IVGraph
問題所在：為什麼 Notion 會淪為筆記墳場
我的 Notion 裡有超過 1800 個頁面，包含專案、會議筆記、閱讀清單、聯絡人資料庫、計畫和文章草稿。
聽起來是個井然有序的系統。但實際上，我卻找不到自己寫過的內容。我經常發現自己前後相隔三個月建立了內容重複的筆記。我忘了自己已經研究過某個主題，又從零開始研究。
問題不在 Notion。我們寫作時是線性的（一個頁面接著一個頁面），思考時卻是聯想式的（一個想法連結到另一個想法）。Notion 以資料夾的階層結構儲存資料。但知識不是階層結構，而是網絡。
你的 Notion「死了」的三個徵兆：
- 重複筆記。 你建立了一則筆記，卻不知道另一個頁面上已經有類似的筆記。
- 遺漏的關聯。 兩個專案有所重疊，但因為放在不同資料夾裡，你看不出它們的關聯。
- 手動搜尋。 每次需要資訊時，你都希望自己能想起正確的關鍵字。
如果你在 Notion 裡有超過 200 個頁面，很可能至少遇過其中一種情況。我一步步解決了這個問題。先用大型語言模型（LLM），再用圖譜。
為什麼 Claude + Notion 能打造最好的第二大腦
大多數第二大腦系統都只停留在記筆記。加入能讀取你 Notion 內容的 LLM，就能隨時找回所需資訊——Claude 能依語意找出相關頁面，而不是靠標籤。這就是 Notion 儲存庫與真正的 Notion 上的 LLM 維基之間的差別：維基能回答問題，儲存庫只是儲存內容。
實際上，Claude Notion 第二大腦包含三項功能：大型語言模型能透過 MCP 即時存取你的工作空間、能將內容寫回工作空間，還能跨工作階段記住先前的脈絡。一般的 ChatGPT 自訂 GPT 不具備其中任何一項功能。
2026 年的第二大腦：大型語言模型帶來了哪些改變
第二大腦的概念早在大型語言模型出現前數年就已存在。Tiago Forte 提出了 CODE 方法：蒐集、整理、提煉、表達。
直到 2025 年，這套流程在提煉階段之前都能順利運作。蒐集與整理——很簡單。從數百則筆記中提煉重點——就沒那麼容易了。總是沒有足夠的時間做這件事。
大型語言模型解決了這個瓶頸：
| 階段 | 以前 | 現在（搭配 LLM） |
|---|---|---|
| 蒐集 | 複製到 Notion | 照舊，另外由 LLM 自動蒐集 |
| 整理 | 手動歸入資料夾 | LLM 建議標籤與關聯 |
| 提煉 | 自己閱讀並標記重點 | LLM 產生摘要與維基頁面 |
| 表達 | 從零開始撰寫 | LLM 掌握你的整個知識庫，協助撰寫 |
大型語言模型（LLM）能讀遍你的整個知識庫，找出你會忽略的規律。不是因為它比較聰明，而是因為它不會累。
三個層次：來源、維基、圖譜
2026 年四月，曾任 Tesla AI 負責人、也是 OpenAI 創辦人之一的 Andrej Karpathy，公開了一套他稱為 LLM Wiki 的模式。概念很簡單：與其讓 LLM 每次都重新讀取原始文件，不如請它將你的資料預先編譯成結構化的維基。這套做法很快就在 AI 社群中獲得廣泛採用，而我自己的系統也是以此為基礎打造的。
┌─────────────────────────────────┐
│ 1. RAW SOURCES (immutable) │ PDFs, articles, transcripts
│ You only add │ LLM only reads
├─────────────────────────────────┤
│ 2. WIKI (LLM writes & maintains)│ Summaries, concepts,
│ You read and ask │ timelines, crosslinks
│ questions │
├─────────────────────────────────┤
│ 3. GRAPH (visualization) │ Nodes = pages
│ You explore visually │ Edges = connections
└─────────────────────────────────┘實際操作時，你把一份 PDF 報告放進資料夾。Claude Code 會讀取報告、擷取關鍵概念，建立包含摘要的維基頁面，並加入連往現有相關頁面的連結。
為什麼這比一般搜尋更好
標準做法（RAG）是在每次查詢時搜尋相關文字片段，將它們放入上下文，再產生回應。每次查詢都從零開始，不會累積任何資訊。
維基式的做法則不同。LLM 會將資訊整合一次，並儲存結果。下一次查詢會以已整合的內容為基礎。知識因此產生複利效應——就像複利，只不過累積的是資訊。
LLM 第二大腦與傳統個人知識管理（PKM）的比較
傳統的 PKM（個人知識管理）架構透過資料夾、標籤和 MOC 頁面來整理筆記。第二大腦 LLM 則更進一步，根據這些筆記回答問題。建構於其上的 3D 知識圖譜就是橋梁：它呈現 LLM 所看到的結構，讓你發現只靠肉眼會忽略的群集與缺口。
如果你搜尋 「llm 第二大腦」或 「第二大腦 llm」，期待找到比靜態範本更好的選擇——差別就在這裡。你的第二大腦終於有了推理迴路。
我的工具組合：Notion + Claude Code + IVGraph
我用自己的筆記嘗試這個方法時，整套工具是這樣搭配的：
| 組成項目 | 工具 | 用途 |
|---|---|---|
| 儲存 | Notion | 筆記、資料庫、文件 |
| 整合 | Claude Code | 閱讀、分析、產生維基 |
| 視覺化 | IVGraph | 呈現頁面之間連結的 3D 圖譜 |
Notion——因為我的 1800+ 個頁面都已經在這裡了。遷移到 Obsidian 得花上好幾個月的時間。
Claude Code — 直接在終端機中運作，原生支援讀取檔案，並能跨工作階段記住脈絡。它不是聊天機器人，而是能運用你的資料的工具。
IVGraph — Notion 不像 Obsidian，沒有內建圖譜。IVGraph 將你的工作空間轉換成互動式 3D 圖譜，並提供語意搜尋功能。
以 Notion 作為原始資料層
在這套系統中，Notion 是儲存層。你仍然照常在 Notion 中工作。唯一值得調整的做法，就是有意識地將頁面彼此連結。
| 連結類型 | 建立方式 | 範例 |
|---|---|---|
| 提及 | 在文字中輸入 @page_name | 「在 @團隊會議 中討論過」 |
| 關聯 | 資料庫屬性 | 專案 → 任務 |
| 上層頁面 | 巢狀頁面 | 資料夾 → 頁面 |
我有一個「專案」資料庫，裡面有 40+ 個專案。每個專案都透過關聯連結到「任務」資料庫。IVGraph 根據這些資料建立圖譜後，我發現其中 6 個專案形成了緊密的群集，儘管它們位於不同的資料夾中。這些資訊原本埋藏在關聯屬性裡，而我從未整體檢視過這些屬性。
你不需要特殊的架構或標籤，也不必把內容整理得井然有序。大型語言模型即使面對雜亂的內容，也能處理得很好。
Claude Code：整合資訊與找出關聯
Claude Code 在我的工作流程中扮演什麼角色
摘要與統整。 我上傳一份長篇文件 → Claude 產生摘要，並將摘要連結到現有筆記。上週我上傳了一份 40 頁的報告，只花 2 分鐘就得到一個頁面，包含 8 項重點，以及 4 個連到我筆記的連結，這些筆記的內容與報告中的發現有所重疊。
缺口分析。「我對分散式系統了解哪些內容？」→ Claude 檢視我的筆記，顯示哪些主題已涵蓋、哪些尚未涵蓋。
每週摘要。一週內的所有變動：新增的筆記、更新的專案、逾期任務。
交叉連結。 Claude 會找出應該互相連結、卻尚未連結的頁面。有一次，它找到了我已經忘記的兩篇 SEO 分析筆記，兩篇的撰寫時間相隔 4 個月。將它們連結起來後，我對整體有了更完整的了解。
如何將 LLM 整合至 Notion（透過 MCP）
透過 MCP（模型上下文協定），只需一個指令：
claude mcp add --transport http notion https://mcp.notion.com/mcp完成後，Claude Code 就能讀取頁面、建立新頁面、更新資料庫屬性，以及搜尋內容。如需了解所有連線選項，包括 Claude Desktop、Cursor、自行架設的伺服器與權限，請參閱我們的完整 Notion MCP 指南。
CLAUDE.md — 不必重複交代背景
放在專案根目錄的檔案，Claude Code 每次啟動時都會讀取：
# My Notion workspace
- Always cite the source when creating summaries
- Link new notes via @mentions
- Projects DB: 40+ projects, linked to Tasks via Relation不必每次都說明背景。記憶檔案也能在不同工作階段之間保留洞見，讓每個工作階段都能在前一個的基礎上持續累積。
圖譜——缺少的那塊拼圖
文字是線性的，資料庫呈表格形式，但知識是一張網。
圖譜帶給我的收穫
群集。1800 個頁面呈現在 3D 圖譜中，哪些群組連結緊密，一眼就看得出來。我的「行銷」和「資料分析」筆記形成了兩個獨立的群集，彼此之間只有一條連結。我幾秒內就發現了這一點；沒有圖譜的話，我可能好幾個月都不會注意到。
知識缺口。 如果兩個群集距離很近，彼此卻鮮少連結，那就是知識缺口。圖譜不只呈現你已知的內容，也讓你看見自己還不知道的部分。
意外的收穫。在 Notion 裡，你搜尋；在圖譜裡，你漫遊。我點了某個專案中的一個節點，注意到一個通往某篇早已忘記的筆記的連結——就這樣找到了讓我卡關一週的問題的解法。
運作方式
- 透過 OAuth 連接 Notion
- IVGraph 同步資料（頁面、資料庫、屬性、連結）
- 建立圖譜：節點 = 頁面，連線 = 提及／關聯／父子關係
- 以互動式 3D 呈現
同步採用增量方式。首次匯入 1800 個頁面約需 5 分鐘，之後只會更新有變更的內容。
我的日常工作流程
早晨（5 分鐘）
我打開 IVGraph，馬上就能看到哪些筆記更新了，再查看目前專案的群集。如果有內容吸引我的注意，就點開來讀。早上花 5 分鐘，之後就能省下一小時的搜尋時間。
主題研究（15-30 分鐘）
為討論 SEO 策略做準備：
- 在 IVGraph 搜尋「SEO」——語意搜尋不只會找到含有這個詞的頁面，也會找出語意相關的頁面
- 從圖中找出群集——看看哪些主題彼此接近、哪些相距較遠
- 問 Claude Code：「從這 12 個頁面整理出我對 SEO 的所有知識，指出其中的缺口」
- Claude 回覆：「你沒有任何針對 SPAs 的技術 SEO 內容」
- 現在我清楚知道該研究什麼了
週日回顧（30 分鐘）
- Claude Code 分析這週新增的筆記（通常有 5-15 個頁面）
- 建議交叉連結——經常能找出 3-5 個我沒想到的連結
- 更新有變動的主題摘要
- 我檢閱並確認
真正的價值不在於連結本身，而在於我會定期從整體的視角檢視自己的知識庫。
Notion 與 Obsidian：該怎麼選？
| 比較項目 | Obsidian | Notion |
|---|---|---|
| 檔案 | Markdown（本機） | 雲端（API） |
| LLM 存取 | 直接存取 | 透過 MCP |
| 圖譜 | 2D（內建） | 3D（透過 IVGraph） |
| 協作 | Git / Sync | 內建 |
| 資料庫 | 無 | 原生支援 |
Obsidian——適合獨自工作、想要完全掌控的人。它有 Smart Connections（語意搜尋）、Copilot（RAG 對話）、claude-obsidian（維基＋自動研究）。如果我從零開始，大概會選它。
Notion — 如果你有團隊、真正的資料庫，而且資料已經在 Notion 裡。
我試著混合使用了三個月，後來又回到只用 Notion——兩套儲存系統造成的問題比解決的問題還多。
使用限制與入門指南
哪些方法行不通
LLM 會出錯。 Claude 曾把「Python 裝飾器」和「室內裝潢」連在一起，因為兩者都包含「decorator」這個字。請務必確認自動建立的交叉連結是否正確。
上下文容量有限。Claude 無法一次讀取全部 1800 個頁面。解決方式是查詢某個節點在 1-3 次跳轉內可達的鄰近節點，而非整個知識庫。
首次設定需要 15-30 分鐘。雖然無法立即完成，但只需設定一次。
前幾次使用時，3D 圖譜會讓你迷失方向。之後，你就能快速瀏覽。
我最大的心得是：別怕筆記雜亂。LLM 和圖譜能從看似混亂的內容中梳理出結構。
15 分鐘，三步驟
1. 將 Claude Code 連接至 Notion（5 分鐘）
claude mcp add --transport http notion https://mcp.notion.com/mcp2. 試著進行第一次查詢（5 分鐘）
「讀取我的 Notion 工作空間。找出 5 個語意相關、但彼此沒有連結的頁面。」
3. 將連結視覺化（5 分鐘）
前往 ivgraph.com，連結你的工作空間。
找出孤立的節點——那些就是被遺忘的筆記。點選最大的節點——那就是你的知識「樞紐」。從那裡開始，動手試試看。
先從圖譜開始，再搭配大型語言模型（LLM），兩週左右，你就會發現自己運用筆記的方式已經截然不同。
把 Notion 當作原始輸入資料、Claude Code 當作撰寫者，圖譜則作為索引。這套組合——一套適用於 Notion 的 LLM 維基，再加上 3D 知識圖譜——正是本文從頭到尾完整記錄的架構。同樣的配置也說明了為什麼人們會搜尋 「知識圖譜 Claude」：圖譜是 Claude 進行推理的依據，不只是裝飾。
常見問題
什麼是 LLM wiki？
LLM wiki 是由 LLM 為你編纂並維護的知識庫：模型不會在每次查詢時重新閱讀原始文件，而是事先將文件整理成結構化、彼此交互連結的 wiki 頁面，再根據這一層內容回答問題。這個詞源自 Andrej Karpathy 在 2026 年 4 月描述此模式的筆記；本文則以 Notion 為基礎，實作這個模式。若想完整了解這個概念本身，包括架構、與 RAG 的比較，以及建置方式，請參閱〈什麼是 LLM Wiki？解析 Karpathy 的模式〉。
LLM 維基與第二大腦有什麼不同？
第二大腦是一種更廣泛的知識管理實踐，將知識儲存、整理在大腦之外（Tiago Forte 的 CODE 方法）。LLM 維基則是將其中的提煉階段交由 LLM 執行的成果：由模型撰寫並維護摘要、交叉連結和時間軸。簡單來說，每個 LLM 維基都是第二大腦的一部分，但並非每個第二大腦的維基層都由 LLM 撰寫。
不用 Claude 也能建立 LLM 維基嗎？
可以。只要模型能透過 MCP 或 API 讀取你的工作空間，並將頁面寫回，就能使用這套方法，不受特定模型限制。Claude Code 最適合我的使用環境，因為它能在終端機中執行、跨工作階段保留上下文，而且只需一個 MCP 指令就能連接 Notion。開發者也可以透過 IVGraph LLM API 直接查詢圖譜層。
該從哪裡開始？
如果你的工作空間已經在 Notion 上：先連接圖譜（需 3 分鐘，500 個節點以內免費），再將 MCP 連線加入你的大型語言模型（LLM）。如果你還在挑選工具，可以先閱讀Notion 有圖譜檢視嗎？和Notion 知識圖譜終極指南。