍵字，搜尋結果頂端的 AI 摘要（Google AI Overviews）會直接引用我們寫過的內容來回答使用者。ChatGPT、Gemini、Perplexity 這些大模型被問到相關文史問題時，也會複述我們整理過的細節。甚至關於這個家族的歷史背景，這些 AI 入口也能順著我們建立的交叉引用給出像樣的回答。

這是一個意外的成效，回頭看卻是必然的。當 AI 搜尋（而不是「翻第二頁搜尋結果」）變成多數人的資訊入口時，誰能被 AI 讀懂、信任、引用，就決定了誰會被看見。

有結構、有來源標註、互相連結的 wiki 內容，比一篇漂亮但孤立的長文，更容易進入 AI 的 retrieval 結果。而內容本身的正確性，則反過來決定 AI 生成的答案品質。

LLM Wiki 不只是幫你整理知識。它是在 AI 搜尋時代，讓一個人、一個家族、一個組織的知識被正確呈現的基礎建設。

LLM Wiki 怎麼建？四週流程拆解

這套流程不是魔法。以新東舊案子為例，四週的實際動作：

第一週：盤點與脈絡梳理

把所有資料收進同一個資料夾。Word、PDF、錄音檔（音檔要先用 Whisper 或 Gemini 轉成逐字稿）、照片（建議先掃描加註）、email 截圖。

每份檔案加一行 metadata：來源、類型、分類、是否定稿。這一步的目的是讓 AI 知道哪些資料的權重較高、比較可信。

第二週：實體抽取

用 Claude Opus 或 Gemini 3.1 Pro 這種大上下文視窗的模型，分批讀原始文獻，抽出結構化的實體（人名、組織、地名、事件、時間軸），存成 JSON。

這一步最怕的是壓縮過度。有一次我們整理一份資料時，把「台大經濟系→台大碩士→史丹佛博士」壓成「史丹佛博士」，結果下游的 wiki 頁面產出時完全少掉了台大這段。後來我們訂了四條壓縮紅線：學歷完整路徑、關鍵人生轉折點、人物間因果鏈、建築空間的時序變化。這四條不允許省略。

第三週：知識網編織

為每個實體寫一頁 wiki。人物頁有固定結構（生平、家庭、成就、相關條目），組織頁、地點頁、主題文章各有不同模板。每一段重要敘述都要標註原始來源，並建立跨頁面的 [[wikilink]] 連結，讓整個知識網能互相跳轉。

第四週：矛盾校驗與交付

跑一輪 Lint 檢查，抓出以下問題：

• 孤頁（沒有其他頁面連過來的頁面，通常代表遺漏了背景鋪陳）
• 斷連（連結指到不存在的頁面）
• 矛盾（不同頁對同一件事有不同描述）
• 缺頁（被多次提到但沒有獨立頁面的實體）

同一件事，大伯的記憶和二姑的筆記可能完全相反。我們不假裝其中一方是真的，而是透過交叉比對明確標註這些矛盾，把不確定性本身也當作一種知識留下來。

新東舊案子最終的校驗結果是零斷連、零孤頁。校驗報告本身也成為 wiki 的一頁，追蹤九項已解決的事實歧異。之後新資料進來，走同樣的流程。不是重蓋，是追加。

一般人可以用 LLM Wiki 做什麼？五個入門場景

這套方法不是只能拿來做家族史。只要你有「知識持續累積但一直散」的痛點，都適用。

一、讀書筆記

每讀完一本書，不是寫一篇心得就丟著，而是把書中的人物、概念、引文更新到個人百科。讀第十本書時，你會發現它的某個觀點呼應第三本書的論點、反駁第七本書的結論。這種跨書的思辨連結，人腦記不住，Wiki 記得住。

二、興趣深挖

三國、紅樓夢、某個樂團、某位導演、某段歷史。粉絲維基（像 Tolkien Gateway）之所以豐富，是因為幾千個人花幾十年累積。一個人建不起來，一個人加上 LLM 可以。

三、家族史

長輩口述、老照片、族譜、老信件、土地公契。台灣很多家族橫跨日治／戰後／工業化／兩岸三地，資料格式比西方家族雜亂得多，也因此特別值得建。

四、個人日記轉成自我知識庫

散落五年的日記，整理後你能看見自己反覆踩進哪些情緒的泥淖、哪些一直沒解決的人際課題、哪些想法在不同時期的轉變。這是 ChatGPT 做不到的：它沒有你的記憶軸線。我們建置 Soul Matrix 陪伴系統時就是這個邏輯的產品化實踐：把個案的深度語境持續累積下來，每次對話都站在過去的肩膀上。

五、健康與心理紀錄

症狀、情緒、飲食、運動、睡眠的互連筆記。當醫生問起「最近有沒有什麼變化」，你能攤開清晰的軌跡，而不是在一片模糊的體感中打轉。

為什麼 LLM Wiki 特別適合台灣家庭

有幾個很具體的理由：

方言、舊地名、戒嚴前後的脈絡。 這些資訊 ChatGPT 的訓練資料裡很稀薄。日治時期的「庄」和戰後的「鄉鎮」、白色恐怖時期某個親戚「被請去」的背景、某個夜市原本是哪條圳溝填起來的，長輩記得，國際大模型不一定知道。

家族企業的商業史。 台灣戰後的中小企業很多是靠家族網絡起來的，這段歷史只有家人和老員工記得，幾乎沒有被系統化記錄過。

口述歷史會隨長輩辭世消失。 這一點最急迫。一個還在世的長輩，每一次訪談都比任何後期的考證值錢十倍。

跨格式、跨語言的資料整合。 老信件可能是手寫繁體、老相簿標註是日文、家族歷史文件是打字機年代的檔案、最新的訪談是 mp3 錄音。要一次整合這些，LLM Wiki 是目前最順的做法。

開始你自己的 LLM Wiki：三個最小可行做法

先用一張表快速對照三個路徑：

方案一：DIY 免費版（技術門檻中等）

工具：Obsidian（筆記軟體）＋ Claude Code 或 Cursor（AI 編輯器）。你自己把原始資料放進資料夾，寫一個 CLAUDE.md 或 AGENTS.md 當作 schema，讓 AI 依照規則維護 wiki。Karpathy 的原始 gist 就是這樣做的。

方案二：輕量入門（最低門檻）

工具：Notion ＋ ChatGPT Project 或 Gemini Gem。把資料上傳到 Project，讓 AI 寫 Notion 頁面。缺點是互連維護仍然需要人手動跟進，規模到五十頁以上會吃力。

方案三：專業建置（適合家族傳記、家族 WIKI、文化場域、企業知識傳承）

這是芯覺的核心業務。我們提供的不只是傳統的家族傳記撰寫，而是「家族傳記 ＋ LLM Wiki」的完整架構。既保留傳記的敘事深度，又具備維基百科的結構性、可查性、互相連結性。個人、家族、企業都適用。

內部方法論是一套跨專案可複製的 LLM Wiki SOP（引擎共用、專案資料獨立、含 SQLite 結構化查詢和健康儀表板），適合需要整合一百份以上原始素材、要求高品質交付的場景。先前我們建置 稅務 AI 助手時，就是把上千頁稅務法規 PDF 結構化成可精準查詢的知識庫，是同一套方法論在另一個垂直領域的實證。

新東舊時光是這套方法論的第一個完整落地案例。這座建築的官網、粉專敘事以及背後的文史整理，都由芯覺一手建置。目前在日治時期台灣古柯產業史、藥仔會社、白河古柯農場、新東舊時光文史這些主題上，除了新東舊時光自己的官方通路之外，芯覺累積的結構化內容是目前最深的第三方來源。

DIY 自己做 vs 找芯覺做：一張表的差別

如果你就是喜歡動手做、時間不是限制，方案一是你的。如果你希望把這件事像「雇一個記憶管家」一次到位，方案三是我們的服務。

不管走哪條路，核心原則一樣：讓 AI 負責整理和維護，人負責提供素材、提問、校驗。

常見問題

建立 LLM Wiki 或 AI 知識庫，需要多少資料量才能開始？

沒有絕對的最低門檻。即使只有十篇長輩的訪談逐字稿、或五十篇個人讀書筆記，都能建置出初步的活百科。系統的價值在資料的深度與互相連結的關聯性，不是字數。資料越多、越雜、跨格式，LLM Wiki 的價值差距就越明顯。

LLM Wiki 和 ChatGPT 的「記憶功能」差在哪？

ChatGPT 的記憶功能是側寫式的偏好記錄（例如記住你叫什麼、喜歡什麼語氣）。LLM Wiki 是一套持續長大的結構化知識庫，有明確的頁面、交叉引用、來源追溯。前者適合個人化對話，後者適合知識累積。

我不會寫程式，可以做嗎？

可以。方案二（Notion ＋ ChatGPT）幾乎不需要技術知識。方案一需要會用 Claude Code 之類的 AI 編輯器，不用寫傳統程式碼，靠自然語言和 AI 對話就能做很多。

建一個 LLM Wiki 要多少時間？

看原始資料量。家族史若有五十份以內的文獻，兩週可以做到堪用。一百多份、涉及四代人物的規模，四週是合理的預期。後續維護每份新資料大約一到兩小時處理時間。

資料很敏感（家族隱私或商業機密）怎麼辦？

採用私有化部署。讓 AI 跑在你自己的雲端帳號（GCP／AWS）或地端機器上，資料完全不出門。保護隱私與捍衛資料主權是我們處理任何專案的第一原則，關於這個主題另外有一篇專文：《企業 AI 的資料主權：雲端 vs 私有化部署怎麼選？》。

長輩已經不在了，只剩散的照片和錄音，還能建嗎？

能。照片可以做 OCR 辨識文字＋註解人物、錄音可以轉逐字稿、散的信件和日記都是很好的原始素材。難度會比長輩還在世時訪談來得高，也正是 LLM Wiki 最有價值的場景之一：把散亂的碎片，重新連成一張完整的地圖。

為什麼找芯覺：我們自己就是 AI 加速最直接的樣本

方法論再好，聽起來還是像別人的故事。芯覺不一樣的地方是：創辦人 Max 本人就是 LLM Wiki 這套加速效應最直接的樣本。

他不是突然被 AI 武裝起來的人。

• 政大中文碩士。 多年的文獻考證、文本結構化、一手史料整理訓練。讀資料、辨真偽、拆敘事脈絡，是他十幾年前就有的基本功，不是 AI 給的能力。
• NGH 國際認證催眠師／講師。 對語言背後的意圖、語氣的真偽、敘事的心理力量、人在說自己故事時的防衛與鬆動，他有比多數工程師更深的敏感度。
• 全端工程師 × AI 開發者。 從 LINE Bot 客服到 RAG 知識庫、從 Gemini／Claude API 到 Cloud Run 部署，從資料切塊策略到 prompt 工程，他都親手跑過一輪。

換句話說，他本來就是一個懂結構、懂研究、會拆敘事、會寫程式的人。這套「手動做 → AI 放大」的加速之所以走得通，前提是這些底層能力早就在了。

新東舊時光的 LLM Wiki 能在四週內完成，前提是 Max 花了整整三年多的時間手工累積這套 raw layer。那個階段還沒有現在這一波 AI 可以用，他就是一場一場訪談、一卷一卷聽錄音敲逐字稿、一張一張老照片 OCR 建檔、一本一本文件人工分類標記。這些苦功夫 AI 做不了，它需要的是人對現場的判斷、對語氣真偽的捕捉、對微小細節的懷疑。

AI 進場的時機，是在這些原始素材大致就位之後。有了紮實的 raw layer，我們才能在四週內把一百四十八份文獻先整理成 RAG，再升級成更精準的 LLM Wiki 架構。

這個順序很重要：LLM Wiki 不是跳過人工累積的捷徑，它是讓人工累積的價值被放大一百倍的乘法器。

這件事翻過來看，就是芯覺對你的承諾

你不需要先花三年變成一個懂結構、懂研究、會寫 prompt 的人，才能開始做家族傳記、個人知識庫或企業內部 wiki。

如果你就是小白，也不想把人生切幾塊去學結構化、研究方法、AI 工程，可以直接來找芯覺。 我們已經走過那段路，你省下的是最昂貴的部分：前三年的手工打底、前三年的踩坑、前三年把三個不同領域（人文、心理、技術）焊在一起的養成。

這不是話術，是我們自己做過一次才能說的話。

對個人、家族、企業分別意味著什麼

對個人： 你讀過的書、走過的地方、做過的專案、想過的事，原本只能憑記憶或散落的筆記存在。有了 LLM Wiki，它們變成可查、可交叉引用、隨時間複利成長的自我知識體系。你問自己三年前的那個想法是什麼，不再只能翻手機備忘錄，而是問一個讀過你所有紀錄的 AI。

對家族： 長輩的記憶是一次性資源。只要還有人在，訪談、錄音、老照片、老信件、老契約都能持續轉化成結構化的家族傳記與家族 WIKI。家族走過的路不只是故事，是可以被下一代繼承的結構。三代之後的小孩問「為什麼我們家的姓是這個」，答案會清晰地留存在頁面裡。

對企業： 創辦人的商業直覺、資深員工的客戶判斷、內部 SOP 的隱性 know-how，這些是新人學最慢、離職就帶走的東西。我們建置 矽姬 LINE AI 客服時就深刻體會到，一套結構化的知識庫是讓組織記憶脫離個人、繼續在組織裡活下去的基礎建設。不只是文件庫，是一張會長大的神經網。

記憶是一間可以愈住愈大的老房子

不是每個家族都有能力修一棟百年古蹟。可是每個家族、每個人、每間公司都有自己的「老房子」：在長輩的記憶裡、在散落的照片裡、在還沒整理的信件裡、在一年年發出卻從沒人回頭讀的內部 email 裡。

那棟房子能不能傳下去，取決於有沒有人開始把它整理下來。而一旦開始整理，AI 是目前最強的放大器。

畢竟，溝通就像寫 Code，給對 Prompt，潛意識就會自動執行。老故事要留下來的邏輯，也是一樣的。

想為家族、個人或企業建一套 LLM Wiki？ 歡迎跟我們聊聊。不用準備任何技術知識，帶著你想保留的那些故事、書單、資料來就好。聯絡芯覺 →

延伸閱讀：

• 中小企業為什麼需要專屬 AI 知識庫（RAG）？
• 為什麼最好的 AI，來自對人性的理解？
• 企業 AI 的資料主權：雲端 vs 私有化部署怎麼選？