我怎麼跟 AI 整理二十多年的文章，重新建立個人網站

一開始，我只是想把舊網站備份下來。

我沒想到，這件事最後會變成一個新網站，也再次改變了我使用 AI 寫作的方式。

我最早的個人網站在 1999 年，架在大學社團的機器上。2005 年，我把網站搬到 hlb.yichi.org，繼續在那裡寫文章。後來網站沒有繼續維護，只剩 Internet Archive 的 Wayback Machine 保存下來的歷史版本。我原本以為，要把散落在網頁存檔裡的文章、圖片與附件救回來，應該會是一件很麻煩的事。

我請 AI 幫忙抓回舊網站的內容。結果過程意外地順利。

文章可以依照年份與網址整理，圖片和舊附件也能一起下載。遇到失效連結時，AI 會繼續找其他存檔或原始來源。這次數位考古比預期順利，我也開始想：既然舊網站可以救回來，那些散落在其他平台的內容呢？

Wayback Machine 保存的 2010 年寫作頁面。

從備份舊網站，變成重建一個家

離開舊網站之後，我陸續在 Tumblr、Medium、Substack 寫文章，也用 Notion 做個人網站。時間久了，我的內容也被拆散在不同地方。

我讓 AI 把這些來源的資料抓回來。除了文章，還包括圖片、YouTube 內嵌影片、活動紀錄、演講、Podcast 節目與專案資料，再整理成可以長期維護的內容。

接著我們重新規劃網站。我把分類方式從「內容原本放在哪個平台」，改成「讀者現在想讀什麼」。首頁先讓讀者知道我是誰，再依照他想解決的問題，提供不同的閱讀路徑。

例如「把 AI 用進工作與學習」、「打造產品與軟體」、「學習、溝通與成長」與「社群如何形成」。同一篇文章可以出現在不同路徑，因為讀者可能從不同問題走到同一份經驗。

這個網站最後透過 Cloudflare 公開上線。文章、圖片與網站程式碼都回到我可以管理的地方，Substack 則繼續負責既有的訂閱者與 Email 寄送。平台仍然有用，但網站不再依賴某一個平台才能存在。

讀完二十幾年的文章，先學會我怎麼說話

我原本就有一份給 AI 的寫作指南。這份指南記錄我怎麼思考與說明事情，也讓 AI 掌握我長期形成的寫作習慣。

資料搬回來之後，我讓 AI 讀完我過去二十幾年的文章，再比對近年的寫法，重新整理成一份給 AI 使用的代筆寫作指南。

例如先把發生的事講清楚，再談抽象原則；技術可以講深，但要替一般讀者翻譯；第一人稱用來說明親身經歷與判斷；結尾要回到實際選擇與影響，不要突然升高成一段誰都可以套用的道理。

裡面也記下很多只有與 AI 反覆合作才會發現的細節。我會直接刪掉制式的對比句型，也會拿掉一般讀者不需要知道的細節。這些修改看起來很小，累積起來才會接近我真正說話的方式。

這份指南讓後續合作有了共同基準。AI 不需要每次從零猜測我的語氣，我也可以把時間放在文章真正要說什麼。

用社群短文作為文章來源

接著，我使用 Computer Use，讓 AI 操作已登入的瀏覽器，讀取我整個上半年的 Facebook 貼文，整理哪些內容適合發展成個人網站文章。

它列出貼文，也整理原始網址、可能的文章角度、缺少的資料，以及哪些內容適合合併。最後產生一份分析報告，讓我可以決定先寫什麼。

第一篇是 SPAE 與「外星語翻譯機」。原始貼文只是我在 Generative AI 年會遇到研究者後，對一篇論文產生的興趣。這篇研究嘗試把圖片轉成大型語言模型看得懂的文字符號，就像先把圖片翻譯成一種「外星語」。AI 找到並讀完論文，從裡面挑出適合的圖，先寫成比較完整的研究解讀。

初稿太像寫給 AI 或機器學習工程師。我要求它改成一般讀者能讀懂的科普文章，拿掉不必要的模型名稱與實驗細節，也刪掉幾句不像我會說的暖場。最後再把 SPAE 連回我做 MeetAndy 時的經驗：把你要模型做的事，包裝成它現在看得懂、做得到的形式。

第二篇是 衡量成果，不是產出：為什麼 Token 用量不是 AI 績效指標。Token 是 AI 處理文字時使用的基本單位，也會影響使用成本。原始貼文只有一個很直接的判斷：把用了多少 Token 當 KPI，就像把幫公司燒掉多少錢當 KPI。

真正開始寫之後，我才補出完整的結構。高階管理者在意的是增收、省錢、客戶滿意、員工滿意與避險；導入成效可以從任務成效、流程採用與組織轉型三個層次觀察。AI 負責把零散補充整理成文章，我再逐段檢查哪些詞不像中文、哪些指標需要更精確、結尾應該讓讀者做什麼。

文章寫完後，我也可以直接透過 Codex 這個 AI 協作工具產生配圖，不必另外切到其他工具，事情簡單很多。但生圖同樣需要多次來回，最大的問題是我一開始也不知道自己要什麼。

一開始產生的圖片太抽象，我決定改成燃燒 Token 的場景。接著從「燒 Token」想到「This is fine」梗圖，也就是角色坐在失火的房間裡，仍然告訴自己一切都很好。後來我又把狗換成黑貓、三花貓，繼續修正伺服器與火爐的構圖，才得到現在文章裡的版本。

這些來回本來就是寫作的一部分。

有時要先看到不對的版本

我一直在探索用 AI 寫作。通常我還沒把文章想完整，就先請它整理素材。

很多時候，我只有一段貼文、一個判斷，或幾個還連不起來的想法。它先整理出一個版本，我看到之後才知道哪裡不對：這句太像 AI，那段太技術，這個例子才是重點，原本的結尾其實沒有回答文章真正的問題。

有時候 AI 沒聽懂，也得要一再解釋；更多時候，我也是看到第一版之後，才知道自己真正想寫什麼。

AI 很擅長閱讀大量資料、找回來源、整理結構、維持格式，也可以耐心地反覆重寫。我的工作是提供真正活過的經歷、判斷什麼值得留下，並且為最後寫出來的內容負責。

這個分工也延伸到網站本身。我們一起調整內容樣式、修復舊文章的圖片與排版，也逐篇刪掉今天已經沒有保留必要的內容。

網站完成之後，還要知道它健不健康

內容整理到一個階段後，我們又做了一份網站健康報告。

Lighthouse 是一套自動檢查網頁的工具，會從載入速度、無障礙、網頁開發最佳實務與搜尋引擎最佳化等面向替網站評分。無障礙指的是不同能力與使用方式的人，能不能順利閱讀與操作網站。我原本就知道這些網頁技術細節，也知道分數不夠時要從哪裡開始查，但要自己逐項修正、重新測試，把 Lighthouse 分數弄到滿分很累。

現在我可以把這個目標直接交給 AI。它會執行 Lighthouse、讀取結果、找出問題、修改網站，再重新測試。網站健康報告除了首頁、代表文章與關於頁的 Lighthouse 分數，也統計網站上的圖片、影片與下載檔，找出沒有被引用或體積過大的檔案，並列出可以繼續改善的地方。

後來這些檢查也被放進網站每次更新與上線的流程，避免內容越搬越多，網站卻在沒有人注意時慢慢壞掉。

這件事跟寫文章很像。產生結果只是第一步，還要能回頭檢查來源、發現問題、修正，再留下下一次可以重複使用的方法。

結語

我使用 AI 寫作的目的，是讓 AI 比我更清楚地把我的想法解釋給人們聽。

想法、經歷與判斷仍然是我的。AI 可以讀完二十幾年的文章，可以從上半年的 Facebook 貼文裡找出線索，也可以把散落各處的資料重新組成一個網站。當它寫得不對，我要能指出哪裡不對；當我還不知道要寫什麼，它可以先給我一個能繼續思考的版本。

最後，我們建立了新的 hlb.im，也建立一套我可以繼續寫作、整理、校正與保存自己想法的工作方式。