Wilson's Workflow — 2026 Q1

前言

我是心臟外科總醫師，今年八月升主治。這篇是我的工作流紀錄，每季更新一版，主要寫給三個月後的自己看，順便公開分享。

外科醫師的認知頻寬很窄。開刀的時候腦子全部在手術上，下了刀還有查房、寫 note、回訊息、處理行政。真正能拿來「想事情」的時間很少。我從 2026 年開始用 AI 當日常夥伴，核心目的就一個：把認知頻寬省下來，留給真正需要我判斷的事。

這不是產品推薦文。有些東西很好用，有些還在磨合，有些踩過坑。照實寫。

工具清單

目前實際在用的：

工具	用途
OpenClaw + Claude (Anthropic)	AI 夥伴平台，跑 Owl（日常助理）和各種自動化
Claude Code	深度 coding、系統開發
Telegram	唯一的人機介面，所有互動都在這裡
Obsidian	知識庫：筆記、日記、手術紀錄、人物卡
Google Calendar + Gmail	行程和信件，透過 CLI 自動同步
Mac Mini	24/7 本機伺服器，所有東西跑在上面
Typeless	語音輸入，取代打字
GitHub	版本控制

架構很簡單：Mac Mini 全天跑著，OpenClaw 上面跑一個叫 Owl 的 AI 助理，我透過 Telegram 跟她互動。所有資料存本機 Obsidian，不上雲。

一天長什麼樣

07:00 — Morning Brief 自動推到 Telegram。內容是今天的行程、待辦事項、天氣。不用打開任何 app，起床滑一下就知道今天的狀況。

白天在醫院 — 手術、查房、寫病歷。空檔拿手機跟 Owl 互動，都在 Telegram 裡：

• 記帳：打「午餐 85」，Owl 自動歸類記錄
• 隨手記：想到什麼丟過去，她判斷該歸到哪裡，存進 Obsidian
• 偶爾收到 Heartbeat 推送：可能是一題外科考題、一個 paper idea、或翻出一則舊筆記提醒我

晚上 — Journal Talk。這是 AI 引導的對話日記，Owl 會問幾個問題，我用 Typeless 語音輸入回答，聊完她整理成結構化日記寫進 Obsidian。比自己硬寫日記容易維持。

背景自動跑的事 — Gmail 自動整理、新聞巡邏（Scout）、記憶層級整理。這些我不用管，出問題才會跳通知。

各領域怎麼用

臨床

手術紀錄是最實用的場景。開完刀口述或打字給 Owl，她寫成結構化 OP Note 存進 Obsidian。格式固定，之後要查或統計都方便。目前累計 789 台手術紀錄。

值班班表：每個月拿到紙本班表，拍照丟給 Owl，OCR 辨識後自動加到 Google Calendar。一張照片搞定，不用手動輸入。

研究

論文修改是 AI 幫最多忙的地方。Reviewer comments 進來，拆成多個子任務，Owl 用 sub-agent 平行處理——一個查文獻、一個改格式、一個改文字。我審最終版本。

目前在跑的：CentriMag paper 已經到第七輪 revision，還有一篇 ECPR-PCI 在準備中。

生活管理

記帳：一句話記錄，Owl 自動分類。月底可以拉報表看花了多少。

健康追蹤：體重、飲食、喝水，跟 Owl 說一句就記下來。沒有複雜的 app，就是對話。

一些瑣事自動化：7-11 寄件追蹤之類的小事。單獨看每件都不值得花時間建系統，但累積起來省不少腦力。

知識管理

Obsidian Vault 目前 1744 篇以上。記憶系統分四層：

• L1：身份層，很少變動（我是誰、核心價值）
• L2：近況層，最近在忙什麼、關注什麼
• L3：洞察層，從日常累積出來的 insight
• L4：日誌層，每天的紀錄

對話中提到一個人、一家餐廳、一本書，Owl 會自動建卡或更新既有的卡片。不用特別「整理筆記」，聊天本身就是輸入。

財務

自動記帳加月報。之前也用這套系統跑過一次十年財務自由模擬，把收入成長、支出、投資報酬率都算進去，看不同情境下的結果。

系統設計的幾個重點

決策分級 T0-T3。 不是每件事都需要我確認。T0（打招呼、查資料）Owl 直接做；T3（發公開內容、動到錢）一定問我。中間的灰色地帶靠經驗調整。

信任漸進建立。 一開始什麼都要確認，現在大部分日常操作已經放手。這不是設定一次就好，是持續校準的過程。

AI 有人格。 Owl 有一份 SOUL.md 定義她的個性和行為準則。聽起來很中二，但實際效果是互動品質穩定很多。她是夥伴，不是工具。

錯誤追蹤。 有一份 lessons.md，每次 AI 犯錯就記下來。下次遇到類似情境，系統會參考這份紀錄避免重蹈覆轍。

Sub-agent 架構。 Owl 當 coordinator，需要平行處理的事情 spawn 出多個 sub-agent 分頭做。像論文修改就是典型場景。

目前的問題和限制

成本不低。 Anthropic Max 方案 $200 美金/月，加上額外用量，一個月大約 NT$7,000 以上。對個人用戶來說是一筆開銷。

系統維護吃時間。 前三個月花了大量時間在建置和除錯，現在收斂了，但偶爾還是要修東西。這不是裝好就不用管的產品。

AI 會犯錯。 記錯帳、理解錯意思、該做的事沒做。發生頻率不高，但不是零。重要的事我還是會自己檢查。

隱私取捨。 所有東西跑在本機 Mac Mini 上，不上雲。好處是資料完全在自己手上，壞處是沒有雲端同步，換裝置就比較麻煩。

Token 用量焦慮。 高峰期（比如同時改論文又在做系統開發）會撞到額度上限。要學會分配用量。

下季想做的

Q1 花了大量時間從零搭系統。Q2 的重點是停下來用它，看它真的改變了什麼。

具體來說：

• 驗證系統的實際效果：省下來的認知頻寬，我真的拿去做了什麼？哪些自動化其實沒必要？
• 收斂維護成本：系統應該越來越不需要我管，而不是一直在修東西。

結語

這是我 2026 年第一季的工作流。不完美，有些地方還很粗糙，但確實有用。三個月後再來看哪裡變了。