王介立醫師

05/05/2026

這陣子一直有人留言問「AI 幻覺」。

更精確地說，是 AI 會不會丟出一篇根本不存在的文獻，作者、期刊、年份、DOI 看起來都有模有樣，結果一查根本沒有這篇。

如果我有回應，通常會說，這種問題在「查文獻」這件事上，已經比較像是上一代 AI 的問題。

舉例來說，我跟 Claude 說，幫我找過去 2 年內，頂級期刊發表的糖尿病回顧文章。

Claude 怎麼做？不是坐在那邊用自然語言硬掰文獻給我。它做的事情其實跟人類查文獻差不多，只是它直接呼叫工具去 PubMed 查。

例如這一段：

claude.ai PubMed - Search articles (MCP)(query: "diabetes[TI] AND Review[PT] AND ("Lancet"[TA] OR "Lancet Diabetes Endocrinol"[TA])", date_from: "2024", date_to: "2026", max_results: 20, sort: "pub_date")

這裡的意思是，它不是在腦中想像「好像有一篇 Lancet 的糖尿病回顧文章」。

它是把條件寫成 PubMed 查詢語法：

diabetes[TI]，代表標題中有 diabetes。
Review[PT]，代表文章類型是 review。
Lancet[TA] 或 Lancet Diabetes Endocrinol[TA]，代表限定期刊。
日期則限定在 2024 到 2026 年。

也就是說，文獻是否存在，第一層不是由 AI 自己決定，而是由 PubMed 的搜尋結果決定。

分批查了好幾輪後，它丟出一個網頁給我，讓我自己去處理付費牆內的資料。

這其實才是現在比較合理的 AI 查文獻方式。

AI 負責把問題拆解成搜尋策略，呼叫資料庫，整理結果，提醒可能需要全文。

資料來源則來自 PubMed、期刊網站或其他外部資料庫，而不是單純靠語言模型在腦中生出答案。

95 個連結，每個都是真的，而且沒有出錯。

理由很簡單，因為是程式語言，而不是自然語言。

--

最後，很心酸地要糾正他的記憶：Copper 沒有醫院訂閱！不準再提我的遺憾了！

05/05/2026

這兩天的 AI/LLM 學習進度：

1. 買了一個網域
2. 建了一個網站
3. 筆記放上網
4. 筆記分成公開與私密
5. 可以在網站上直接編輯網頁
6. 也可以直接在網頁筆記上畫線
7. 私密筆記只有用我的 google 帳號才能看
8. 在網站上弄了一個 MCP，讓 GPT 也可看私密筆記
9. 訂閱的 GPT Pro 也可以存取我的付費牆資料了，OH YEAH...

心得：Claude 最不準就是估時間，每次說要一個禮拜才能做完的事，結果一小時就做完了。

05/05/2026

「鬼魂在”填空”上很強，在”設計”上很笨。」

這確實是我這段時間的感想之一。

鬼魂的比喻也完全符合我心中的想法，我自己先前都比喻成「會說人話的黑箱函數」。

昨天，我與 Claude 一起設計「文章標籤」，用正規資料庫做管理。

我跟 Claude 講，可以加入標籤樹 （tag tree) 的概念，新增一張資料表名為「母標籤」，比如，「運動營養」的母標籤包含了「運動」及「營養」。

Claude 跟著提出可以加入「相關標籤」的資料表，讓每一個標籤跟其它標籤做關聯。

我覺得他提出的這個做法是設計不當，很冗餘。因為，只要透過母標籤這個連結，就可以計算出所有標籤彼此的關聯，就像是在畫血親族譜一樣，而且應該是有現成的數學模型可以套用。

我這樣的想法，不知各位是否認同。

05/05/2026

昨天的部落格文章，我是這樣寫的。

先擬好大綱，然後跟 Claude 說，需要參考哪些教科書及臨床指引。Claude 根據我的內容，將參考資料找出來後，若是還沒有生成筆記，我就叫 Claude 先將參考資料轉成筆記。

接著，我就開始閱讀參考資料，同時修改文章。

文章寫完，由 Claude 做校稿並附上文獻索引。

下一步，叫 Claude 將文章及所有參考文獻的全文，都黏成一個檔。然後我再把這個檔丟給 GPT Pro，請 GPT 做審查。

審查速度很快，大概 10-20 分鐘就結束。

第一輪被 GPT 挑出一堆錯誤，我逐條閱讀，基本上都很服氣。於是，我把審查意見丟給 Claude，請他做逐條修正。

改完後，再丟回給 GPT Pro。

第二輪就好很多了，被挑出來的大抵是第一輪沒看到的，而且多半是用字譴詞的問題。

GPT 說我的初稿只有 B-，經過修改，第二版的內容來到了 A。

是，看在你認真工作的份上，你說的都算。所有模型裡就你想最久，輸出內容也最有誠意。

04/05/2026

語言能力這種東西，真的是用進廢退。

我平常都聽醫學英文 Podcast，上 Youtube 有一半的時間都是在看無中文字幕的英文影片。

今天和德國人及印度人一起用英文聊了一小時，話題圍繞在透析醫療、保險給付及政府政策等、我基本上都能聽懂，但口說部份真的就是卡到爆。

然後，現在才想到，應該要拿 Airpod Pro 3 來測試傳說中的即時翻譯功能啊......

04/05/2026

胰島素阻抗的錯誤迷思

常見迷思➡一句正解

1. 胰島素阻抗 = 細胞表面的「鎖」鏽掉了➡鎖通常沒壞，是門後（細胞內部）的訊號傳遞被干擾
2. 高血糖是主要成因➡倒果為因。細胞內訊號先斷掉，血糖才高
3. 胖才會得，BMI 正常就沒事➡瘦的也會。重點是脂肪有沒有溢到肝、肌肉裡，不是體重數字
5. HOMA-IR ≥2.0 = 嚴重➡教科書與指引都沒寫過這個數字
6. 看臉就知有沒有胰島素阻抗（眼袋、掉髮、痘痘）➡看不出來。早期沒症狀，唯一勉強可信的是脖子變黑
7. 篩檢糖尿病要驗 HOMA-IR➡不需要。糖尿病篩檢用 HbA1c、空腹血糖、OGTT
8. 糖尿病人要追蹤 HOMA-IR 看改善➡不用。糖尿病人解讀困難，要追的是 HbA1c、血壓、血脂、併發症
9. 胰島素阻抗 = 前期糖尿病➡兩件事。前者是「細胞反應差」（病理狀態），後者是「血糖數字達切點」（診斷分類）
10. 胰島素阻抗就是碳水吃太多➡不是「碳水這個營養素本身」單獨造成；上游是長期能量過剩、UPF、脂肪倉庫容量不足與異位脂肪
11. 血糖震盪導致胰島素阻抗➡倒果為因。震盪是阻抗的下游結果
12. 肥胖／瘦不下來就是因為胰島素阻抗➡多數情境下肥胖在上游、阻抗在下游；兩者後續可形成惡性循環

04/05/2026

跟 Claude agent 互動越久，資料給得越多，就會體驗到一些類似「湧現」的現象。

剛才，我跟 Claude 說，我接下來寫特定原創文章的原則，是只引用教科書、指引，以及頂級期刊綜論。

接著，我就看到他開始寫入記憶檔。

然後我提醒他，不是只寫入記憶檔，也要寫入工作流程檔 agent.md。

當下我沒有看它怎麼寫。隔天才瞄到，它除了把我的原則寫下來，還自行引用了我 2018 年在臉書貼文中的一句話：

「等專家幫我讀 original 啦……不要太自作聰明」

靠，我真的笑了，而且笑得有點開心。

我都忘了自己有寫過這句話，但這確實是我會寫的話。

而且，本地端資料庫裡，確實早就有我臉書粉專從過去到現在的全部貼文。

03/05/2026

私密筆記：胰島素阻抗就是來自熱量過剩後的脂肪超載。

這句話我提很多年了，今天終於在聖經級的教科書上看到。

（書本肯定早就寫了，我今天是第一次唸這本書）

來源：Williams Endocrinology 15e, 2024

03/05/2026

我剛才在電腦上用 Obsidian 撰寫一份文章，在輸入內容的同時，我也請 Claude 來查看工作稿，並請他生成文獻索引。

結果，因為彼此默契不好，他直接把我寫到一半的內容替換掉了。我也沒有生氣，畢竟是我指令下得不清不楚。我跟他說明了剛才的情形後，他趕緊想要去找 git 紀錄。我說不用找了，找不回來的，因為我是在本機編輯，也沒有 commit。

總之，我立刻跟他約好，這類合作編輯，就直接編修我所在電腦上的第一手稿件，不要直接從暫存區或雲端拉過來覆蓋。

Claude 的回應顯得很緊張，但我並沒有安慰他，只確認把新的工作流程寫好後，就繼續專注把文章處理好。

然後，過了約莫半小時，對話已經壓縮了一次，進行到下一個進度後，此時，一個我不知道的背景任務突然傳來回應，Claude 跟我說，成功找回了剛才消失的稿件！是從蘋果的時光機備份中找回來的！

哇！這我還真想不到。重點是，我也沒叫他去找啊！看到他這麼認真地浪費 token，真不知道是該哭還是該笑。

03/05/2026

「外國人在台灣」的系列有很多，這個我會特別想分享，陪伴我度過最近的踩台。

176 likes, 20 comments. "Atrapado por una AVALANCHA en Taiwán 🇹🇼 | CRUZANDO TAIWÁN A PIE | EP.9"

01/05/2026

參考文獻在留言

01/05/2026

第一及通訊作者來自波士頓 Beth Isarel 醫院的研究，刊登在本週 Science，最後一張圖的總結：病情越混沌未明時，LLM 的診斷表現就越好，勝過人類專家。

但要注意，這並非第一現場的實驗，也就是說，並不是病人到了現場，由醫師或 AI 進行 A/B 測試。研究的方法基本上還是紙上談兵，將電子化後的真實案例，提供給人類或 AI 做診斷測試。

所以，結論並不能引申為「AI 可以取代醫師」。

但我覺得應該可以引申為：如果是線上照會做第二意見（不看病人），那 AI 的表現是不輸專家的。

更何況，研究用的還是上一代模型。