陳柏威醫師 Po-Wei Chen, MD

前面分享的論文學習小站，有個「品質」、「內容」按鈕，那時沒有把背後的實作放出來。算是個有前端網頁，但後端還是要靠自己整理的平台。不過我自己的實作，當然後端還是要接給 AI，減輕認知的負荷，這裡就是把後端兩個 skill 分享出來，加速大家學習速度囉！ — 一個負責「這篇可不可信」 第一個叫 paper-review，做的是 journal club 那種評讀。 依研究設計自動選對工具 它會依照論文的類別，選用建議的評讀工具，隨機對照試驗（randomized controlled trial）用 Cochrane RoB 2、觀察性研究用 ROBINS-I、系統性回顧用 AMSTAR-2、診斷準確度用 QUADAS-2，而不是拿一張萬用 checklist 硬套。這件事聽起來理所當然，但你知道大部分「AI 幫你看論文」其實就是一張萬用 checklist 套到底。 引用查核：先確認文獻「真的存在」 我最喜歡的一關是引用查核。它會先去 CrossRef 確認每一篇被引用的文獻「真的存在」，再比對「論文說這篇文獻講了什麼」跟「這篇文獻實際上講了什麼」。 為什麼要先查存不存在？因為 AI 寫出來的引用，沒稽核的話正確率其實只有四到八成，假 DOI、張冠李戴的狀況比想像中多。所以這一步是一個很便宜、但很有用的防呆。 統計顯著不等於臨床顯著 還有一個地方我很堅持：統計顯著不等於臨床顯著。所以它會把效果量拿去跟量表的最小臨床重要差異（minimal clinically important difference, MCID）比，p 值小於 0.05 但根本沒過 MCID，它就會直接講出來。 整體借鏡了林協霆醫師的分享，還有之前學 EBM 的內容，大家也可以再加入你覺得重要的部分。 — 重點：我不讓 AI 靠「印象」給分 這是這次我自己覺得最有意思的部分。 一開始我讓 Claude 自己算證據等級（GRADE）、自己判斷「結論有沒有超過資料能支撐的範圍」。但我後來覺得不對，因為這種東西讓語言模型「憑整體感覺」給一個分數，它其實很會講得頭頭是道，可是你沒辦法檢查它到底怎麼得出來的。 所以我乾脆寫了兩支確定性的小程式，把「判斷」跟「計算」分開： grade_judge.py：把 GRADE 變成算術 語言模型只負責評五個面向（risk of bias、inconsistency、indirectness、imprecision、publication bias），每個面向給「不嚴重／嚴重／很嚴重」。真正的最終等級由程式加總算出來，不是模型自己講。模型自報的等級只當參考，如果跟程式算的不一樣，程式還會跳出來提醒「這兩個對不上，回去重看某個面向」。 它甚至會幫你擋掉 GRADE 的規則錯誤，例如觀察性研究只要有任何一項被降級，就不准再往上升級，這個規則模型很容易記錯，程式不會。 argdown_lint.py：把結論的邏輯漏洞變成可以檢查的東西 這支更好玩。語言模型負責把論文的結論、還有每一個「用來支撐結論的發現」標上類型（這是隨機對照試驗的直接證據？還是只是相關性？還是只是替代指標？還是只是次要 outcome？），然後由程式判斷這個推論跳得合不合法。 例如「用替代指標的改善，去宣稱對真正的臨床終點有效」、「用相關性去宣稱因果」、「用單一研究去宣稱『一致地顯示』」，這些都是論文 spin 最愛躲的地方。程式抓到就直接標紅、回報有漏洞。 ...

備考復健科專科考試的這段日子，我用工程師的方式幫自己解決了一個老問題：考古題到底要怎麼練，才不會練完就忘？最後做出了一個小工具，叫「題庫領航」，想說整理一下、也開放出來分享給有需要的人。 🔗 線上 Demo（內建示範帳號，開啟就能玩）：https://exam-demo.drpwchen.com 🔗 原始碼：https://github.com/drpwchen/exam-practice 為什麼想自己做一個？ 準備筆試時，最有效的方式之一就是反覆練歷屆考題，並針對「會錯的」加強複習。道理大家都懂，但實際做起來有兩個痛點。 第一，單純看著題目考自己很容易疲倦，而且你會不自覺一直練「已經會的」，真正的弱點反而被跳過。 第二，「什麼時候該複習哪一題」這件事，靠人腦排程根本排不來。今天練的這題，三天後還記得嗎？一週後呢？沒有人知道，於是只能全部重練，效率很差。 我想起在背英文單字時用過的記憶演算法，心想：考古題不也是一種「要記住的卡片」嗎？於是就動手了。 它能做什麼？ 把 PDF 考題變成可練習的題庫： 歷屆考題多半是 PDF，我寫了一條匯入管線，自動把題目、選項、答案切出來，圖片題（X 光、超音波、量表）也會一起抽出來。詳解直接以「該頁截圖」呈現，避免文字辨識誤植選項或答案。 用 FSRS 安排每一題的複習時間： FSRS 全名是 Free Spaced Repetition Scheduler，是一套間隔重複演算法。它會根據你每次作答的「對錯、信心、花了多久」，推估你對這一題的記憶曲線，然後在你「快要忘記、但還救得回來」的甜蜜點，把它再丟回來給你練。 和科內夥伴一起練： 你看得到同儕的進度，也看得到「大家最常錯的題」。一個人讀書很孤單，知道大家都卡在同一題，反而有種莫名的安心感 😅。 目標進度設定： 在 Dashboard 可以看到目前自己刷題進度、正確率，並且搭配目標設定功能，確立自己在幾天內需要完成多少題。 預測你考試當天大概會考幾分： 這是我自己最喜歡的功能。系統會用你各科的正確率、乘上該科在真實考試的配分權重、再乘上 FSRS 推估你「到考試那天」還記得多少，算出一個落點分數，還附上信賴區間，以及「持續複習」和「都不複習」兩種情境的對比。看著預測分數隨著複習慢慢往上爬，是很實在的回饋。 畫面一覽 📱 🏠 首頁 📄 PDF 考題原始畫面 ⚙️ 練習設定 ✍️ 答題畫面 👥 大家的錯題本 📌 個人錯題本（依失敗型態分類） 📊 Dashboard 總覽 🎯 落點分數預測 一些設計上的小巧思 做著做著，發現有些細節還滿有意思的： 錯題不是一視同仁。 我把答錯的題分成四種型態：死穴（反覆錯）、易忘（記憶留存率掉太快）、盲區（明明很有把握卻答錯，也就是過度自信）、新錯（最近一次才錯）。你可以只挑某一種弱點來補，對症下藥。 出題用三個池子混。 到期該複習的題 70%、沒看過的新題 20%、自己加星的題 10%，兼顧鞏固舊的跟攝取新的。 選項每次重新洗牌。 避免你背的是「答案在第三個」而不是真的會。 開放非商業使用，商業使用請另外聯絡 我把它整理成原始碼公開的版本，順手清掉了院內的真實資料，換成合成的示範資料，任何人 clone 下來就能看到完整功能。也歡迎其他專科的朋友 fork 過去，改成你自己科別的版本，引擎和排程都不用動，換掉題庫和分類就好。 ...

前陣子分享了我自己做的論文讀書小站，收到不少訊息問「這個我也能用嗎？」、「到底怎麼運作的？」。這篇就好好把它講清楚，順便告訴你，我已經把它整理成開源版本放上 GitHub 了。 先講我想解決的問題。 身為復健科醫師，我想追的期刊有幾十本，還有幾位很想跟的作者、幾個一直在關注的主題。傳統做法是把一堆 RSS 訂閱倒進閱讀器或筆記軟體，結果每天累積上百篇，很快就變成一個「永遠讀不完、也不知道從哪讀起」的垃圾堆。最後不是焦慮，就是乾脆不看。 我要的不是「看更多」，而是一個會先幫我篩、幫我排序的雷達，讓我只把注意力放在真正該讀的那幾篇。於是有了這個小站，它大概分成這幾層在運作。 一、自動抓取：把幾十個來源收成一條河 每天清晨，主機會自動去抓幾十個來源：期刊的 RSS、還有用 PubMed 搜尋做的「作者追蹤」和「主題追蹤」。有些期刊的 RSS 很爛或根本擋機器人，我就改用 PubMed 的查詢繞過去，一樣抓得到，而且附帶 DOI 方便後面處理。全部抓回來後自動去重，變成一份乾淨的清單。 二、興趣評分，而且會越用越懂我 這是我最喜歡的一層。每一篇都會用一個「興趣模型」算分數，把我最可能有興趣的排到最上面，雜訊沉到下面。 更關鍵的是它會學。我在手機上滑的時候，看到喜歡的按個讚、沒興趣的略過，這些反應會回頭微調模型的權重。用得越久，它越懂我的口味，排序就越準。這種「你教它、它回饋你」的迴圈，是我覺得比單純 RSS 高明的地方。 三、全文三層：先幫我確認「拿不拿得到」 看到想讀的，最煩的往往是「找得到、但打不開全文」。所以每篇我都先自動幫它標好取得難度： 🟢 開放取用（Open Access）：直接幫我把 PDF 抓下來。 🏥 機構訂閱：自動去查我所屬圖書館有沒有訂閱這本期刊、這篇現在拿不拿得到。 📎 自己補：以上都沒有的，附上連結讓我自己抓，或直接把 PDF 丟上去。 這樣我在滑的當下就知道每篇「能不能讀」，不用一篇一篇點進去碰運氣。 四、一個只給自己看的私密小站 整個站是鎖起來的，只有我進得去，沒有對外公開、也沒有署名。它是我一個人的閱讀桌，手機、電腦打開都是同一份狀態，昨天在捷運上勾過的、今天在醫院打開一樣看得到。介面就是一張張論文卡片，帶著上面說的徽章，還有幾顆動作鈕。 五、勾一勾，剩下的它包了 這是把前面所有東西串起來的閉環。看到喜歡的，我就勾「想整理內容」或「想評讀品質」，跟它說一聲，它就自動：幫我抓全文、把重點整理成筆記、做評讀，最後收進我自己的筆記系統裡。人在外面看到別人分享的好文章，也能直接丟進這個網頁，一樣幫我處理好。 於是我的閱讀從「被上百篇淹沒」，變成「每天滑一滑、勾幾篇、讀它整理好的重點」。省下來的時間跟力氣，比我想像的多很多。 開源出去，也歡迎你打造自己的雷達 我把自己的東西整理乾淨，放上 GitHub 了，附了中英文說明： 👉 https://github.com/drpwchen/paper-radar 它不只能用在醫學。任何有 RSS 的來源，論文、新聞、部落格，都能 fork 去改成自己領域的雷達。想自己架一個的人，可以照著說明走。 補充一下：雷達幫我挑出來的論文，下游是交給另外兩個負責「評讀」跟「整理」的工具去讀的，那部分我後來也整理開源了，寫在這篇。雷達管挑、skill 管讀，兩端接起來才是完整的讀論文流程。 最後講點私心。這個念頭其實在心裡很久了。還沒踏進 vibe coding 之前，我看到吳易澄醫師（運動醫學、復健醫學）做了一個類似的平台，那時候又羨慕又好奇，心想「要是我也有一個就好了」。沒想到現在真的能親手把它做出來，還能整理乾淨分享給大家。 從一個羨慕別人的念頭，到自己動手實現，再到開源分享出去，這種感覺真的很奇妙，也很開心 😊 如果你也常常被讀不完的資訊淹沒，歡迎來看看，也歡迎順手給顆星 ⭐，這對我會是很大的鼓勵。

📖 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！🙌