管線搬運資料，Agent 承載意圖
從 | 到自然語言，Agent 作為新一代的 Unix Pipe，如何串接 Readwise、NotebookLM 與 Obsidian，讓知識複利輕鬆滾動起來
歡迎回到《非正式寫作》理解複雜世界，前往那尚未被命名的自己。
今年年初，AI Agent 迎來了一波新的熱潮。以前我們看的是模型本身的能力，到了 2026 年，我們關注的是 AI Agent 能否自主判斷、決策、執行，並且以迭代的方式自動運行整個迴圈。
加上我常用的知識管理與寫作工具，近期都紛紛推出了 CLI (Command Line)、Skills1 或 MCP2 等與 AI 模型整合的介面。
於是，我也開始嘗試讓 Agent 自主調用這些工具，在內容產出的流程中串聯起不同工具之間的協作，讓體驗更加流暢。
上週我在 Threads 上發了一篇貼文，分享這套 AI Native 的知識工作流「三件套」：Readwise、NotebookLM 與 Obsidian，收到了不少關注。
這期電子報就來聊聊，這三個工具和 Claude 整合之後，如何進化我的內容產出流程。
《非正式寫作》探索並理解當代世界的多面向特質。
週一更新。馬上訂閱，與 1700+ 位讀者一同升級 ⬆️
意圖的流水線
過去我們使用 AI，大多把它當 Copilot：針對單一任務互動，找到更快的解法。
2026 的方向不一樣了：AI 不再只是你的助手，而是開始扮演一個新角色。
這讓我想起 Unix 的一個經典哲學：Pipe (管道)。
Pipe 的精神是：每個工具只做一件事，把它做到最好。讓 Input 和 Output 的介面保持簡潔精煉，透過 | (pipe)，不同的工具就能串接成一條強大的流水線。
舉個例子，假設你想從一份閱讀清單 (reading-list.txt ) 中，找出讀過幾篇跟 AI 相關的文章，你可以利用 pipe 串接 4 個不同的工具達成：
cat reading-list.txt | grep “AI” | sort -u | wc -l
4 個工具，各做一件事：讀檔 (cat)、篩選 (grep)、去重 (sort)、計數 (wc)。它們彼此獨立，但透過 | 就能串成一條流水線。這就是 Pipe 的威力：每個元件雖然單純，組合起來卻能解決複雜的問題。
Agent 正在讓整個 SaaS 生態系 Pipe 化！
越來越多 SaaS 服務開始推出 MCP、Skills 和 CLI 等介面。本質上是在將自己改造成符合 Pipe 精神的元件，好讓 Agent 能正確地調用它們。
「確定性」是推動自動化的關鍵因子。GUI 並不是模型取得確定性的最佳方式，模型不需要良好的 User Experience (或者說，以前的 UX 面向的 user 是人，如今這個 user 可能更多會是 AI model)，明確的指令介面對 Agent 來說，更穩定高效。
以前我們用 Prompt Engineering 喚醒 AI 執行特定任務的準確性，其中的不確定性讓這份技能帶點藝術的成分。當各個垂直領域深耕已久的 SaaS 服務將自己的能力定義成明確的語言介面，Agent 不再需要碰運氣，每一次的執行都是品質一致的產出。
這帶來關鍵的轉變：Agent 從 Copilot 進化成了 Coordinator。
Copilot 在單一任務上與你互動；Coordinator 則能依照情境調用不同專業的工具，讓你在同一處實現工具之間 Context 的無縫銜接。Agent 不需要在各項任務上都出類拔萃，它的價值更多在於知道哪個工具擅長什麼，然後把任務分派出去。
每個工具在自己的領域有更深的著墨，Agent 負責的是把它們黏在一起。這就是我所謂的「膠水層」。
在我的知識管理流程中，經常使用的三件套是 Readwise、NotebookLM 和 Obsidian。過去，資訊在這三者之間的傳遞是線性且手動的：從 Readwise 匯出 highlight 到 Obsidian，搭配寫作的 idea 草稿再一起丟到 NotebookLM 消化。即使有些自動同步工具，也只是固定路徑的搬運，很難隨心所欲。
現在，這三個服務各自推出了 MCP、Skills 或 CLI 等 AI Native 的介面，Agent 就像是 pipe 一樣，工具彼此之間遵照協定與 Agent 串接，彼此的價值便能流通，創造更多可能。
資訊不再侷限於固定路線的單向流動，而是能在任意兩個工具之間，按需求串接、轉化、再組合。從線性的搬運，變成了網狀的協作。
//
三件套：Readwise × NotebookLM × Obsidian
在《高效寫作流: 從靈感到發佈》這期電子報中，我分享過自己的寫作流程：Sourcing → Stacking → Drafting → Writing → Publishing。其中用到的工具不少，但真正構成知識管理骨幹的，是三個角色分明的工具。
Readwise — 輸入層
Readwise 是我資訊輸入的第一道篩選層。看到值得深讀的長文，先丟進 Readwise；閱讀的時候，用 Highlight 把有感的段落標記起來。這些 highlights 會自動同步到 Obsidian，成為未來寫作的原料庫。
過去我在《產出導向的資訊整理術》中提過，我會按照電子報的主題分類來為 highlights 打標籤，讓這些閱讀痕跡不只是「被動累積」，而是帶有未來用途的素材。但老實說，大量的 highlights 堆在那裡，真正被重新翻出來用的比例並不高。
現在，Readwise 推出了 CLI，讓 Agent 可以直接用語義搜尋的方式，從上千筆 highlights 中撈出與當前寫作主題相關的素材 — 不再需要我自己記得「之前好像在哪裡讀過」。
.
NotebookLM — 連結層
NotebookLM 在我的流程中扮演的是「起筆」的關鍵角色。在《NotebookLM 創意寫作秘訣》中，我把這個階段比喻成創意的 ETL：Extract (從素材中快速掌握精要) → Transform (提取核心命題) → Load (為命題找到敘事結構）。
它的開發者 Steven Johnson 說得好：「不要花任何時間組織任何東西，只需把它們都放在一個地方，然後專注於產生想法。」NotebookLM 就是這樣一個地方：把素材丟進去，透過對話來理解、比較、連結，最後生成大綱。
除了文字對話，NotebookLM 還能將素材轉化成 Audio Overview（播客式的語音摘要）或 Infographic，用不同的感官形式來激發新的理解。現在它也開放了 MCP 介面，讓 Agent 可以直接建立 Notebook、匯入 sources、觸發生成。
更多 NotebookLM 心法，請跳轉《掌握 NotebookLM: 3 大心法與 9 組實戰提示詞》。
.
Obsidian — 產出層
最終的寫作發生在 Obsidian。我在《反向連結: 串連知識、迸發靈感的筆記革命》中聊過，反向連結打破了傳統階層式筆記的框架，讓知識可以像圖譜一樣有機生長：「一個概念不需要先隸屬於什麼才有意義，存在本身就是一種意義」。
每個寫作專案在 Obsidian 中就是一個資料夾：素材整理、大綱、草稿都在同一個地方。Obsidian 的 Skills 和 CLI 讓 Agent 可以直接在 Vault 中讀寫筆記，不需要我手動複製貼上。
.
三層的串聯
過去，這三個工具之間的搬運是手動的：將 Readwise highlight 同步進 Obsidian 整理，再丟進 NotebookLM 消化，然後再將討論出的大綱轉到 Obsidian 當中書寫。每次切換工具，Context 就流失一點，效率就打一次折扣。
現在，它們各自推出了 Agent 可調用的介面：
NotebookLM MCP CLI: https://github.com/jacob-bd/notebooklm-mcp-cli
Readwise CLI/Skills: https://github.com/readwiseio/readwise-skills
Obsidian CLI/Skills: https://github.com/kepano/obsidian-skills
讓 Agent 得以在這三層之間自由穿梭。接下來，讓我用這篇文章本身的產出過程，實際走一遍這個流程。
//
在一個對話視窗裡完成這篇文章
我使用的 Agent 是 Claude Code，一個在終端機中運行的 AI Agent。它可以透過 CLI、MCP 和 Skills 調用外部工具。整個寫作過程，都在同一個對話視窗中完成。
Step 1：從 Readwise 提取素材
我對 Claude 說：
我想寫一篇關於 Agent 作為膠水層的文章。幫我從 Readwise 搜尋相關的 highlights，看看我過去讀了哪些相關內容。
Agent 透過 Readwise CLI，用多個角度進行語義搜尋：「Agent 膠水層」、「自然語言取代 pipe」、「MCP 標準化」、「Agent 設計原則」。
從我上千筆 highlights 中撈出 20 多筆相關素材，並按 6 大主題自動分類：Agent 的調度本質、自然語言作為新 Pipe、Pipe 到 Platform 的範式轉移、MCP 標準化、Agent 的設計邊界、以及最後一哩路的防禦性。
這些素材橫跨了 Chip Huyen、Jenny Xiao、Sangeet Paul Choudary 等多位作者，有些是我半年前讀的文章，早已沉入記憶深處。
如果靠自己回想，大概只能撈回三四篇。但 Agent 不會忘記，它能從整座 highlight 倉庫中，用語義而非關鍵字來搜尋，喚醒那些「沉睡的知識」。
.
Step 2：存入 Obsidian 建立專案
接著我說：
把這些素材按主題整理好，存到 Obsidian 的專案資料夾裡，建一個 Readwise.md。附上每筆 highlight 的原文來源連結。
Agent 直接在 Obsidian vault 中建立檔案，將 20 多筆 highlights 按主題歸類，每段附上 Readwise 原文連結和文章出處。從搜尋到建檔，不需要開啟任何瀏覽器、不需要複製貼上，一氣呵成。
.
Step 3：送進 NotebookLM 做深度探索
然後我說：
把 Readwise.md 和裡面引用的原文連結一起送到 NotebookLM，建一個 notebook。順便生成一個 Audio Overview。
這一步最能體現膠水層的價值。Agent 先透過 MCP 在 NotebookLM 建立了一個名為「Agent 是膠水層」的 notebook，接著把 Readwise.md 作為第一個 source 匯入。
然後，它逐一將素材中引用的 19 篇原文 URL 加入 notebook，有些來源 Readwise 沒有存到原始連結，Agent 還自動用 Google 搜尋補齊。
20 個 sources 全部匯入後，Agent 觸發了 Audio Overview 的生成。在等待的同時，我們並沒有閒著，而是回到 Obsidian 繼續下一步。
.
Step 4：回到 Obsidian，開始寫作
最後我說：
在專案資料夾建一個
_Draft.md，我們來逐段寫這篇文章。每段先給我重點提示，我來口述，你幫我潤飾。
從這裡開始，Agent 的角色從「調度者」轉為「寫作協作者」。它根據 Readwise 素材和文章架構，為每個段落提供寫作提示和建議引用的 highlights。我口述觀點，它整理成文；我調整方向，它即時修改。整篇文章的骨肉，就在這一來一回之間逐漸成形。
//
人負責創造，系統負責記住
Agent 作為膠水層，大幅減少的是那些 routine 的操作：搜尋、搬運、格式化、觸發生成 — 但它並沒有取代我的思考。
在整個流程中，我的判斷依然扮演關鍵的決策角色。只是過程的摩擦力變得極低，讓我可以把注意力放在真正重要的事情上：篩選哪些素材值得用、從 NotebookLM 提供的連結與觀點中找到一個審美上合適的切入角度、再把自己的新想法 input 回去，調整整篇文章的方向。
最後在寫作的協作中，分工是這樣的：
AI 負責列大綱 — 基於素材，提供結構化的骨架
我用口語講述觀點 — 用自己的話說出我認為重要的事 (這邊順便推薦一下 Typeless 這個服務，用了它之後我幾乎很少在用鍵盤了，這篇電子報真的是跟 Agent “聊” 出來的)
AI 負責打磨文字 — 潤飾用字遣詞，讓表達更精準
人的價值沒有被取代，反而被凸顯了。當回溯與轉移的成本趨近於零，判斷力和創造力就成了唯一的瓶頸。
Agent 負責記住與連結，人負責判斷與創造。正是讓「知識複利」加速滾動的基礎。
//
意圖才是最珍貴的起點
你還記得三個月前讀的那篇文章裡，哪句話讓你停下來想了一下嗎？半年前標記的那段關於組織設計的觀點，現在寫到相關主題的時候，你能想起來嗎？
Agent 改變的正是這件事，你不需要記得那篇文章的標題或放在哪個資料夾，只需要描述你現在在想什麼，Agent 就能從整座 highlight 倉庫中，找到與你當下思路共振的素材。
過去的閱讀，為未來的創作提供彈藥。
但回到最初的起點，這篇文章的核心 idea 並不是 Agent 幫我想出來的。它來自我腦中的一個聯想：「Agent 透過 MCP/Skills/CLI 整合工具的方式，讓我想起了 Unix Pipe。」這個念頭觸發了我去 Readwise 裡搜尋相關筆記，然後才有了後面的一切。
Intention (意圖)，才是整件事最珍貴的起點。
你過去讀的每一篇文章、標記的每一段文字，都在潛意識中沉澱，慢慢形塑你的價值觀和思考方式。然後在某一天，它們化為靈光一閃的一個念頭。這個念頭不是搜尋得來的，不是 Agent 推薦的，而是你作為一個人，獨一無二的直覺。
Agent 膠水層的真正價值，是讓你從這個意圖出發，高效地調用過去所儲存的知識、鉅細靡遺的拼湊形狀可能相符的碎片，把直覺凝聚成作品。
知識複利的迴圈因此轉了起來：
閱讀 → 標記 → 沉澱 → 靈光一閃 → 喚醒 → 連結 → 產出 → 再閱讀
人類的意圖與判斷，驅動這個迴圈；Agent 的記憶與連結，加速這個迴圈。兩者缺一不可，但永遠是先有人的意圖，才有系統的執行。
//
🔍 工人智慧猜你也喜歡
與 Browny 聯繫
這是你第一次來嗎？ 訂閱 (免費)
在 LinkedIn 上追蹤我以獲得更多見解
進一步瞭解 Coffee Chat & 45分鐘職涯診斷與策略諮詢