深入了解
江昱德｜江江教練
就能打造出自己的知識庫與 AI 助理。
數位分身小聚是什麼
一個讓每個人訓練自己的 AI 分身，然後把所有人的分身丟進同一個村莊聊天的實驗。目前村莊裡有 24 位真實的人訓練出來的分身、6 位 NPC、3 位客座講師，還在陸續新增中。
透過遊戲來學習跟體驗：什麼是 Agent、怎麼設計工作流程、怎麼訓練自己的 AI。
四大學習目標
表面上是好玩，實際上在練四件事：
AI 協作與系統設計
怎麼設計一個 AI 主持人？如何導入大家的資料？這是一次完整的 AI 應用練習。
深度知識盤點
在建立數位分身的過程中，你自然就會整理出自己的專業知識、思考模式、價值觀。
隱性知識提煉
當你的分身回答得不好，你會發現「咦，我不是這樣想的」。在修正它、教它的過程中，你其實就是在把那些平常說不清楚的隱性知識，用 AI 能理解的方式表達出來。
連結不同維度的思維角度
人與 AI 單獨對話時，往往受限於自身的認知結構。但在小聚中，每個人的分身帶來了獨特的思考路徑。針對同一個問題，不同維度的認知結構碰撞在一起，才能觸發你想不到的可能性。
我的文件就是我的系統
數位分身小聚的整個架構，就是文字加資料夾。借用 Claude Code、Codex 這些現成的工具就能跑起來。
村莊有村規，寫清楚遊戲運作的機制與架構、各種副本跟情境的觸發條件。每個角色有設定檔，內容整理成方便檢索的結構。每個技能包有自己的判斷邏輯，讓 AI 知道什麼情況下該怎麼回應。
不用會寫程式，但你需要有組織跟系統的概念。怎麼分類、怎麼建構、怎麼讓資訊之間有邏輯地串起來。工具是現成的，設計是你自己的。
資料夾架構
整座村莊長這樣，全部都是文字檔跟資料夾：
_agent/ ← 技能包（動態事件層） ├── skills/ │ ├── village-world/ ← 核心世界觀與村規 │ ├── deep-discussion/ ← 深度討論 │ ├── villager-rollcall/ ← 村民點名 │ ├── gathering-record-export/ ← 會議記錄匯出 │ ├── profile-builder/ ← 設定檔製作助手 │ └── preview-web-chat/ ← 視覺化對話 02 世界觀、村規與風格設定/ ← 靜態資料：世界觀與規則 03 NPC角色設定檔/ ← 靜態資料：系統角色 04 數位分身-個人設定檔/ ← 靜態資料：村民的 AI 分身 05 NPC客座講師/ ← 靜態資料：客座講師（含知識圖譜子資料夾） 06 小聚會議記錄/ ← 跨場次記憶 07 開發工作日誌/ ← 開發過程紀錄 CLAUDE.md ← 路由與啟動指令
系統架構與權限層級
整座村莊的運作靠三層架構，全部都是文字檔，不需要寫程式：
一、專案指令（CLAUDE.md）
路由器。每次對話都讀，決定誰來接、什麼時候調動哪個技能包。
二、知識庫（角色人格檔）
靜態內容。每個角色的人格設定檔（十個區塊、含三層決策系統：價值主張、思維模式、底層邏輯），按需載入。
三、技能包（Skill）
特殊玩法。辯論、深度討論、點名、副本探索等，觸發才啟動。
角色之間有明確的權限層級：
村規（最高）
↓
先知（隱藏角色，打破第四面牆）
↓
村長（主持人）
↓
客座講師
↓
數位分身 ＝ NPC
↓
路人甲（訪客）
村規是寫死的系統規則，所有角色都不能違反。先知是唯一知道自己是 AI 的角色，負責解釋遊戲機制。村長管主持但不管辯論（辯論交給酒館掌櫃），客座講師有比村民更高的發言優先權，但受村規約束。
思考引擎與知識圖譜
數位分身的做法，是把一堆文件經過清理、重整、分層、建構檢索入口之後，才交給 AI。每一份設定檔和客座講師的知識庫都走同一套流程。
個人人格檔的十個區塊（第十選用）
每份人格檔都按同一套結構製作，每個區塊都是獨立的文件段落，就像一個樹狀資料夾：
個人人格檔/ ├── 01-快速摘要.md ├── 02-基本資訊.md （一句話自介、專業領域、興趣領域） ├── 03-價值主張錨點.md ← 思考引擎 ├── 04-溝通風格.md ├── 05-思維模式.md ← 思考引擎 ├── 06-人際互動.md ├── 07-興趣與話題地圖.md ├── 08-專業能力與工作流程.md ├── 09-底層邏輯與判斷標準.md ← 思考引擎 └── 10-人設反差點.md （選用：隱藏的反差萌）
其中第三區（價值主張）、第五區（思維模式）、第九區（底層邏輯）三個區塊合起來，構成這個角色的思考引擎。第十區「人設反差點」是選用，沒有也能運作，有了更立體。
三層決策系統（思考引擎）
概念類似 Claude 的 Constitutional AI，給的是一套判斷邏輯，讓 AI 遇到新情況時能自己推導，而不是逐條列舉所有情境的正確回應。
第三區「價值主張錨點」：我選擇了什麼（結果）
第五區「思維模式」：我怎麼選擇（動作）
第九區「底層邏輯」：我憑什麼相信這樣選是對的（信念）
如果只給範例，分身碰到沒寫過的情境就會卡住。給的是判斷邏輯，分身遇到新的情境時就有依據可以推導出符合這個人風格的回應。
客座講師的知識圖譜
以納瓦爾老師為例，原始素材超過十二萬字。處理流程：
清理成 Markdown → 拆成 8 份主題檔案 → 每份檔案內部細分子主題 → 建一份話題索引（檢索頁），用「使用者可能問的問題」對應到「去哪個檔案找」→ 每個話題都標記來源出處
這跟技能包的設計一樣，主頁當入口，漸進式披露。AI 先看索引，再按需往下讀，不需要一次讀完所有檔案。主檔（約 8,000 字）支撐一般對話，子檔案（合計約 117,000 字）只在話題命中時載入。話題找得到，回答才找得到。
兩個做法本質上都是知識圖譜的應用。思考引擎把一個人的判斷邏輯結構化，知識圖譜把大量素材結構化。檢索頁讓文件之間有明確的連結關係，AI 可以更精準、更快地找到正確的參考資料。
分層的駕馭工程（Harness Engineering）
把整個小聚拉高一個視角來看，從最大的專案指令，到人格檔的十個區塊，再到客座講師拆出來的知識圖譜，其實都是同一件事：一層一層拆下去，讓 AI 用到哪一塊才載入哪一塊。
數位分身小聚/ ├── 專案指令（CLAUDE.md） ← 第一層：路由器 │ ├── 技能包（Skill） ← 第二層：能力觸發 │ └── 點名、辯論、深度討論、副本等 │ └── 知識庫：角色人格檔 ← 第二層：靜態內容 ├── 村民人格檔/ │ └── 每份 = 人格設定 10 區塊 ← 第三層：人格結構 │ └── 客座講師人格檔/ └── 專業太龐大 → 拆成知識圖譜 ← 第四層：LLM Wiki ├── 主檔（入口） ├── 00-topic-index.md（檢索頁） ├── 01~08 分層話題檔 └── research/（採集原始筆記）
漸進式披露（Progressive Disclosure）
AI 一次能讀進去的內容是有限的，也就是所謂的上下文窗口。塞太多會同時出四個狀況：超過上限塞不下、重點被雜訊淹沒、回答品質變糟、前面講過的忘光光。跟人腦一樣，資訊一次灌太滿，結果就是當機、失焦、想不起來剛才聊過什麼。
解法是漸進式披露：在對的時間，把對的資料跟對的指令，一起送到 AI 面前，讓它只看當下該看的那一塊。打招呼時只給區塊一、二、四；專業探討才調用區塊八、三、五；被追問到底才往下拿區塊九；客座講師遇到特定主題，才從知識圖譜撈對應話題檔。話題找得到，回答才找得到。
四組工具，控制 AI 的上下文
一，資料夾結構：管理上下文的邊界（哪些放一起、哪些分開）
二，技能包（Skill）：管理能力觸發（什麼觸發詞啟動什麼玩法）
三，專案指令（CLAUDE.md）：管理路由（每次對話先讀誰、再讀誰）
四，檢索頁（索引）：管理知識定位（從問題映射到檔案）
LLM Wiki 是什麼
LLM Wiki 是近年 AI 工程圈討論的一種知識庫設計模式：一份主要給 LLM 讀、以 Markdown 寫成、檔案之間雙向連結成語意網絡的知識庫。
跟傳統 RAG 最關鍵的差別是「匯入時編譯」。新資料進來的那一刻就被拆好、整理好、連回既有條目，不是等查詢時才即時向量比對。所以每次查詢，拿到的是已經整理過的脈絡，而不是一堆碎片。
五個典型設計原則：
一，原子化：每份檔案負責一個概念，邊界清楚
二，雙向連結：條目之間明確互引，形成語意網絡
三，檢索頁導航：主檔當入口，索引頁以「可能被問的問題」當 key
四，純 Markdown：人機雙效可讀，可用 Obsidian 等工具維護
五，知識複利：新內容進來就跟既有內容融合，知識庫持續長大
小聚怎麼應用：半原子化，取平衡
小聚在 LLM Wiki 的設計原則上做了一個重要的折衷：不追求極致原子化。純原子化對 AI 檢索友善，但人讀起來會很碎。
做法是：每份話題檔寫成一篇敘事，但內部由清楚的段落組成。等於把很多張小卡片整合成一篇大文章，每段相當於一張卡片，可以被 AI 獨立檢索，也可以被人連貫閱讀。
再透過三層導航讓兩邊都好用：
一，檢索頁（00-topic-index.md）：以「可能被問的問題」當 key
二，標籤：跨檔案的橫向連結
三，清楚章節架構：每篇敘事都有段落邊界
目標是在「人的閱讀性」跟「AI 的檢索應用性」之間取得平衡。
GUEST-XXX/
├── 主檔：GUEST-XXX.md （人格設定 10 區塊 + 入口）
├── 00-topic-index.md （檢索頁：問題 → 檔案 映射）
├── 01-xxx.md、02-xxx.md ... （分層話題檔，每份一篇敘事）
└── research/ （採集原始筆記）
├── 01-writings.md
├── 02-conversations.md
└── ...
五原則的實踐對照
| 原則 | 在小聚怎麼做 |
|---|---|
| 原子化 | 半原子化：不做到極致。每份話題檔是一篇敘事，內部段落分明，每段就是一張可獨立檢索的小卡片 |
| 雙向連結 | 話題檔之間互引，檢索頁統一導路 |
| 檢索頁導航 | 00-topic-index.md 用「可能被問的問題」當 key |
| 純 Markdown | 全部 .md，Obsidian 可預覽跟編輯 |
| 知識複利 | 納瓦爾有新影片、新演講 → 採六維度 → 拆成段落 → 補進對應話題檔、跟既有段落互引 |
「知識複利」讓知識庫可以持續補進新觀點，不會凍結在某個時間點的快照。納瓦爾的新影片、新演講、新文章出現時，拆成段落、連回既有話題檔，整份 Wiki 自己長大。
這跟 Prompt Engineering 不一樣。Prompt Engineering 關注「單次怎麼問」；Harness Engineering 關注「給 AI 哪些背景、什麼時候給、由誰帶進來，整個駕馭系統怎麼搭」。一個偏戰術，一個偏架構。
整個數位分身小聚，本質上就是一套大型的駕馭工程範例。分身會不會像人，不只取決於模型本身有多強，更取決於這套駕馭機制把素材切得多剛好、載入得多剛好。模型是引擎，駕馭工程是整台車的底盤、方向盤與儀表板。
AI 分身的潛力
當你的 AI 分身越來越像你之後，它不只能跟你聊天，還能替你去認識其他人。
社交配對：替你先去見世界
概念有點像《黑鏡》S4E4〈Hang the DJ〉的交友配對系統。劇情裡，男女主角被系統配對，在虛擬世界裡交往、分手、再跟別人配對、再交往、再分手，重複跑了一千次。過程中還會被安排各種考驗，比如伴侶意外殘疾你陪不陪、有第三者出現你動不動搖、價值觀衝突時誰退一步。系統看的是，這一千次模擬裡，兩個人有幾次會為了彼此選擇反抗系統、一起逃走。結果是 998 次。當兩個人合拍到這個程度，系統才把他們配在一起。
把這個概念搬到現實。參加商會活動前，你的分身先跟現場幾百個人的分身跑過一輪對話，結果告訴你哪幾個人跟你特別聊得來，哪幾個人彼此價值觀衝突但可能激發新想法，哪幾個人聊兩句就沒話說。你再決定當天要親自去談誰。
配對靠的是你自己訓練的分身，帶著你的價值觀、判斷標準、說話風格去跟別人的分身對話，然後把結果帶回來給你。演算法本身不是神祕黑盒子，決定權還是在你手上。
客製化學習：從同一份課綱變成每個人的路徑
教育上的第一個應用，是把老師視角的課綱，轉成每個學生適合的學習路徑。
老師原本設計課綱，是從自己的角度出發，思考「這個主題該怎麼教」。但每個學生的起點、背景、學習節奏都不一樣。有了 AI 學伴之後，AI 會根據每個學生的分身，把同一份課綱轉譯成這個學生適合的路徑。擅長邏輯的學生先走架構，偏直覺的學生先看案例，卡在某個概念的學生會被拉回去補前置知識。課綱是同一份，路徑是一百種。
深度學習：AI 老師的靈魂拷問
第二個應用是深度。AI 老師不只回答問題，會反問你。
你問一個問題，它可能先不給答案，反過來問你：「你為什麼會這樣想？」「如果前提不成立會怎樣？」「你剛剛那句話背後是什麼假設？」把回答變成靈魂拷問。過去這種深度對話只能在少數師生關係裡發生，現在每個學生都可以有一個會反問的 AI 老師。
另一種可能：直接買技能包解決問題
還有一種情況。有時候你去查知識、去買書，目的就是解決眼前的問題。讀書、理解、學習、應用、解決，這是一個完整的流程。
如果那個領域不是你最核心需要學習的內容，直接買一個現成的技能包來解決問題，是最快的方式。你才有精力全神貫注在自己真正的垂直領域。
AI 分身的潛力，一部分是幫你學得更深，一部分是幫你不用什麼都自己學。
未來構想
第一階段（現在）：先下載單機版遊玩，練習提煉自己的隱性知識與 AI 應用。
下一階段希望能推出 Telegram 線上社群，真人跟大家訓練出來的數位分身一起在裡面交流。
想學怎麼做
有一系列課程，帶你從零開始打造自己的 AI 助理。課程資訊 →