Chi's Journal
Portfolio · 02Learning Design · AI Workflow
← 作品集
Case Study 02

AI Tutor：重新設計一套適合我的學習流程

前陣子在使用 Heptabase AI Tutor 學習 Learning Science。用了一段時間後，我發現自己經常回頭核對論文原文，也比起只沿著預設課綱前進，更喜歡從爭議、反方與相鄰概念往外探索。於是我重新分配了工具的角色：用 Claude Code 與 Obsidian 建立自己的 AI Tutor，負責查證、教學與延伸；Heptabase 則留下我親自收斂過的理解。

Learning DesignClaude Code + Obsidian一手文獻查證個人知識管理
1 門課
第一個實驗場域：Learning Science
2 層輸出
完整教學內容＋接地與延伸資料
4 步
每個概念結尾固定進行的「跳出課綱看」
The Problem

使用 Heptabase AI Tutor 後，我更清楚自己想怎麼學

  1. 重要主張需要回到原文核對AI 對論文的整理很方便，但當我實際打開原文比對，有時會發現年份、研究條件或結論強度存在細微落差。這些差異未必會讓整段內容變錯，卻可能影響我怎麼理解一項研究，因此我希望重要的學術主張都能回到一手來源確認。
  2. 課綱是起點，不是唯一的學習路線預先設計好的課綱能提供方向，但我在學習一個概念時，經常會想知道：它在整個領域裡位於哪裡？旁邊還有哪些理論？學界對它有沒有不同看法？我想保留沿著這些問題延伸的空間，而不是只能依照原本的章節順序前進。
Design Principles

我怎麼重新分配 AI、Obsidian 與 Heptabase 的工作

AI
Claude Code
查證一手文獻、拆解教學
→
原料
Obsidian
完整教學、來源、延伸問題
→
我
親自收斂
判斷什麼重要、如何連結
→
成品
Heptabase
只留收斂後的理解卡

工具角色分配：AI 與 Obsidian 負責搬運，收斂這一步留給我自己。

  1. 重要主張先回到一手文獻AI Tutor 在講解研究細節前，會先從 PubMed、arXiv 或期刊來源找到原始文獻，核對研究設計、年份與結論。查不到一手來源的內容會明確標記，不把模型記憶直接當成事實。
  2. 完整原料放在 Obsidian，自己的理解留在 Heptabase系統會把完整教學、引用來源與可延伸的問題寫進 Obsidian，但不會直接替我產生成品卡片。讀完之後，我再決定哪些內容重要、如何和既有知識連結，最後只把自己收斂過的理解寫進 Heptabase。
  3. 每個概念教完，都跳出課綱看一次每堂課最後固定做四件事：把概念放回領域地圖、尋找目前的爭議、理解最有力的反方觀點，以及記下課綱尚未涵蓋的相鄰概念。目的不是把每條支線都學完，而是讓我看得見自己還不知道什麼。
  4. 讓課綱保留演進空間現有課綱仍然提供學習主線，但不必一次決定所有內容。當某個概念暴露出重要的知識缺口，或我的學習目標改變時，可以再調整後續順序、補進新的主題，而不是把最初生成的課綱視為不能改動的答案。
How It Teaches

一堂課實際怎麼運作

以我已經學過的「間隔重複」為例。當我想進一步理解它背後的神經機制，系統不是重新解釋基本定義，而是先接回我在 Heptabase 已經整理過的知識。

Learner
我已經理解間隔效應與 FSRS，接下來想知道：分開複習為什麼會在神經層產生差異？
Tutor · 前情提要
系統先讀取我既有的學習進度，把這堂課接到先前學過的遺忘曲線、FSRS，以及「在記憶快要提取不出來時複習，強化效果可能更大」這個概念。這樣新內容是在原有理解上往下挖一層，而不是每次都從零開始。
Tutor · 接地教學
接著，系統核對 Smolen et al.（2016）與 Diekelmann and Born（2010）的原文，把原本都叫作「記憶鞏固」的過程拆成兩個尺度：發生在分鐘到數小時內的突觸鞏固，以及橫跨數天到數年的系統鞏固。每個研究主張都附上來源，另外保留研究條件與外推限制。
Tutor · 跳出課綱看
課綱之外，系統也標出：主動系統鞏固並不是唯一解釋，突觸恆定假說提供了另一套對睡眠與記憶的理解；許多分子機制則來自動物研究，不能直接等同於人類的課堂學習。這些內容不一定要立刻深入，但會被記進知識邊界，留待之後回頭。
Tutor · 留給你的收斂
完整講解、原文核對結果與延伸方向會先留在 Obsidian。至於這堂課如何改變我對 FSRS、睡眠與間隔學習的理解，則由我自己重新組織，再決定要怎麼寫進 Heptabase。

以上流程取自「間隔效應的神經科學基礎」實際課程筆記；引用與研究細節均回到一手來源核對。

Why It Matters

這是一套仍在使用與調整的學習實驗

會想打造專屬 AI tutor 的主要原因並不是想讓 AI 完成更多學習工作，而是想重新決定哪些工作適合交給它。搜尋文獻、核對出處與整理接地原料可以由 AI 協助；判斷什麼重要、怎麼和既有知識連結，以及最後形成什麼理解，仍然留給我自己。

這套做法還沒有定型！Heptabase 也一直在推出新功能，我也還在觀察：多一道自己收斂的步驟，究竟真的讓理解更扎實，還是只增加了工具之間的摩擦。最後的判斷標準都是回到——它有沒有讓我少花時間搬運與整理資料，把更多時間留給查證、思考與真正的學習。