陳柏威醫師 Po-Wei Chen, MD

📖 省 Token 系列（共四篇）：第一篇 為什麼你的 AI 越聊越笨 · 第二篇 能用算盤就別開超級電腦 · 第三篇（本篇）· 第四篇 我幫 AI 裝了一個省錢儀表板 前兩篇都還停在「人人可用」的層次。從這篇開始，我帶你看我電腦裡那套被我折騰到很細的設定。 先說背景。我除了在手機上用 AI 聊天，更常用的是一個叫 Claude Code 的工具：它跑在電腦的終端機裡，可以直接讀我的檔案、改我的筆記、幫我自動化一堆事。你可以把它想成「一個住在我電腦裡、能動手做事的 AI 助理」。 正因為它能做的事多、跑的次數多（一個任務動輒呼叫 AI 幾十上百次），省 token 在這裡的回報會被放大很多倍。而省 token 的第一原則，跟整理書桌一模一樣： 桌面上只放現在用得到的東西，其他都收進抽屜。 常駐稅：有一種成本，你每一句話都在付 我有一個檔案叫 CLAUDE.md，裡面寫著我給 AI 的長期規則：筆記要用什麼格式、哪些資料夾不要碰、我的偏好是什麼。 這個檔案有個特性：它在每次開工的最一開始就被載入，而且整段工作過程都常駐在 AI 眼前，不會被收走。 意思是，如果這個檔案有 5000 個 token，那麼無論我今天只問兩句、還是聊兩百句，每一句的背後都在重複付這 5000 個 token 的錢。 我把它叫做「常駐稅」。每一行都是稅。 所以我刻意把它壓在 95 行左右，只留真正穩定不變、非寫不可的規則。會議記錄、設計過程、長篇說明，全部移到別的地方，要用的時候才叫出來。 順帶一提，這些「只給 AI 看」的設定檔，我一律用英文寫。因為中文在 token 計算上比較貴（同樣意思的中文通常比英文吃更多 token），而給人看的筆記我才用中文。給 AI 的省錢，給人的好讀，各得其所。 抽屜：讓記憶分層，不要全攤在桌上 我給 AI 做了一套記憶系統，但重點不是「記越多越好」，而是分層： 真正天天用到的，放在最上層，每次開工自動載入。 偶爾才用的，收進抽屜，需要時才拉出來。 很久沒碰的，直接封存。 我還做了一個「使用熱度」的計分：常被讀到的記憶分數高、留在桌上；冷掉的自動往下沉。這樣桌面永遠只有當下最相關的那幾張紙。 道理跟上一篇的算盤一樣：這套熱度排序是用程式算的，不勞駕 AI。 這對手機聊天版的人也有啟發：ChatGPT 的「記憶」和「自訂指令」功能不是免費魔法，它是每次對話前自動幫你貼上去的隱形內容，一樣佔空間、一樣每句重算。所以記憶要精簡，不是塞越多越好。 ...

📖 省 Token 系列（共四篇）：第一篇 為什麼你的 AI 越聊越笨 · 第二篇 能用算盤就別開超級電腦 · 第三篇 幫 AI 整理一張乾淨的工作桌 · 第四篇（本篇，完結） 來到系列最後一篇。前三篇我們從「為什麼 AI 越聊越笨」，一路講到「什麼時候別用 AI」「怎麼幫它整理桌面」。這一篇談的是錢真正花下去的那一刻：怎麼把每一塊錢花在刀口上。 第一件事：不是每件事都需要最聰明的腦袋（但省下來，就是為了負擔得起好的） AI 模型有分等級。以 Claude 為例，由便宜到貴大致是 Haiku、Sonnet、Opus 三級，價差很大。 如果你是按使用量付費的人，最直接的省法就是「派對的等級做對的事」：改格式、重新命名、簡單分類這種雜事，交給最便宜的 Haiku 就好；日常的寫作、查資料用中間的 Sonnet；只有真正需要深度推理的硬任務，才動用最強的 Opus。 這裡還有一個很多人都搞錯的觀念，特別講一下：「要看圖」不等於「要用最貴的模型」。 當你只是要 AI「看一張圖、認出裡面有什麼、把上面的字讀出來」這種辨識任務，最便宜的 Haiku 通常就完全夠用，便宜到一個誇張。只有要它「看懂一張複雜的醫學示意圖、解讀圖表背後的邏輯」這種需要推理的視覺任務，才值得升級。選模型的真正標準，是「這個任務需要多少思考」，不是「要不要看圖」。 不過老實說，我自己現在反而大多直接用最強的 Opus，XD。 為什麼？因為我發現，在目前的訂閱方案下，把前面三篇那些省 token 的功夫都做好之後，我的額度其實用不太完，而最強的模型品質又明顯比較好。所以對我來說，與其斤斤計較每件事該用哪一級，不如把省下來的額度，拿去讓最好的模型做每一件事。 我覺得這反而是整個系列最想講的一件事：省 token 從來不是為了小氣。 我把浪費擋掉、把該交給程式的交給程式、把桌面整理乾淨，省下來的這些，剛好讓我負擔得起「把最好的腦袋，用在每一個我在乎的問題上」。省，是為了能大方地花在刀口上。 最後補兩個進階的小心法： 讓 AI 少廢話，可以一勞永逸。 AI 的「輸出」比「輸入」貴上好幾倍（以 Opus 為例差到五倍），所以請它回答精簡就是直接省錢。而且這件事你不用每次重講，直接寫進給它的長期指令裡（就是第三篇那份常駐設定檔，或聊天版的「自訂指令」），叫它預設就講重點、不要長篇大論。一次設定，之後每次都省。 思考深度也能調。 同一個模型可以設定它「想多深」，簡單的事用淺一點、難的事才開深度思考。重點永遠是：把力氣花在真正難的地方。 第二件事：把吵鬧的雜事，丟到隔壁房間做 有些工作會吐出一大堆過程訊息：跑一輪測試、抓一份長文件、處理一堆紀錄。如果讓這些雜訊全部堆在主對話裡，桌面馬上被淹沒（回到第三篇，桌面一髒就又貴又笨）。 我的做法是派一個「分身」去隔壁房間做這件事。分身有自己獨立的工作空間，它的所有過程、雜訊、草稿都留在那個房間裡，只有最後的結論回到我的主對話。 這就像你請助理去查一整天資料，你不需要看他翻過的每一頁，只要他最後給你一頁重點。 但這招有取捨，我必須老實說：派分身本身也要花錢，而且分身會自己燒一輪 token。官方就提醒過，大量用分身的工作流，總花費可能是單打獨鬥的好幾倍。所以原則是：當「保持主桌面乾淨」的價值，大於「多請一個分身」的成本時，才派。 不是什麼都丟分身。 （這篇從頭到尾，你會發現省 token 沒有一招是無腦的，每一招都在權衡。這正是它好玩的地方。） 第三件事：裝一個會對我跳表的儀表板 講了這麼多省法，最後一塊拼圖是：你得看得見自己花了多少。 看不見的支出最危險。所以我裝了一個開源小工具，叫 cc-budget（由 boyand 開發，在 GitHub 上找得到）。 ...

📖 省 Token 系列（共四篇）：第一篇（本篇）· 第二篇 能用算盤就別開超級電腦 · 第三篇 幫 AI 整理一張乾淨的工作桌 · 第四篇 我幫 AI 裝了一個省錢儀表板 你一定有過這種經驗：跟 ChatGPT 或 Claude 聊一個下午，越到後面它越遲鈍，回得越慢，還會突然「忘記」你前面講過的事，甚至開始鬼打牆。 很多人以為是自己網路慢，或是 AI 當機。其實不是。這背後有一個大多數人不知道、但知道之後會立刻改變你用法的真相。 真相一：AI 其實沒有「記憶」 我們直覺以為，AI 像人一樣，聊著聊著就「記住」了對話。 它沒有。 每一次你按下送出，AI 都把你們從第一句到現在的整段對話，從頭重讀一遍，然後才回你下一句。它不是接著上一句講，而是每次都把整本對話重新看過。 所以你可以想像：對話越長，它每回答一句之前要重讀的東西就越多。這就是為什麼越聊越慢。 真相二：你其實一直在付錢，只是看不到帳單 AI 處理文字的單位叫 token（大致是一個字或半個詞）。你輸入的每個 token、它輸出的每個 token，背後都在計費。 最好記的比喻是：token 就是 AI 的計程車跳表。 距離（字數）越長，車資越高。 你在訂閱制的 App 裡看不到這張帳單，但它換了一張臉出現在你面前：就是那個「你今天的訊息額度已用完」，還有「怎麼越來越慢」。額度和卡頓的背後，都是 token 的運算量。 而且這筆帳不是線性疊加的。對話長度加倍，你付的運算量不是兩倍，而是接近四倍（這是 AI 內部運算機制的數學特性）。難怪長對話的卡頓感像在爆炸。 真相三：越塞，反而越笨 這點最反直覺，但最有用。 AI 的「注意力」是有限的，所有注意力加起來永遠等於一份。你塞進去的內容越多，每個重點分到的注意力就被稀釋得越薄。多餘的廢話會偷走本該分給關鍵問題的專注力。 這不是我隨口說的。一篇很有名的研究 Lost in the Middle（Liu et al., 2024）發現一個 U 型曲線：資訊放在對話的開頭或結尾，AI 記得最牢；但埋在中間的重點，記得的機率會掉到只剩大約兩成。難怪它常常把你中間講的事忘光光。 另一份 Chroma 在 2025 年的研究測了 18 個主流模型，發現它們全部都隨著輸入變長而表現下滑，這現象被叫做 context rot（脈絡腐化）。 ...

📖 省 Token 系列（共四篇）：第一篇 為什麼你的 AI 越聊越笨 · 第二篇（本篇）· 第三篇 幫 AI 整理一張乾淨的工作桌 · 第四篇 我幫 AI 裝了一個省錢儀表板 上一篇我們講到，跟 AI 對話越長越貴越笨，以及三個立刻能用的省法。這一篇要往前再走一步，談一個更根本的分水嶺： 有些工作，根本不該叫 AI 來做。 聽起來很反骨，但這正是我把 AI 用得省又準的關鍵心法。 兩種工具：算盤與超級電腦 把事情交給電腦處理，其實有兩條完全不同的路。 一條是寫死的程式（script）。你事先把規則想清楚、寫成步驟，之後它就照著跑。像一台算盤，撥珠的規則固定，算十次一百次答案都一樣。 另一條是叫 AI 動腦（LLM）。你描述需求，它「理解」之後生出答案。像一台超級電腦，什麼模糊的、需要判斷的都能接，但每開機一次就燒一次電。 很多人的直覺是：現在 AI 這麼強，什麼都丟給 AI 就好。 這恰恰是燒錢又燒時間的根源。 一張表，看懂兩者的取捨 面向 寫死的程式（算盤） 叫 AI 動腦（超級電腦） 精準度 100% 確定，同樣輸入永遠同樣結果 會漂移，同一個問題問兩次可能答案不同，還可能一本正經地胡說 模糊處理 只能做規則講得清楚的事 能處理語意、判斷、例外、「你懂我意思」那種模糊地帶 花費 幾乎是零 每跑一次都付一次 token 的錢 速度 毫秒級，眨眼就好 秒級，而且對話越長越慢 前置工 要先把規則想對、寫對 開口就能用，零設定 看懂了嗎？兩者沒有誰比較好，只有誰適合這個任務。 規則明確、會重複很多次的事，交給算盤：又快又準又免費。 需要判斷、模糊、每次都不太一樣的事，才值得開動超級電腦。 一個真實的例子：我怎麼讀我的醫學課本 PDF 我有很多教科書的 PDF，常常需要從裡面撈內容。 如果我每一頁都直接丟給 AI 看，那是把超級電腦當印表機用：每一頁都付一次「看圖加讀字」的錢，貴得嚇人（後面那篇會講，直接丟 PDF 給 AI 看，每頁可能燒掉一兩千個 token）。 ...

這陣子我越來越依賴 Claude Code 幫我打理數位生活，從整理我的 Obsidian 筆記庫，到維護家裡自架的一堆服務（OpenWrt 路由器、AdGuard Home、Synology NAS、Oracle 雲端主機、Home Assistant），再到各種半夜自己跑的自動化，幾乎都交給他。他能做的事愈來愈多，我有一天就認真想了一件以前沒細想的事：我把一個「能讀我電腦裡的檔案、能執行指令、又能連上網路」的 AI 幫手，給了這麼大的權限，那萬一哪天出錯，會錯到哪裡去？ 先搞清楚：權限這麼大，可能出什麼錯？ 於是我請 Claude 陪我，把這件事從頭查一遍。查下來，AI 幫手（agent）的風險大致歸成幾類： 致命三要素（lethal trifecta）：能讀檔案、能執行指令、能連網路，這三件單獨都還好，但湊在一起，一旦 AI 被騙，它就有能力把你的祕密讀出來、再送到外面去。 間接提示注入（indirect prompt injection）：白話說，就是一段藏在網頁或某個檔案裡的惡意指令，可能在 AI 幫你讀資料時，偷偷叫它去做你根本沒交代的事，比如翻出你的金鑰再傳出去。 對話會留存：你順手貼進對話框的東西，其實會被記在某個地方。 老問題的放大版：密鑰散得到處都是、權限給太大、不小心把祕密存進了 git。 查完我的感想是，這些都不是假設性的學術風險，是真的會發生的事。再加上身邊愈來愈多同好也開始玩 AI agent、也在自架自己的服務，我想說乾脆把我查到的、做過的都記下來分享，希望也幫到正走在同一條路上的大家。 我們做了哪些檢查與掃描 方向定了，我跟 Claude 就一項一項盤： 數清楚我到底有多少把「鑰匙」跟 token，各自散在哪。不數還好，一數有點尷尬，原來比我想像中亂。 用一個叫 gitleaks 的工具，掃我自己筆記庫跟所有專案的 git 歷史，看有沒有哪次手滑把金鑰存了進去。 把家裡每一台主機之間「誰可以登入誰」的關係攤開來看（這在資安上叫橫向移動 lateral movement，意思是攻擊者攻破一台之後，能不能再跳到下一台）。 檢查我給 AI 的權限設定，跟過去那些對話紀錄到底留了什麼。 找到的問題，跟我們怎麼補 這段有點像在自首😅，但我覺得誠實把坑寫出來，比假裝自己一開始就做得很好有用多了。 問題一：一把沒上鎖的萬能鑰匙 我有一把 SSH（Secure Shell，遠端登入主機用的）金鑰，居然沒設密碼，而且同一把幾乎能打開我家所有主機。等於一把沒上鎖的萬能鑰匙，誰撿到誰就開全家。 我們的處理是：幫它加上密碼（passphrase），再用一個叫 ssh-agent 的機制，讓我只要輸入一次、之後自動化照樣順順跑，安全跟方便都顧到。然後把它從「一把開全家」改成「一把鑰匙只能做一件事」（這招叫 forced command，指定這把金鑰登入後只能執行某個預先設定的指令，而不能取得一般 shell）。 問題二：順手貼進對話的密碼 我以前圖方便，曾把 token 直接貼進跟 AI 的對話框，那它就被留在本機紀錄裡了。這種「已經外洩過」的東西，與其一個一個追副本，最乾淨的做法是直接把舊鑰匙作廢（rotate），重發一把新的，舊的當場失效，外面那些副本就全變廢紙。 問題三：筆記裡躺著兩個忘記的金鑰 這是這次最有感的。我用 gitleaks 掃自己的筆記歷史，竟然挖出兩個我幾年前順手記下、早就忘得一乾二淨的真實金鑰。原來最大的洞，常常不是什麼高深攻擊，而是「過去那個貪方便的自己」。 ...

去年十二月，我去上了 Michael Shacklock 親自來台教的 Neurodynamic Solutions（NDS）Level 1 與 Level 2。Shacklock 是 clinical neurodynamics 這套系統的創立者，能由他本人帶著一步步示範，是很難得的機會。兩階上完，我做了厚厚一百多頁的筆記，也徹底改變了我看「神經痛」的方式。 老實說，目前看過的課程，很少真正針對神經去處理，這也是我會特地去上 NDS 的原因之一。 簡單說，neurodynamics 在處理的，是 movement-related nerve pain，也就是跟動作有關的神經疼痛。它的前提很直覺：神經不是固定不動的電線，它會隨著我們的關節活動而滑動、被拉長、被周邊組織壓迫。當這些力學與血流的互動出了問題，就會發炎、變敏感、開始痛。 一、原來我平常的神經檢查，做得不夠標準 第一個衝擊，是發現自己過去做的神經張力測試（像 SLR、upper limb neurodynamic test）其實都不夠嚴謹。 這套系統很強調 position, position, position，每個關節要用固定、符合人體工學的姿勢一個一個慢慢加上去，做完一個就鎖住不再動，才能真正感覺到神經張力的變化，也才有再現性。還有像「先做健側、一次只動一個關節、做到剛出現症狀（P1）或剛出現阻力（R1）就停」這些細節。標準化之後，我才有辦法可靠地判斷：這到底是肌肉骨骼的問題，還是神經的問題。 二、從「神經實際怎麼動」出發，去設計檢查與治療 這堂課最讓我著迷的，是它不從抽象的診斷出發，而是回到解剖，看神經在每個動作下實際上是怎麼移動的。 舉幾個顛覆我認知的點：神經會往「正在被施力的關節」靠近（convergence），所以同樣是 slider 手法，如果你動錯關節，神經其實根本沒在相對滑動；我們以為的「cervical slider」（脖子和手一起動），因為椎間孔與神經一起動，其實對神經來說根本沒有產生相對運動。又比如把脊髓動作納入考量，發現把對側神經拉緊，對於患側神經根其實會放鬆。這些都是從力學一路推導出來的，而不是背口訣。 再把介面（神經周邊的肌肉、韌帶、骨頭）分成 open / close、把神經本身的問題分成 tension / sliding / pathophysiology，再用一個 2×2 的 box 去想「到底是神經本身有病，還是介面壓迫造成」，整個臨床推理一下子變得有條理很多。 三、不管打不打針，我能教給病人的衛教與居家運動變多了 身為復健科醫師，我們常常想到的是要不要打針、做哪種儀器。但這堂課提醒我，神經問題有非常豐富的徒手與居家運動可以教。打針後也可以試著教病人一些運動，或許能效果更好？ 另外老師也舉研究證明，居家運動只要動作品質和劑量跟徒手治療一樣，效果就是一樣的，甚至做得夠多還更好。課堂上印象最深的，是一個針對急性椎間盤突出 (HIVD) 病人的隨機對照試驗：光是反覆做 static opener（如下圖打開椎間孔、讓神經減壓充血的動作），做十六天，鴉片類止痛藥的用量就減少了一半，疼痛分數也大幅下降。這代表很多病人其實不必急著打針或手術，就能給他一套自己在家做、而且有實證的功課。 Ref: Shacklock M, Rade M, Poznic S, Marčinko A, Fredericson M, Kröger H, Kankaanpää M, Airaksinen O. Treatment of Sciatica and Lumbar Radiculopathy with an Intervertebral Foramen Opening Protocol: Pilot Study in a Hospital Emergency and In-patient Setting. Physiother Theory Pract. 2023 Jun;39(6):1178-1188. doi: 10.1080/09593985.2022.2037797 ...

當住院醫師到現在，每次想找進修課程都是同個痛點：超音波、全衡、足踝、神經、兒復⋯⋯課程散在十幾個學會跟機構的網站，沒幾天就要刷一次網站，又不確定自己到底看過沒。 後來我把這些課程頁放到家裡的 Home Assistant 做爬蟲，有新課就自動通知我，終於輕鬆很多。不過想到再過不久就要離開住院醫師階段，這套擺在家裡的小工具就沒辦法繼續提醒學弟妹們。想說反正有 Claude，乾脆請他把這 17 個復健相關學會／機構的課程跟公告全部爬下來，彙整成一個地方，每 3 小時自動更新一次，放上網路給大家用。 於是就有了這個網站： 👉 https://courses.drpwchen.com 網站內容： 📅 最新課程：一頁看完，可以按活動日期排序、排除過期、依分類跟來源篩選 🗓️ 活動行事曆：這個月有哪些課一目了然 📣 最新公告：各學會的最新公告也一起收 🔔 訂閱通知：想被通知的話可以訂閱 RSS 或 ntfy，有新課程自動推播，不用再自己巡網站 幾點說明： 資料自動彙整自各學會／機構的公開公告頁，僅顯示標題與連結並導回原站，屬非官方彙整，實際資訊請以原公告為準 不用登入，點擊活動就能直接打開原始公告頁面 純粹是做給自己用的工具，順手開放出來，希望也幫助到同科的大家～ 如果你發現少了哪個學會、哪個機構，或想到什麼功能，歡迎跟我說，我再加進去！🙌

一個困擾我很久的小事 我是 Obsidian 的重度使用者，vault 裡躺著好幾千則筆記。 但有件事很不方便：Obsidian 內建的搜尋，只會找「你打的那幾個字」。 問題是，三年前寫的筆記，我哪記得當時用了什麼字？我心裡想的是「鬆弛性膀胱要怎麼處理」，筆記裡寫的卻是 Neurogenic Bladder → flaccid type → 間歇性導尿。字對不起來，搜尋就一片空白。最慘的是，有好幾次我以為自己沒寫過，結果重寫一遍，事後才發現早就有一篇更完整的躺在那裡 😅 所以我花了點時間，幫自己的 vault 裝上一套「用意思找筆記」的工具。用了大半年，現在把它整理乾淨、開源出來。 三套組 它不是一個大功能，而是三個各司其職、共用同一份索引的小工具。 🔍 Vault Search — 用一句話找到對的段落 最核心的一個。你用自然語言問一句話，它回傳語意上最接近的筆記段落，而不是關鍵字比對。 我打「脊髓損傷後的鬆弛性膀胱怎麼處理」，它直接翻出 Neurogenic Bladder 那篇，即使那幾個中文字一個都沒出現在筆記裡。它看的是意思，不是字。 結果還會自動分成「主要相關」跟「其他相關」兩層，並且可以折疊預覽，不用一篇一篇點開。 🔗 Related Notes — 替你的筆記接上神經 這是一個會即時更新的側欄。當我在讀某篇筆記、或選取一段文字時，它自動在旁邊跳出相關的其他筆記。 對我來說這是「驚喜製造機」。很多「我早就忘記自己寫過」的東西，就這樣被串了起來。寫一篇新筆記的時候，旁邊會冒出三五篇舊筆記提醒我「這裡其實可以連過去」，慢慢把零散的卡片織成一張網。 💬 Vault Chat — 直接跟自己的筆記對話 這就是大家熟悉的 RAG：它先搜尋相關筆記，再把內容餵給 AI 回答。但我刻意設計了三種模式： Vault 模式：只根據筆記回答，不用擔心 AI 自己生成內容。 Hybrid 模式：以筆記為主，不足時用 AI 自己的知識補充，並標明哪些是「補充」。 Free 模式：不搜尋筆記，純自由對話，還能查 PubMed 文獻。 每次回答後，它會列出引用了哪幾篇筆記，可以一鍵點開查證。對醫療這種「答錯會出事」的領域，可追溯來源這件事我很在意。 點開任何一個引用，還能看到它實際餵給 AI 的那段筆記原文，整條推理鏈是攤開可查的。 ...

背景：我本來就在用的東西 念專科考試的時候，我給自己弄了一套 RAG（Retrieval Augmented Generation），用「看相似度」的語意搜尋（semantic search）把幾百本復健科教科書跟我自己的筆記變成可以查、可以問的東西。一邊在 Obsidian 裡讀書用，一邊讓 Claude 透過 MCP 也能找到我要的東西。 它目前最弱的地方，就是「跨文獻把知識串起來」。所以前幾天看到有人分享一篇剛發表的論文 SAG（SQL-Retrieval Augmented Generation），說可以在語意搜尋之外加上結構化查詢語言（SQL）跟圖的概念，讓跨文獻搜尋更容易，效果類似 GraphRAG 但更好維護、更好建立，我整個眼睛一亮。 在這時代想當然爾，就是把論文連結丟給 Claude，請他去讀論文、抓原作者的 GitHub、讀懂作法，然後用我自己的資料把整條管線複現出來、實際跑 benchmark XD 論文：Wu et al., SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges, arXiv:2606.15971。程式碼：github.com/Zleap-AI/SAG-Benchmark 第一步：選模型（RTX-3070 的眼淚） 整條管線裡最關鍵的一步，是用 LLM 把每段文字抽成「事件 ＋ 實體」存進資料庫。原論文用 Qwen，我就比了本地的 Qwen（qwen3.5:4b）跟線上的 Claude Haiku。 結果 Haiku 萃取資訊的能力明顯比較好，實體圖更密、命名更一致（這對後面用 SQL 串很重要），而且看起來很便宜。這跟我先前的經驗相符，可能我的 RTX-3070 真的太弱了，稍微大一點的模型就跑不動（時代的眼淚阿），直接用 Haiku 又快又好！ 順帶一提，我沒有 API 訂閱也能用 Haiku：直接派 Claude 的 subagent 去做，跑在既有額度內就好。 教科書上的三個發現 我用神經復健的教科書當測試語料，設計了一批臨床問題，拿 SAG 跟原本的語意搜尋正面對決。結果分三關： 第一關，單一本書：打平。語意搜尋已經夠強，多跳機制沒用武之地。 第二關，跨書、但問題裡把關鍵字都寫白了：還是打平。因為問題裡已經把「中風、脊張力、步態」全寫出來，語意搜尋自己就把相關段落都撈回來了。 第三關，跨書、但只問一端、中間那跳故意不講（例如只問「馬蹄內翻足怎麼處理」，期待它自己連到背後的脊張力機轉跟治療）：SAG 終於贏了，而且贏很多。 ...

上週末考完專科考試，終於要成為復健科主治醫師了！ 在花蓮十幾年，無數次來往台北上課，早早就把自己坐成了台鐵黃金會員。前陣子準備院內升等，請 Claude 幫我爬梳這些年上過的復健科課程，線上線下加一加，發現竟然破了 150 堂！沒想到不知不覺間，已經累積了這麼多學習開銷🤣 還記得 R1 那年，Braddom（復健科最重要的教科書之一）的總編輯 Prof. Cifu 來台灣復健醫學會年會，演講「怎麼當一個傑出的復健科醫師」，那時講述他成為主治醫師以來大概每十年換一個領域，每個領域都能做到頂尖，很好奇他會給住院醫師什麼建議，便舉手請教。他說：多方面接觸各個領域，不局限自己在一個領域。這四年回頭看，我想我沒辜負他的建議，兒復、神經、骨病、超音波、徒手治療等等，有機會就學，是很充實的四年。尤其最後考完試回想起來，真的比起以前多會了很多東西，很為自己開心，也很感恩。 能在花蓮慈濟受訓，我真的蠻開心。模擬手術、花東增生義診、兒復討論會，每週的超音波與心肺教學，加上公費去了美國 AAP、澳洲 ISPRM，還到台大、北榮、林長短期訓練。一路上看著許多令人尊敬的老師怎麼看診，也碰上不少大師，包括令人景仰的連教授、Braddom 總編輯 Prof. David X. Cifu 與副編輯 Prof. Henry Lew。能親眼看到大師風采，真的很幸運。 如果說這四年把「不受限」走得最遠的一步，大概是今年二月，準備考試時一直聽到 vibe coding與龍蝦，忍不住開始用 Claude Code，沒兩天就把方案從 pro 升到 max。用它把「讀書」方法整個重新設計：建了一個能隨時問答的個人知識庫，也做了刷考古題的複習網站。從臨床一路跨到工程，意外發現唯一的限制，大概真的是想像力！這些考前不好意思說自己在玩AI，考後就可以多多來跟大家討論了～ 再來八月開始，我會留在花蓮慈濟當主治醫師。新的階段，請大家多多指教囉！