EngramQuest

指南

怎麼用 AI 在 Obsidian 裡學習:一步步的完整流程

重點整理

  • 讓 AI 產生學習材料,回想留給自己:一項近千名高中生參與的實地實驗中,練習時能無限制使用 GPT-4 的學生,拿掉 AI 之後考試成績比從沒用過的學生低 17%。[3]
  • 長期來看,回想勝過重讀:Roediger 與 Karpicke 的實驗裡,讀一次再回想三次,一週後還記得 61%;讀四次只剩 40%。[1]
  • 用 EngramQuest,對你本來就在用的 AI 工具說一句話,就能做出教材、影片、卡組、任務或地圖,而且全部以檔案存在你自己的 vault。
  • AI 完全可選:在筆記加上 #flashcards/主題 tag,寫一行 Q: 和一行 A:,就是一張會自動排程的閃卡。
  • 除了教學影片和情境回顧片要用 Claude Code 製作,其他每一步在 Claude Code、Codex、Gemini CLI、Cursor 或 Claude Desktop 都能做。

在 Obsidian 裡用 AI,多半停在聊天視窗。這篇用一個主題「手沖咖啡」從頭走到尾:從學習目標開始,做出教材、教學短片、附提示的閃卡、應用任務、Memory Map,再到間隔複習。每一步要對 AI 說哪句話、檔案存到哪裡,以及不讓 AI 替你學習的那條原則,都寫在裡面。

用 AI 學習時,哪些交給 AI、哪些該自己做?

材料交給 AI,記憶自己來。做一套課程、一副好問題、一個逼真的練習情境,都很花時間,而 AI 很擅長。從自己腦中把答案提取出來,才是真正建立記憶的那一步,這一步沒有任何工具能代勞。

最清楚的證據來自一項近千名高中數學學生參與的實地實驗。練習時可以用類似 ChatGPT 介面的 GPT-4,練習成績提升 48%;但拿掉 AI 之後,他們的考試成績比從沒用過的學生低 17%。另一組用的是「家教版」,提示詞專門設計來保護學習,練習成績提升 127%,而且大致避開了這個傷害。[3] 作者的解讀是:開放式聊天機器人成了拐杖,題目是它解的,學生自己沒有解。

設計會改變結果。哈佛大學一門物理入門課做了隨機交叉試驗(納入分析 194 人),AI 家教被設計成一步一步引導學生,提示詞裡事先寫好專家解法;結果學習增幅的中位數,是課堂主動學習的兩倍以上。[4] 這只是一所大學的一門課,作者也自己說明了這個限制,但它從另一面證實同一件事:AI 被設計成讓你動腦時,才幫得上忙。

兩個更早的研究說明了原因。自己產生的資訊,比單純讀到的記得更牢(生成效應)。[5] 提取答案比重讀更能強化記憶:在 Roediger 與 Karpicke 的實驗中,讀四遍的學生五分鐘後記得 83%,一週後只剩 40%;讀一遍再回想三遍的學生,則從 71% 只降到 61%。[1] 一篇大型學習技巧回顧,把練習測驗和分散練習評為最有用的兩種方法。[6]

分工很簡單:AI 負責生成,你負責提取。只要 AI 連複習題都替你回答,真正讓你學會的那一步就不見了。[3]

下面的流程都建立在這個分工上。和一般「AI 外掛推薦」清單不同的地方在於:這篇用真實的插件走完一整個實例,給你實際要說的句子、每一步寫進哪個資料夾,並用學習最在意的兩個問題,比較常見的幾種用法。

在 Obsidian 用 AI 學習,哪種方式真的有幫助?

差別不太在模型多聰明,而在兩件事:成果存在哪裡,以及你是不是還要自己回想。下表比較四種常見用法。前三種描述的是一般的使用型態,不是特定外掛,實際情況會依你選的工具而不同。

在 Obsidian 用 AI 學習的四種方式
側欄聊天從網頁聊天機器人複製貼上AI 只幫你做閃卡Skills 做法(EngramQuest)
內容存在哪聊天紀錄裡,除非你把回答存成筆記聊天機器人的紀錄裡;貼進來才進 vault卡片檔或卡片資料庫,看工具而定vault 裡的檔案:教材、影片、任務、地圖和卡片各有資料夾
誰來回想你可以,但答案只差一則訊息多半是讀答案,而不是回想卡片做好後是你你:先只看題目,再依序給最多三層提示,最後才是答案
先教再考要你自己開口要求要你自己開口要求沒有:卡片預設你已經懂了有:教材、教學短片和應用任務都在卡片之前
複習排程沒有內建沒有看閃卡工具而定每張卡都用 FSRS-5 排程
離線複習每次新回答都要模型(雲端或本機)貼進來的筆記可以離線卡片做好後通常可以可以:複習、教材、任務和做好的影片都是本機檔案
什麼會離開你的裝置看外掛:送到哪家、送哪些筆記、用誰的 key你貼的內容,送到聊天機器人的服務商送去給模型做卡的筆記插件本身不傳送任何筆記內容;你的 AI 工具會把它讀到的筆記送到自家服務商,依該工具的條款處理
AI 費用怎麼算不一定:自己的 API key、訂閱或本機模型你的聊天機器人方案看工具而定用你現有的 Claude Code、Codex、Gemini CLI、Cursor 或 Claude Desktop 方案;插件不收 API 費

每種方式都有它適合的地方。側欄聊天很適合邊寫筆記邊問問題;從聊天機器人複製一段解釋,偶爾用也沒問題;本機模型能讓所有資料留在自己電腦上。它們在學習上的共同弱點是:沒有東西逼你先答再看答案,也沒有東西在下週把這個概念帶回來。

用來學習時,關鍵不是哪個模型寫的,而是成果存在哪裡、複習時是誰在回答問題。

要怎麼設定?

安裝插件,替你的 AI 工具裝一次 skills,然後在 vault 資料夾裡跟那個工具說話。Skills 是放在 vault 裡、給 AI 工具讀的做法說明;插件本身從不呼叫 AI。

  1. 在 Obsidian 打開 Community plugins,搜尋 EngramQuest 並安裝。
  2. 到 設定 → EngramQuest → AI Skills,替你的工具按 安裝。Claude Code 的 skills 裝在 .claude/skills,Codex 和 Antigravity 共用 .agents/skills,Gemini CLI 是 .gemini/skills,Cursor 是 .cursor/skills。
  3. 從 vault 的資料夾打開你的 AI 工具,用一句話說你要什麼。
  4. 點左側 ribbon 的 EngramQuest 圖示打開 Hub,AI 做好的內容就在對應的分頁。

不想碰 terminal?用 Claude Desktop 貼一段設定提示就好:在 Hub 按 ?,展開「Skills 與 AI 工具」,按 複製設定提示。Claude Desktop 要先能讀寫你的 vault,例如透過官方的 filesystem MCP。各工具能做什麼,見 Claude Code 頁面。

手寫的路:一個 tag 決定牌組名稱,一組 Q: 和 A: 就是一張卡,牌組會出現在 Hub。五種卡片格式可以在同一篇筆記混用。
手寫的路:一個 tag 決定牌組名稱,一組 Q: 和 A: 就是一張卡,牌組會出現在 Hub。五種卡片格式可以在同一篇筆記混用。

實例(上):從目標到教材與教學影片

從目標出發,而不是從一堆資料出發:先讓 AI 做出教材,再做教學短片。這個實例是手沖咖啡,也就是本頁截圖裡看到的主題。要說的句子是插件自己指南裡建議的句子,只把主題換掉。

第 1 步:用一句話寫下目標

說清楚為什麼學、從哪裡開始。「每天早上沖出一杯自己喜歡的,從零開始」和「我開咖啡店,需要穩定出杯」會得到完全不同的課。如果你已經有這個主題的筆記,就一起提:教材 skill 會讀你的 vault,把課程和你已經寫過的東西接起來。

第 2 步:請 AI 建一套課(教材)

對你的 AI 工具說

我想學手沖咖啡,幫我建一套課程。我完全是新手,想每天早上沖出一杯自己喜歡的咖啡。

教材(Lesson Academy)skill 會先問你的目標和程度,再把課程大綱給你確認,確認後才開始寫課。改大綱很便宜,重新生成課程很貴。每一課都是在 Obsidian 裡讀的互動 HTML 頁面,最後都有小測驗。遇到變化快的技術主題,skill 會查網路並附上來源。課程存在 engram-quest/lessons/<課程>/:一個記錄進度的 meta.json,加上每課一個 HTML 檔。

這個實例的課程出現在教材分頁:從「器材與基本配方」到「設計你的招牌配方」共五課,每課都寫出學習目標和狀態,最後一課還在「待生成」。
這個實例的課程出現在教材分頁:從「器材與基本配方」到「設計你的招牌配方」共五課,每課都寫出學習目標和狀態,最後一課還在「待生成」。

按 新增課程 可以只寫課綱,一行一個課名,之後再請 AI 補內容,進度會延續下去。

第 3 步:加上教學短片(影片學院)

影片最適合需要「看見」的機制:水怎麼流過粉層、為什麼磨得越細萃取越多。在影片學院按 新系列,寫下想學什麼,再選要讓 AI 自動判斷相關筆記、用你拖進來的筆記,還是不使用筆記。插件會記下需求,給你一段貼進 Claude Code 的提示:

插件給你的提示

用 engram-quest-animated-course skill 製作影片學院的系列「手沖咖啡:萃取的秘密」,需求在 engram-quest/videos/<系列資料夾>/meta.json。

也可以不填表單,直接跟 Claude Code 說「把手沖咖啡的萃取做成教學影片」。Claude Code 會先給你看一次課綱(有哪幾課、每課學完能做什麼,如果還沒設定老師也會問),之後一路做到完成。做好的影片存在 engram-quest/videos/,出現在書架上。每支影片都切成短段落,背後有不錯的研究證據,詳見影片學院怎麼把筆記變成教學影片。[8]

影片學院書架上的實例系列「手沖咖啡:萃取的秘密」(兩支,由 Nico 講解),旁邊是 Git 系列和一筆待製作的需求。
影片學院書架上的實例系列「手沖咖啡:萃取的秘密」(兩支,由 Nico 講解),旁邊是 Git 系列和一筆待製作的需求。

實例(下):閃卡、任務、地圖與複習

理解之後,把主題變成逼你提取、應用、連結的東西,再交給排程把它帶回來。第一段講的分工,在這裡最重要:從這裡開始,答題的人是你。

第 4 步:做附提示的閃卡(Review Deck)

對你的 AI 工具說

把我手沖咖啡的筆記做成 Review Deck

如果你已經讀完課程,也可以請 AI 把整套課轉成 Review Deck 卡片。review-deck skill 把卡片寫進 engram-review/ai-cards/,提示寫進 engram-review/hints/,從不改動你的來源筆記。複習時,每張卡先只給題目(L1);卡住時,L2 從你自己的 vault 重建你第一次遇到這個概念的情境,L3 給關鍵字方向,但絕不給完整答案。複習途中可以直接修改卡片,看完答案再選重來、困難、普通或簡單。

Review Deck 裡的實例牌組「手沖咖啡」:共 22 張、現在可複習 9 張、已掌握 36%。可複習 = 到期 + 新卡。
Review Deck 裡的實例牌組「手沖咖啡」:共 22 張、現在可複習 9 張、已掌握 36%。可複習 = 到期 + 新卡。

第 5 步:練習用出來(Quest Map)

對你的 AI 工具說

把手沖咖啡的筆記做成 Quest Map,普通難度

任務把你放進沒看過的情境,真實的資料就在眼前,要你做出懂這件事的人會做的判斷,然後計分。難度分簡單、普通、困難,最後的 Boss Battle 考判斷和取捨。任務存在 engram-quest/quests/,分數存在 engram-quest/state/,所以 AI 更新關卡時不會洗掉你的進度。

Quest Map 裡的實例任務「沖出不苦的一杯」(普通,三個任務加一場 Boss 戰),Boss 已解鎖。
Quest Map 裡的實例任務「沖出不苦的一杯」(普通,三個任務加一場 Boss 戰),Boss 已解鎖。

第 6 步:看見概念怎麼連起來(Memory Map)

對你的 AI 工具說

幫 {你的萃取筆記}.md 建立 Memory Map

memory-map skill 用分組、類比和連到你既有筆記的連結,把主題畫成 Obsidian Canvas,存成筆記旁的 {筆記名}-memory.canvas;若你設定了 Memory Map 資料夾,就存在那裡。檔名這樣結尾的檔案都會出現在 Memory Map 分頁,複習時按 Memory Map 按鈕會打開這張卡對應的地圖。

Memory Map 分頁裡這個實例的「磨豆粗細」和「萃取原理」兩張地圖,旁邊還有 Git 和天文的地圖。
Memory Map 分頁裡這個實例的「磨豆粗細」和「萃取原理」兩張地圖,旁邊還有 Git 和天文的地圖。

第 7 步:每天複習幾分鐘(間隔複習)

打開 Review Deck,按 複習已就緒卡片。排程演算法 FSRS-5 估計每段記憶有多穩,在你快要忘記的時候把卡片帶回來,所以簡單的卡很少出現,難的卡常出現。[7] 把複習分散開來,效果勝過同樣次數的臨時抱佛腳;一篇整合數百個實驗的回顧,在各種保留時間都看到這個好處。[2] 從影片來的卡片有 回看這段 按鈕,答錯時可以直接回到那段講解。

流程停在「AI 幫我做好閃卡」只完成一半。記憶是在之後幾週,照著排程,一次一次提取出來的。[1][2]

月底還可以回頭看。情境回顧片會帶你走過那段期間讀過的東西,每個主題都附回想題。觀看已經做好的回顧片免費;製作新的回顧片屬於插件內的選購升級。

每一步的檔案存在哪裡?

每一步都把一般檔案寫進 vault 裡固定的資料夾,沒有一步會改動你的筆記。這讓材料真正屬於你:跟著你原本的同步方式走,沒有插件也讀得到。

這個實例對應的檔案
步驟說這句Skill存在哪裡Hub 分頁
教材我想學 {主題},幫我建一套課程lesson-academyengram-quest/lessons/教材
影片把 {主題} 做成教學影片animated-course(Claude Code)engram-quest/videos/影片學院
閃卡把我 {主題} 的筆記做成 Review Deckreview-deckengram-review/ai-cards/、engram-review/hints/Review Deck
任務把 {主題} 的筆記做成 Quest Mapquest-mapengram-quest/quests/(進度在 engram-quest/state/)Quest Map
地圖幫 {筆記}.md 建立 Memory Mapmemory-map筆記旁的 {筆記名}-memory.canvasMemory Map
複習不需要 AI無engram-review/sr/(排程,JSON 格式)Review Deck

實務上要注意一點:想在手機上看影片,同步工具也要同步 engram-quest/videos/ 裡的 mp4。如果用 git 同步,每支影片都會留在歷史紀錄裡,這個取捨最好在做第一個系列之前就決定。

每一步要花多久?可能出什麼問題?

插件的說明文件沒有公布生成時間,而且時間取決於你的 AI 工具、方案、主題和你要多少內容,所以這篇不猜。你能掌握的是檢查點在哪:教材 skill 會等你確認大綱,影片 skill 只在開工前問一次,之後一路做完。

老實說,有這些限制:

  • AI 會出錯。 教材 skill 遇到變化快的主題會查網路並附來源,複習時也能隨手修正卡片。但還是要帶著批判讀,數字尤其要核對。
  • 生成會用到你的 AI 方案額度。 插件不收 API 費,但一整套課或一個影片系列,會照常消耗你那個工具的用量。
  • 你的 AI 工具看得到它讀的筆記。 插件本身不把任何筆記內容送出去;你執行的 AI 工具會把它讀到的內容送到自家服務商,就像它做其他任何工作一樣。
  • 影片要用 Claude Code 和你的電腦。 影片 skill 的腳本在你的電腦上算圖,由 Claude Code 在終端機執行,插件從不執行它們。旁白預設用免費的 edge-tts,它不是 Microsoft 的官方 API,可能暫時無法使用;需要穩定的語音,改用 Gemini 或 Azure 並使用你自己的 key。
  • 別讓 AI 替你回答複習題。 一直答錯的卡,請 AI 解釋沒問題;複習當下直接要答案,就是第一段說的那根拐杖。

在 Obsidian 用 AI 學習,一定要用 Claude Code 嗎?

只有教學影片和情境回顧片需要。教材、Review Deck、Quest Map 和 Memory Map 在 Claude Code、Codex、Antigravity、Gemini CLI、Cursor 和 Claude Desktop 都一樣能做,因為每個工具讀的都是 vault 裡同一份 skill 說明。

影片 skill 不同,是因為它要在你的電腦上算出影片。它只裝到 Claude Code,按安裝時才從專案的 GitHub Releases 下載,包含腳本、圖片和音訊。如果你本來就在用 Claude Code,設定方式和其他 skill 一樣:在設定裡按一個按鈕。完整的工具對照表在 Claude Code 頁面。

Obsidian 加 Claude Code 就是一套完整的學習環境:Claude Code 把教材、影片、卡片和任務寫進你的 vault,Obsidian 是你讀、練、複習的地方。

接下來可以怎麼做?

挑一個這個月真的需要的主題,只做第 2、4、7 步:一套教材、一副卡、每天五分鐘複習。等這個循環跑順了,再加上影片、任務和地圖。延伸閱讀:

常見問題

在 Obsidian 用 AI 學習,最好的方式是什麼?

讓 AI 把目標或筆記變成學習材料(教材、影片、閃卡、應用任務),回想留給自己。以檔案存在 vault、並按間隔排程回來的材料,比聊天視窗裡的回答更能幫你記住。

有沒有能從筆記做閃卡的 Obsidian AI 外掛?

有。用 EngramQuest 時,對你的 AI 工具說「把我 {主題} 的筆記做成 Review Deck」,review-deck skill 會把附三層提示的卡片寫進 engram-review/ai-cards/,插件再用 FSRS-5 排程。

可以用 Claude Code 搭配 Obsidian 學習嗎?

可以。在 設定 → EngramQuest → AI Skills 替 Claude Code 安裝 skills,在 vault 資料夾打開 Claude Code,就能要教材、卡組、任務、Memory Map 或教學影片。影片和情境回顧片需要 Claude Code,其他在 Codex、Gemini CLI、Cursor、Claude Desktop 也能做。

EngramQuest 會把我的筆記傳出去嗎?

不會。插件在你的裝置上讀筆記,不傳送任何筆記內容。你的 AI 工具會讀你要它用的筆記,並依該工具的條款送到它自己的服務商。

一定要用 AI 嗎?

不用。在任何筆記加上 #flashcards/主題 tag,寫一行 Q: 和一行 A:,卡片就會出現在 Review Deck 並用 FSRS-5 排程。AI 只是讓做教材、影片、任務和地圖更快。

參考資料

文中每一個研究說法都對應到下列來源;預印本會特別標示。

  1. Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. doi.org/10.1111/j.1467-9280.2006.01693.x
  2. Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380. doi.org/10.1037/0033-2909.132.3.354
  3. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. doi.org/10.1073/pnas.2422633122
  4. Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. doi.org/10.1038/s41598-025-97652-6
  5. Slamecka, N. J., & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592–604. doi.org/10.1037/0278-7393.4.6.592
  6. Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. doi.org/10.1177/1529100612453266
  7. Ye, J., Su, J., & Cao, Y. (2022). A stochastic shortest path algorithm for optimizing spaced repetition scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '22). doi.org/10.1145/3534678.3539081
  8. Mayer, R. E. (2005). Principles for managing essential processing in multimedia learning: Segmenting, pretraining, and modality principles. In R. E. Mayer (Ed.), The Cambridge Handbook of Multimedia Learning (pp. 169–182). Cambridge University Press. doi.org/10.1017/CBO9780511816819.012

關於這篇文章

powen 是 EngramQuest 的開發者。EngramQuest 是免費的 Obsidian 外掛,把筆記變成教材、教學影片、練習任務和 FSRS 閃卡。這裡的文章由 AI 協助蒐集資料與起稿;引用的每一篇研究都對照過原始論文,外掛的細節來自外掛本身的文件與原始碼。

EngramQuest 如何運用記憶科學

把學到的留下來。

Obsidian 桌面版與手機版皆可免費使用。AI 可選。

免費社群插件 · 會打開 Obsidian。沒有反應? 從插件目錄安裝 (在新分頁開啟)