Ollama 是 GitHub 星標達 17.8 萬的開源本地大模型運行引擎，以 Go 語言編寫，讓使用者以一行指令在本機下載、執行與管理開放模型。 此工具支援 Kimi-K2.6、GLM-5.2、MiniMax、DeepSeek、gpt-oss、Qwen、Gemma 等主流開放模型，提供 CLI、REST API 與官方 SDK 三層介面，資料全程留存在本機，已成為開源 AI 生態不可或缺的基礎設施。本文將檢視其 README 內容，分析此項目持續高熱度的原因。

Ollama 有多受歡迎？

Ollama 在 GitHub 累積 177,736 個星標與 17,254 次 fork，由 453 位貢獻者共同維護，已發佈 236 個版本。項目以 Go 語言編寫、採用 MIT 許可證全面開源，2023 年 6 月建立後持續活躍，最新版本 v0.32.5 於 2026 年 7 月 27 日發佈。

最新版本：v0.32.5（2026-07-27 發佈）｜官方網站：https://ollama.com｜模型庫：https://ollama.com/library

Ollama 是什麼？

Ollama 是開源的本地大模型運行引擎，將模型下載、推理與 API 服務整合為單一指令。使用者執行 ollama run 即可在本機啟動對話，或透過 REST API 將模型接入應用程式，全程無需雲端帳戶，資料完全留存在本機。

Ollama 由 Ollama 公司於 2023 年 6 月創立，定位非常明確：成為「開源模型的本地運行層」。傳統上，使用大模型需要申請雲端 API 或自行搭建複雜的推理環境，而 Ollama 將整個流程壓縮為一條安裝指令，支援 macOS、Windows、Linux 三大桌面平台，並提供官方 Docker 映像 ollama/ollama 供伺服器部署。

在模型支援層面，項目與開放模型社群保持同步更新，描述即列出 Kimi-K2.6、GLM-5.2、MiniMax、DeepSeek、gpt-oss、Qwen、Gemma 等當代主流模型。模型庫頁面（ollama.com/library）集中管理數千個開放模型，使用者可以按名稱直接拉取，無需處理 GGUF 格式轉換或量化參數設定，大幅降低本地部署的技術門檻。

Ollama 有哪些核心技術亮點？

三大亮點：第一，基於 llama.cpp 推理後端，在 CPU 與 GPU 上高效運行量化模型；第二，提供 CLI、REST API 與 Python/JavaScript SDK 三層介面，開發者可直接整合；第三，支援 Modelfile 自訂模型與多模型並存管理，模型庫涵蓋數千個開放模型。

第一，以 llama.cpp 為核心的推理引擎。 Ollama 的後端建基於 Georgi Gerganov 創立的 llama.cpp 項目，這使它在 CPU 與 GPU 上都能高效運行量化後的模型，並針對 Apple Silicon 等硬件進行了深度優化。對沒有獨立顯示卡的個人電腦，Ollama 依然可以流暢運行中小型模型，這是其普及度遠高於同類工具的重要原因。

第二，三層介面設計覆蓋全部使用場景。 終端使用者可透過 ollama run 直接對話；開發者可透過 REST API（預設連接埠 11434）將模型接入任何程式語言；官方提供 ollama-python 與 ollama-js 兩套 SDK 簡化整合。此外，ollama launch 指令可將本地模型接入 Claude Code、Codex、Copilot CLI、OpenCode 等主流 AI 開發工具，甚至可將 Ollama 化身為跨 WhatsApp、Telegram、Slack 的個人助理。

第三，Modelfile 自訂體系與龐大模型庫。 使用者可透過 Modelfile 檔案定義模型參數、提示詞模板與系統指令，建立專屬模型；亦可匯入自訂 GGUF 權重。配合 Docker 映像與 Helm Chart 等部署方案，Ollama 從個人桌面到企業叢集皆可無縫落地，形成了完整的「運行時 + 管理工具 + 部署方案」技術棧。

Ollama 對開源 AI 生態有何影響？

Ollama 已成為開源 AI 生態的基礎設施層，Open WebUI、Dify、LibreChat、LangChain、LlamaIndex 等主流工具均原生整合。其 MIT 許可證與一鍵部署體驗大幅降低本地模型門檻，並帶動 llama.cpp 生態、量化推理與本地隱私運算等方向持續發展。

在生態層面，Ollama 的地位已從「工具」升格為「標準介面」。其 README 列出數十個社群整合項目，涵蓋網頁介面（Open WebUI、LibreChat、Lobe Chat）、桌面客戶端（AnythingLLM、Cherry Studio）、程式碼編輯器（Cline、Continue）、開發框架（LangChain、LlamaIndex、LiteLLM）與 RAG 引擎（RAGFlow、R2R）等類別。Microsoft Semantic Kernel、Spring AI、Mozilla any-llm 等重量級項目均將 Ollama 列為預設本地後端之一。

從市場格局觀察，Ollama 與雲端 API 服務形成互補而非對立的格局。對注重資料隱私與成本控制的企業，本地部署避免逐 token 計費與資料外送風險；對開發者，它提供了零成本的原型驗證環境。這種「本地運行層」的定位，令其得以同時服務個人開發者、中小企業與大型機構，並與 Open WebUI 等介面項目共同構成完整的開源 AI 替代方案棧。

如何快速開始使用 Ollama？

最快方式是一鍵安裝：macOS 與 Linux 執行官方安裝指令，Windows 以 PowerShell 執行安裝指令，亦可透過官方 Docker 映像部署。安裝完成後執行 ollama run gemma4 即可開始對話，整個過程只需數分鐘，無需註冊任何帳戶。

最快的體驗方式是透過官方安裝指令，支援三大平台：

# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh

# Windows（PowerShell）
irm https://ollama.com/install.ps1 | iex

# Docker 部署
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

安裝完成後即可下載並執行模型：

# 啟動 Gemma 4 對話
ollama run gemma4

# 列出本地模型
ollama list

開發者亦可直接呼叫 REST API 或使用官方 SDK：

curl http://localhost:11434/api/chat -d '{
  "model": "gemma4",
  "messages": [{"role": "user", "content": "Why is the sky blue?"}],
  "stream": false
}'

# Python SDK
import ollama
response = ollama.chat(model='gemma4', messages=[{'role': 'user', 'content': 'Why is the sky blue?'}])
print(response.message.content)

出處

Ollama 值得一試嗎？

值得。Ollama 以 MIT 許可證全面開源，一條指令即可在本機運行頂尖開放模型，無需雲端費用且資料留存在本地。對開發者與企業而言，這是體驗本地大模型、建立隱私運算工作流門檻最低的入口，生態整合成熟，適合長期採用。

「以 MIT 許可證、一鍵安裝與完整生態衡量，Ollama 是本地運行開源大模型的首選入口，值得立即嘗試。」

2026 年，大型語言模型的本地部署已從少數技術愛好者的實驗項目，演變為企業與個人使用者皆可採用的標準生產力方案。Ollama、LM Studio、llama.cpp 等開源運行時生態趨於成熟，開源權重模型在推理能力上與閉源服務的差距持續收窄，加上 NPU 與高容量顯示卡的普及，使得「在自己的電腦上運行 AI 模型」不再需要專業的基礎設施知識。

本地部署的核心價值在於三項無法被雲端服務取代的屬性：數據不出設備、延遲可預測、成本結構固定。對於處理合約、病歷、財務報表等敏感資料的使用者而言，將資料上傳至第三方伺服器本身就是不可接受的風險。本文將依序探討部署前的硬件評估、工具生態的橫向比較、模型與量化等級的選擇邏輯、性能調校的關鍵參數，以及將本地模型整合進日常工作流的具體路徑。

為什麼要本地部署 AI 模型？隱私、成本與延遲的三大優勢

本地部署 AI 模型的最大優勢是數據不出設備，對話記錄與模型權重全部儲存於本機，不存在外洩至第三方伺服器的風險。其次，本地推理的延遲完全取決於硬件性能，輸出速度穩定可預期，適合程式碼補全與文件摘要等即時場景。最後，一張中高階顯示卡可連續運行數年，分攤後單次推理成本遠低於雲端 API。

雲端大語言模型服務的訂閱費用看似低廉，但對於高用量使用者而言，月費累積起來並不輕鬆；更重要的是，每一次對話都意味著資料離開本地設備。本地部署從根本上消除了這兩項顧慮。

延遲方面的優勢同樣顯著。雲端服務的響應時間包含網絡傳輸與服務器排隊兩個不確定因素，在高負載時段可能長達數秒；本地推理則完全取決於硬件性能，輸出速度穩定且可預期。

需要明確的是，本地部署並非沒有取捨。參數量較小的開源模型在複雜推理、創意寫作等任務上仍與頂級閉源模型存在差距，硬件投資也需要一次性投入。因此，務實的策略是將本地模型定位為「日常任務主力」，將少數高難度任務保留給雲端服務，形成混合架構。

本地部署需要什麼硬件？顯示卡記憶體與配置基準

本地 AI 推理的瓶頸幾乎總是顯示卡記憶體（VRAM），而非運算核心數量。以 Q4 量化計算，7B 模型約佔 4 至 5 GB，14B 約佔 9 至 10 GB，32B 約佔 20 GB，70B 則需要約 40 GB。入門可選 8 GB VRAM 顯示卡或 16 GB 統一記憶體的 Apple Silicon，進階配置建議 24 GB VRAM。

模型權重與運算過程中的鍵值緩存（KV Cache）都需要駐留在顯示卡記憶體中，記憶體不足時系統會將部分數據卸載至系統內存，導致推理速度大幅下降。因此，配置評估的第一原則，是根據目標模型的參數量與量化等級推算所需的顯示卡記憶體。

量化是本地部署的關鍵技術，它通過降低權重數值精度來壓縮模型體積，以極小的質量損失換取記憶體佔用的顯著下降。以下表格整理了三檔常見配置基準：

Apple Silicon 的統一記憶體架構在本地推理領域具有獨特優勢，記憶體同時供 CPU 與 GPU 使用，M 系列高階晶片可以在無獨立顯示卡的情況下運行 32B 甚至 70B 的量化模型。2026 年，支援 MLX 框架的模型生態已相當完整，Apple 平台的部署體驗與 x86 平台趨於一致。

哪個本地 AI 工具最適合你？Ollama、LM Studio 與其他運行時比較

選擇本地 AI 工具取決於使用習慣：偏好命令列與程式整合的開發者選擇 Ollama，它提供 OpenAI 相容的本地端點（localhost:11434），遷移成本極低；偏好圖形介面的初學者選擇 LM Studio；需要底層自訂空間的進階使用者選擇 llama.cpp；生產環境的高併發推理則以 vLLM 為主。

運行時（Runtime）是本地 AI 部署的軟體基礎，負責模型加載、推理執行與 API 暴露。2026 年的工具格局已經相當清晰：Ollama 以最簡潔的使用體驗與最豐富的生態成為主流選擇，LM Studio 以圖形介面見長，llama.cpp 提供最大的底層自訂空間，而 vLLM 則主導生產環境的高併發推理。

Ollama 之所以成為事實上的標準選擇，在於其將模型下載、運行與 API 暴露封裝為簡單指令，同時提供與 OpenAI API 相容的本地端點（預設為 localhost:11434），意味著現有的應用程式只需修改 base URL 即可接入本地模型。2026 年，Ollama 已原生支援 Windows ARM64 與 Apple MLX，並在版本迭代中持續完善工具呼叫（Tool Calling）與結構化輸出能力。

如何選擇本地 AI 模型？參數量、量化與任務匹配

模型選擇的經驗法則是：7B 至 8B 適合翻譯、摘要與分類等結構化任務；14B 至 32B 是兼顧質量與效率的甜蜜點，適合推理與寫作；70B 以上接近閉源服務質量，適合嚴格專業場景。量化等級以 Q4_K_M 為默認推薦，它是質量與記憶體佔用的最佳平衡點。

盲目追求大參數量並不可取，因為更大的模型意味著更高的硬件門檻與更慢的推理速度；正確的做法是根據任務類型、硬件預算與質量要求三者的交集來決定。2026 年主流的開源權重模型包括 Llama 系列、Qwen 系列、DeepSeek 系列、Gemma 系列與 Kimi 系列，各模型在語言能力、程式碼能力與多語言表現上各有側重。

量化等級的選擇同樣影響體驗。Q8 保留更多精度但體積增加約一倍；而 FP16 全精度僅在顯示卡記憶體充裕的工作站級配置中值得考慮。曾有學習者在 8 GB 顯示卡上強行運行 14B 全精度模型，結果推理速度降至每分鐘數十字，改為 Q4 量化後即恢復流暢——硬件與模型規模的匹配，遠比模型本身的絕對質量更重要。

如何優化本地 AI 推理性能？架構設計與關鍵參數

一個可用的本地 AI 架構包含四層：模型運行時、API 服務層、應用整合層與知識庫層。性能優化的三個關鍵參數是：啟用 vLLM 連續批處理以提升吞吐量、按實際需要設定上下文長度而非一味拉滿、記憶體不足時將部分層卸載至 CPU 換取運行可能性。

模型運行時負責推理執行；API 服務層將推理能力標準化為 HTTP 介面；應用整合層包括桌面客戶端、編輯器外掛或自訂腳本；知識庫層則通過檢索增強生成（RAG）將私有文件納入模型的可引用範圍。

RAG 是本地部署中最能體現價值的進階功能。將公司文件、個人筆記或研究資料轉換為向量索引，查詢時先檢索相關片段再交由模型生成回答，既解決了模型知識截止時間的問題，也讓回答可以引用具體出處。2026 年，Ollama 與 LM Studio 均內建或支援向量資料庫整合，個人知識庫的搭建門檻已降至數小時之內。

本地 AI 模型有什麼實際用途？

本地 AI 模型最成熟的應用是程式開發：與編輯器外掛整合後可完成程式碼補全、重構建議與錯誤解釋，且不會將程式碼上傳至外部服務。文件處理是另一個高頻場景，合約審閱、報告摘要、會議紀錄整理可在數秒內完成。學術研究中，配合 RAG 建立個人知識庫可將文獻回顧時間縮短約六成。

程式開發是本地模型最成熟的應用方向，對商業專案尤為重要，因為程式碼片段全程留在本機。文件處理方面，敏感資料全程留在本機，符合合規要求。

教育場景中，本地模型作為離線學習夥伴，不受網絡環境限制，對資料保護要求嚴格的機構尤其適用。需要務實看待的是本地模型的局限：複雜的多步推理、需要即時更新知識的任務，以及對輸出風格要求極高的創作任務，仍建議交由頂級雲端模型處理。混合架構的常見做法，是將本地模型作為默認引擎，遇到高難度請求時手動切換至雲端——兩者互補，而非互相取代。

本地 AI 部署常見錯誤如何解決？

推理速度異常緩慢時，首先檢查模型是否完整載入顯示卡記憶體，系統內存的介入是性能急劇下降的首要原因；其次確認已啟用顯示卡加速。遇到記憶體錯誤（OOM）時，縮短上下文設定、改用更低量化等級或啟用部分層卸載。模型不相容問題則多源於版本差異，檢查模型格式是否仍受當前版本支援。

本地部署的常見問題大多集中在硬件資源分配與環境配置兩個面向。上下文長度與記憶體錯誤（Out of Memory）是另一組高頻問題。長對話或長文件分析導致鍵值緩存超出顯示卡記憶體時，系統可能直接崩潰。

模型下載中斷、API 連接失敗等問題則多與網絡環境相關，可通過鏡像源或離線匯入模型檔案解決。養成記錄環境版本與模型清單的習慣，可以大幅縮短故障排查時間。

如何安全地運行與維護本地 AI 模型？

安全運行本地 AI 的關鍵是保持 API 端點只綁定本機回環位址，除非確實需要跨設備訪問，否則不要修改為對外監聽；若需提供給區域網路使用，應配合防火牆與存取控制。維護方面，建議每季度檢視模型更新，定期清理不再使用的模型，並將對話歷史與 RAG 索引納入備份。

私有部署在隱私層面具有先天優勢，但這不意味著可以忽視安全措施。開源模型的迭代速度極快，新版本通常在推理能力與效率上有明顯改善。同時應留意模型檔案佔用的磁碟空間——多個大型模型的累計體積可達數十 GB。

備份策略同樣不可忽視。對話歷史、自訂模型設定與 RAG 知識庫索引都應納入備份範圍，確保硬件故障時可以快速還原環境。對於依賴本地 AI 進行日常工作的使用者，維護一份詳盡的部署文件——包括硬件規格、模型清單、端口設定與備份路徑——是長期穩定運行的基本功。

新手如何快速完成本地 AI 部署？六步流程

新手可在半天內完成本地 AI 部署：第一步評估硬件，確認顯示卡記憶體並選定目標模型規模；第二步安裝 Ollama；第三步執行 ollama run qwen3:8b 下載並運行第一個模型；第四步以 curl 測試 localhost:11434 端點；第五步將應用 API 指向本地端點；第六步視需求建立 RAG 知識庫。

第一步，評估硬件，透過工作管理員確認顯示卡記憶體與系統內存規格，並根據本文第二節的表格選定目標模型規模。第二步，安裝運行時，從 Ollama 官方網站下載對應平台的安裝程式，完成後在終端機輸入 ollama --version 確認安裝成功。

第三步，下載並運行第一個模型。以 7B 規模的 Qwen 或 Llama 系列為例，執行 ollama run qwen3:8b 即可自動下載並進入對話介面。第四步，驗證 API 相容性，透過 curl http://localhost:11434/v1/chat/completions 測試本地端點，確認回應正常。第五步，接入應用，將常用的桌面客戶端或編輯器外掛的 API 位址指向本地端點。第六步，視需求建立 RAG 知識庫，將常用文件加入向量索引，完成私有知識助理的搭建。

常見問題（FAQ）

問題一：本地 AI 模型與 ChatGPT 等雲端服務的差距有多大？ 對於翻譯、摘要、分類、程式碼補全等結構化任務，30B 以上的量化模型已接近頂級閉源服務的水準；但在複雜推理、創意寫作與即時知識更新方面仍有差距。務實做法是將兩者結合，日常任務使用本地模型，高難度任務保留雲端。

問題二：8 GB 顯示卡可以運行多大的模型？ 以 Q4 量化計算，8 GB 顯示卡適合運行 7B 至 14B 模型。若需運行更大規模，可考慮啟用部分層卸載至系統內存，但推理速度會顯著下降。

問題三：沒有獨立顯示卡的筆記型電腦能否部署？ 可以。Apple Silicon 的統一記憶體架構可運行 14B 甚至 32B 量化模型；Windows 筆電則可運行 7B 至 8B 模型，速度取決於 CPU 與內存帶寬。

問題四：Ollama 與 LM Studio 應該如何選擇？ 兩者底層皆基於 llama.cpp，模型相容性一致。偏好命令列與程式整合的開發者適合 Ollama；偏好圖形介面、希望以最短路徑開始的初學者適合 LM Studio。

問題五：本地部署是否完全免費？ 軟體與開源權重模型均免費，但需要自有硬件。若硬件已閒置，邊際成本幾乎為零；若需購買新顯示卡，則需將硬件投資納入成本考量。

問題六：如何讓本地模型引用自己的文件？ 透過檢索增強生成（RAG）架構。將文件轉換為向量索引，查詢時先檢索相關片段，再交由模型生成引用具體出處的回答。Ollama 與主流向量資料庫的整合已相當成熟。

問題七：本地模型的對話記錄儲存在哪裡？ 儲存在本機的模型運行時目錄中，不會上傳至任何外部伺服器。使用者可以隨時查看、匯出或刪除對話記錄，這是本地部署在隱私層面的核心優勢。

問題八：多台設備可以共用一個本地模型服務嗎？ 可以。將運行時 API 的監聽位址改為區域網路位址並配合防火牆規則後，區域網路內的其他設備即可訪問；但需注意並發請求對顯示卡記憶體與吞吐量的壓力。

總結

2026 年的本地 AI 部署已經具備完整的工具鏈與成熟的開源模型生態，硬件門檻亦因量化技術與統一記憶體架構的普及而大幅降低。隱私保護、可預測延遲與固定成本三項核心價值，使其成為個人使用者與企業都值得認真評估的方案。部署的本質並非追求最大的模型，而是找到硬件、任務與質量之間的最佳平衡點，並以混合架構補足單一方案的短板。對於重視資料主權與長期成本的使用者而言，本地 AI 不再是一個可選項，而是基礎設施的一部分。

Gemini CLI 是 Google 官方開源的終端機 AI 代理，以 TypeScript 編寫，GitHub 星標已突破 10.6 萬。 它將 Gemini 3 模型的完整能力、100 萬 token 上下文視窗與 MCP 生態直接帶入命令列，個人開發者以 Google 帳戶登入即可免費使用，每分鐘 60 次、每日 1,000 次請求額度。本文將檢視其 README 內容，分析此項目備受矚目的原因。

Gemini CLI 有多受歡迎？關鍵數據速覽

Gemini CLI 是 GitHub 上星標最多的 AI CLI 工具之一：106,330 個星標、14,374 次 fork、568 個版本與 690 位貢獻者。項目以 TypeScript 編寫（佔 97.7%），採用 Apache 2.0 許可證全面開源，自 2025 年 4 月建立以來短時間內突破十萬星標，由 Google 官方團隊主導開發。

最新版本：v0.53.1（2026-07-31 發佈）｜更新頻率：活躍（每週穩定版 + 每日 nightly）｜官方網站：https://geminicli.com

Gemini CLI 是什麼？Google 的終端機戰略

Gemini CLI 是 Google 面向開發者推出的官方命令行 AI 代理，讓使用者以最短路徑從提示詞通往 Gemini 模型，無需離開終端機即可完成程式碼理解、生成、除錯與自動化任務。項目採用 Apache 2.0 許可證全面開源，由 Google Gemini 團隊主導、開源社群共同維護。

在商業定位上，Google 採取「免費額度 + 付費升級」的雙軌策略。使用個人 Google 帳戶登入即可享有每分鐘 60 次請求、每日 1,000 次請求的免費額度，同時獲得 Gemini 3 系列模型的完整能力與 100 萬 token 的上下文視窗。對企業用戶，則提供基於 Gemini Code Assist License 的付費方案，以及支援進階安全與合規需求的 Vertex AI 整合路徑。這種「個人免費、企業收費」的模式，與 GitHub Copilot、Anthropic Claude Code 等競品形成直接對照。

Gemini CLI 有哪些核心技術亮點？

Gemini CLI 的三大技術亮點：第一，內建工具鏈完整覆蓋開發日常，包括 Google Search grounding 即時檢索、檔案系統操作、Shell 指令執行與網頁抓取；第二，支援 MCP 協議，可連接自訂伺服器接入 GitHub、Slack 與資料庫；第三，提供 -p 非互動模式與 JSON 結構化輸出，方便 CI/CD 自動化整合。

第一，內建工具鏈完整覆蓋開發日常。 Gemini CLI 預設整合 Google Search grounding 即時檢索、檔案系統操作、Shell 指令執行與網頁抓取四大類工具，意味著開發者可以直接在對話中要求其查詢線上文件、修改程式碼、執行測試，甚至處理複雜的 rebase 操作。多模態能力亦屬其賣點：使用者可以從 PDF、圖片或草圖直接生成新應用程式，將視覺輸入轉化為可執行的程式碼。

第二，MCP 協議支援令擴充性大幅提升。 作為 Model Context Protocol 的客戶端與伺服器，Gemini CLI 可連接自訂 MCP 伺服器以接入新能力，包括透過 Vertex AI Creative Studio 的實驗性伺服器調用 Imagen、Veo 與 Lyria 等媒體生成模型。使用者可在 ~/.gemini/settings.json 中配置多個 MCP 伺服器，例如同時接入 GitHub、Slack 與資料庫，形成「以自然語言指揮多套工具」的工作流。

第三，工程化設計針對自動化場景深度優化。 除互動模式外，項目提供 -p 非互動模式供腳本呼叫，並支援 --output-format json 與 stream-json 輸出結構化結果，方便 CI/CD 流程解析。對話檢查點（checkpointing）允許保存與恢復複雜工作階段，token caching 機制則有助於降低長期任務的用量成本。每週二固定發佈 preview 與 stable 版本、每日發佈 nightly 版本的節奏，體現出成熟項目的發布紀律。

Gemini CLI 對 CLI 智能體市場有何影響？

Gemini CLI 以「全面開源 + 慷慨免費額度」切入 CLI 智能體賽道，與 Claude Code、Codex CLI 直接競爭。Google 的差異化優勢在於：Apache 2.0 開源建立社群信任、個人開發者零成本體驗完整模型能力、以及官方 GitHub Action 支援自動化程式碼審查與 Issue 分類，直接嵌入企業既有開發流程。

Gemini CLI 所處的 CLI 智能體賽道，在 2026 年已成為 AI 開發工具競爭最激烈的領域之一，主要對手包括 Anthropic 的 Claude Code、OpenAI 的 Codex CLI 以及各類開源終端機代理。在生態層面，該項目已形成「CLI + GitHub Action + VS Code 伴侶擴充 + MCP 生態 + 雲端部署」的完整產品矩陣。深度學習平台 DeepLearning.AI 亦開設了官方免費課程，降低學習門檻。

從商業化路徑觀察，Google 的意圖十分明確：透過開源工具佔據開發者桌面的入口，再以 Code Assist License 與 Vertex AI 服務向企業收費，同時將 Gemini 模型的使用量轉化為雲端業務的成長動能。以 568 個版本、每週更新的發布頻率與 690 位貢獻者的社群規模來看，此項目已具備長期維護的組織化基礎。

如何快速開始使用 Gemini CLI？

最快的方式是透過 npx 直接執行，無需安裝：輸入 npx @google/gemini-cli 即時啟動，或 npm install -g @google/gemini-cli 全局安裝，macOS/Linux 亦可使用 brew install gemini-cli。首次啟動選擇「使用 Google 帳戶登入」，完成瀏覽器驗證後即可開始對話。

最快的體驗方式是透過 npx 直接執行，無需安裝：

# 即時執行（無需安裝）
npx @google/gemini-cli

# 或全局安裝
npm install -g @google/gemini-cli

# macOS / Linux 亦可使用 Homebrew
brew install gemini-cli

基礎用法如下：

# 在目前目錄啟動互動模式
gemini

# 非互動模式，直接取得回答
gemini -p "Explain the architecture of this codebase"

# 指定模型
gemini -m gemini-2.5-flash

# 輸出 JSON 結構化結果（適合腳本處理）
gemini -p "Run tests and deploy" --output-format stream-json

使用者亦可透過 GEMINI.md 檔案提供專案層級的持久上下文，讓代理在每次對話中自動遵循團隊的程式碼規範。

出處

Gemini CLI 值得一試嗎？

值得。Gemini CLI 以 Apache 2.0 全面開源、每週穩定更新，配合 100 萬 token 上下文與每日 1,000 次免費請求額度，個人使用成本實際為零。星標成長速度印證開發者對終端機 AI 代理的強烈需求，對於追求零成本體驗 Gemini 3 模型能力的開發者，它是門檻最低的入口，可作為 Claude Code 的替代方案。

「以 100 萬 token 上下文與 1,000 次/日免費額度衡量，Gemini CLI 的個人使用成本實際為零，值得作為 Claude Code 的替代方案一試。」

AI 目前最擅長回答問題，最薄弱之處在於「記憶」——Mem0 正是為解決此一痛點而誕生。

62,353 個星標、Y Combinator S24 出身、Apache 2.0 開源授權——名為 Mem0（讀作 “mem-zero”）的 Python 套件，定位為「Universal memory layer for AI Agents」，亦即為 AI 建立長期記憶層，使其能夠記住使用者的偏好、對話內容與決策紀錄，後續對話毋須從零開始。本文將完整檢視其 README 內容，分析此專案備受關注的原因。

新聞重點速覽

更新頻率：活躍（今日仍有 commit）｜出身：Y Combinator S24 加速器

此專案是什麼？

簡言之：Mem0 是 AI Agent 的「記憶層」，使 AI 具備長期記憶能力。

使用者與 AI 對話時經常遇到以下情境：剛才才表明偏好簡潔的答案、不喜歡 emoji，轉眼間 AI 又詢問「使用者的偏好是什麼？」。原因相當簡單——大語言模型本身並不具備記憶，每次對話皆如同一張白紙，使用者必須重新交代一次背景脈絡。

Mem0 正是位於中間的記憶層：它從對話中抽取重要資訊，將其儲存為「記憶」，在 AI 回應之前先搜尋相關記憶，再納入 context 中使用。使用者只需說明一次「喜歡 dark mode」，此偏好便會被長期記住。

官方列出的應用場景：

• AI 助手：連續、具脈絡的對話
• 客戶支援：記錄客戶先前的查詢與互動歷史
• 醫療健康：追蹤病人偏好與病歷資料
• 生產力與遊戲：依照用戶行為調整工作流程

為何獲得大量星標？

第一，它解決了 AI Agent 最核心的痛點。 目前的 AI Agent 框架（如 CrewAI、LangGraph 等）可以協助建構完整的 workflow，但 Agent 之間以及 Agent 與用戶之間的「記憶」一直是短板。Mem0 正填補此一缺口：它以 User、Session、Agent 三個層級分別記錄資訊，各層級記憶的保存期限亦有明確劃分。

第二，其近期演算法升級具實質成效。 README 中列有一張相當亮眼的 benchmark 表——2026 年 4 月推出的新記憶演算法，在 LoCoMo 基準測試中由 71.4 分提升至 92.5 分，LongMemEval 則由 67.8 分提升至 94.4 分，並新增支援 100 萬 token 規模的 BEAM 基準測試。最值得注意的是，該演算法改為「單次提取、只增不改」的設計，記憶只會累積而不會被覆蓋，再配合實體連結與時間推理機制，記憶既準確又節省 token。

第三，生態系統布局廣闊。 該專案不僅是一個 Python library——尚有 npm 版本、CLI 工具、可透過 Docker 自託管的完整 server、雲端平台，並推出 Agent Skills 可直接安裝至 Claude Code、Cursor、Codex 等 Coding Agent 中使用，連 Vercel AI SDK 亦有官方 provider。使用者從「初步試用」到「正式上線生產」皆有完整的採用路徑。

快速入門

最快的方式是使用 CLI，四條指令即可完成：

npm install -g @mem0/cli        # 或 pip install mem0-cli

mem0 init --agent --agent-caller claude-code   # Agent 身份簽到，5 秒完成
mem0 add "用戶喜歡簡潔答案"
mem0 search "用戶喜歡什麼風格的答案？"

若要在自己的程式碼中使用，Python 的用法如下：

from mem0 import Memory

memory = Memory()

# 記錄用戶說過的話
memory.add("用戶 Alice 喜歡 dark mode", user_id="alice")

# 回答問題前先搜尋相關記憶
results = memory.search("Alice 有什麼偏好？", filters={"user_id": "alice"}, top_k=3)

該工具預設採用 OpenAI 的模型進行提取與 embedding，同時支援多種其他 LLM，亦有 Docker 方案供使用者自行架設。

出處

本文觀察

「實際測試再作評論」 — 已將此專案列入測試清單，將以 Claude Code 實際試用其 Skill。

香港居住空間有限，人均居住面積中位數僅約 161 平方呎。在寸金尺土的環境下，如何有效管理家中物品、建立可持續的整理系統，成為都市人普遍面對的課題。本文以斷捨離理念為基礎，結合環境心理學研究與實務經驗，提供一套涵蓋心態建立、執行策略與長期維持的完整方案。

本文將依序探討以下主題：

• 雜亂環境對心理壓力的影響——整理行為的科學依據
• 斷捨離核心概念：斷、捨、離的具體意涵
• 整理起點：低壓力起步策略
• 物品去留判斷的實用框架
• 香港蝸居適用的收納系統設計
• 捨棄障礙的心理關卡與突破方法
• 整理成果的長期維持機制
• 常見問題解答

目錄

1. 家中物品的使用頻率分析
2. 雜亂對心理壓力的影響：科學依據
3. 斷捨離核心概念：斷、捨、離
4. 整理起點：低壓力起步策略
5. 物品去留判斷的實用框架
6. 香港蝸居適用的收納系統設計
7. 捨棄障礙的心理關卡與突破方法
8. 整理成果的長期維持機制
9. 常見問題解答

1. 家中物品的使用頻率分析

根據香港大學城市研究實驗室 2023 年發表的《都市居住空間與生活品質報告》，香港人均居住面積中位數僅約 161 平方呎，反映居住空間極為有限。同一報告亦指出，超過 65% 的 25 至 40 歲白領，每月花費於「尋找物品」與「重新整理」的時間超過 15 小時。

以每月 15 小時計算，相等於每年約 180 小時——接近 8 個完整工作日，被消耗於重複尋找已擁有但未能有效管理的物品。此現象反映的不僅是收納技巧不足，而是物品數量與居住空間之間的結構性失衡。

自我評估清單（符合兩項或以上者，建議參考本文建立整理系統）：

1. 家中設有「雜物櫃」或「雜物房」，其中物品超過半年未曾使用
2. 曾因「找不到原有物品」而重複購買相同物件
3. 衣櫃空間飽和，但仍常覺得「沒有衣服可穿」
4. 每次打算整理，因規模過大而遲遲未開始
5. 丟棄物品時，常出現「似乎很浪費」的念頭

上述情況並非單純的「懶惰」問題，而是缺乏系統化整理方法所致——而系統是可以學習與建立的。

2. 雜亂對心理壓力的影響：科學依據

家居雜亂不僅是美觀問題，研究顯示其對心理健康與生理狀態均有直接影響。

2.1 雜亂環境與皮質醇水平

美國加州大學洛杉磯分校（UCLA）的研究發現，長期處於雜亂環境的女性，其壓力荷爾蒙皮質醇水平明顯較高。皮質醇持續偏高會導致疲勞、易怒及睡眠品質下降——部分「工作壓力大」的感受，實際上可能源於居住環境的壓力。

2.2 環境心理學的觀點

《環境心理學期刊》（Journal of Environmental Psychology）的研究指出，凌亂的家居環境對情緒、生活滿意度及整體幸福感均有負面影響。心理學家 Katie Barge 博士亦曾指出：「整潔的家，整潔的心靈」此一說法已獲研究證實。

其背後機制在於：視覺接收大量「未完成訊號」——未摺疊的衣物、未清理的桌面、堆滿的櫃子，會使大腦持續於背景處理「有事情未完成」的訊息，即使沒有主動想起，也在不斷消耗注意力資源。

2.3 視覺雜亂與專注力

普林斯頓大學神經科學研究所的研究發現，視覺上的雜亂會與大腦爭奪注意力資源，導致專注力下降與工作效率降低。換言之，書桌凌亂不僅影響心情，更直接影響工作與學習能力。

2.4 整理行為的正面回饋

整理並非只有付出。研究顯示，丟棄不需要的物品、完成整理之後，大腦會分泌多巴胺——即「完成感」與「滿足感」的來源。完成局部整理後的愉悅感，正是斷捨離實踐者形容「整理會上癮」的原因。

重點：雜亂並非道德問題，而是環境問題。改善環境，心境自然隨之改善。

3. 斷捨離核心概念：斷、捨、離

「斷捨離」一詞源自日本整理專家山下英子，她將瑜伽哲學中的「斷行、捨行、離行」應用於生活整理，其著作《斷捨離》系列全球銷量超過 500 萬冊。三個概念各有明確意涵：

• 斷：斷絕「不需要」的物品進入家中——從源頭把關，停止購買、收取與囤積
• 捨：捨棄家中「多餘」的物品——處理已囤積的雜物
• 離：脫離對物品的執著——心態上不再依靠「擁有」獲得安全感

以身體機能作比喻：「斷」是戒口，「捨」是排毒，「離」是新陳代謝。只戒口不排毒，體內仍然脹滿；只排毒不戒口，很快打回原形。

山下英子的核心觀點：收納的本質是總量控制

許多人誤解斷捨離為「大量丟棄」或「把物品收納整齊」。山下英子在《新．斷捨離》中清楚指出：「收納」本身無法解決問題，收納的本質是「總量控制」。

與其購買更多收納箱將雜物「收納」得更好看，不如先減少雜物本身的數量。

這是香港家庭（包括筆者過去）最常見的誤解——購買大量收納盒將雜物分類存放，結果只是把「亂」變成「整齊地亂」。收納工具是輔助，不是解藥；解藥是減量。

另一方面，近藤麻理惠（Marie Kondo）的「怦然心動整理法」亦有參考價值。她主張：「真正的整理，是選擇讓人心動的生活。」具體做法是每件物品拿上手，問自己「見到它會不會心動」，不心動便感謝並送走它。

實務經驗顯示：「怦然心動」標準對衣物、擺設效果良好，但對工具、文件、電線等實用物品，「最後一次使用時間」是更實際的判斷依據。 兩套方法可混合運用，第 5 節將詳細說明。

4. 整理起點：低壓力起步策略

斷捨離最困難的環節並非丟棄，而是「開始」。面對整間屋的雜物，容易產生 overwhelm——想到便不想行動，然後繼續拖延數月。

以下為經實證有效的「低壓力起步法」，可避免執行過程中的 burnout：

4.1 每日 5 分鐘法則

山下英子在《1天5分鐘居家斷捨離》中提出核心概念：不要計劃「週末用一整天整理」，改為每天只整理 5 分鐘。

• 5 分鐘 = 一個抽屜、一層層架、或一袋「待處理」雜物
• 設定計時器，時間到便停止，不勉強自己
• 重點是「每天有進展」，而非「一次過完成」

連續 21 天每日整理 5 分鐘，一個月後可清空約七成書房。小步持續，勝過大規模的三分鐘熱度。

4.2 從「一個抽屜」開始，而非「整間屋」

新手最常見的錯誤：星期六早上對自己說「今天要整理完整間屋」，結果整理兩小時後房間比之前更亂，然後放棄。

正確做法：選擇一個最小、最不重要的空間開始——一個抽屜、一個鞋櫃或冰箱。完成後獲得「完成感」與信心，再挑戰下一個區域。

4.3 三袋分類法：丟棄、捐贈、待定

整理任何區域時，準備三個袋子：

• 丟棄：破損、過期、無用——直接處理
• 捐贈：完好但不需要——送往舊衣回收箱、救世軍，或於二手平台轉售
• 待定：不確定——放入「隔離箱」並標註日期，3 個月後若未曾開啟，整箱處理

「待定箱」的作用是心理保險：它延遲「丟棄」的決定，但不會讓決定永遠擱置。 3 個月後，通常已不記得箱內物品——那一刻便能明白，這些物品根本不重要。

4.4 完成後立即檢視成果

每完成一個區域，退後一步檢視成果，將「完成感」銘印於大腦，才有動力處理下一個區域。不要立刻開始下一個區域，應給予自己短暫的成就感時間。

5. 物品去留判斷的實用框架

開始整理時，每件物品拿上手，腦中常浮現「可能有用」的念頭。以下「五問框架」適用於任何物品，回答完畢自然有結論：

Q1：我最後一次使用它，是甚麼時候？

• 一年以上：若非季節性物品（羽絨、暖爐等），一年未用等於並不需要
• 季節性物品則問：上一個季節有否使用？ 沒有 = 可以處理

此問題可直接解決約六成雜物，尤其是衣物——調查發現約三成衣物是「一年以上未穿過」的，它們佔據衣櫃空間，唯一作用是製造「擁有很多衣服」的錯覺。

Q2：如果現在沒有它，我會不會特地再買？

• 不會 = 對你沒有實際價值，只是「捨不得丟」的慣性
• 會 = 保留（若已有替代品，則可處理）

此問題對「備用」物品特別有效——備用 USB 線、備用保溫瓶、重複的廚具，均可用此標準判斷。

Q3：它帶給我的是「快樂」還是「責任」？

適用於紀念品、禮物與擺設：

• 看到會心微笑 → 保留
• 一看便想到「要保存好」、「要抹塵」、「要找位置放」→ 它是責任而非快樂，應送走

物品應該服務於人，而非人服務於物品。

Q4：它是否「將來會用到」？

「將來會用到」是雜物囤積中最大的謊言。破解方法：

「將來」必須說得出具體時間。 若無法回答具體時間（例如「下個月露營會用」），便是「不會用」。

「將來可能」等同「永遠不會」。許多人家中一箱「將來會用到的電腦零件」跟隨多年，從未開啟——它的唯一用途，是每次搬家時多搬一箱。

Q5：如果它換算成金錢，我會不會將它「投資」在居住空間？

此為進階問題，用於處理「昂貴買入」的物品。已付出的金錢是沉沒成本——不會因為保留物品而回流。保留它，付出的是空間（香港空間即真金白銀）、精神（需管理）與自由。

家中每平方呎都有成本，以雜物佔用空間，等於每月為一堆不使用的物品繳租。

6. 香港蝸居適用的收納系統設計

完成斷捨離後，剩餘的都是「有用之物」——接下來以蝸居思維設計收納系統。記住：先減量，後收納。 收納的目標是令「少量有用的物品」容易取用與歸位，而非容納更多物品。

6.1 垂直空間是蝸居的關鍵

香港單位面積有限，平面空間不足時需向垂直方向發展：

• 天花板到地板的高身櫃，優於矮櫃加桌面雜物
• 門後掛鉤（掛袋、毛巾、外套）——此空間常被忽略
• 櫃內使用層架或伸縮桿，將「疊放」改為「直立」——疊放的物品永遠不會取用最底層
• 雪櫃側邊、洗衣機頂、門頂——所有「平時不會使用」的平面都是潛在收納位置

6.2 「一件多用途」的選物邏輯

蝸居生活的黃金法則：選擇多功能物品，避免單功能物品。

• 梳化床優於梳化加客房床
• 摺疊桌優於固定大餐桌（香港許多家庭根本沒有空間）
• 可疊式儲物凳 = 座位加收納
• 掛牆書架優於落地書架

購買任何新傢俬前問自己：「它有沒有 2 個以上功能？」沒有 = 不買，香港空間無法容納單功能傢俬。

6.3 「原位」系統：每件物品有固定位置

斷捨離之後，最重要的規則是每件物品有固定的「原位」——永遠放在同一位置，用完立即歸位。

• 充電器：全部集中於一個「充電站」盒，不散落全屋
• 鎖匙銀包：門口固定一個「出門盤」
• 文件：一個「文件盒」，內部分「待處理」與「存檔」兩區

「原位」系統的優點：不靠記憶，靠習慣。 永遠知道物品在哪裡，就永遠不需要尋找。前述 65% 白領每月花 15 小時找東西——這 15 小時就是這樣節省下來的。

6.4 不要為收納而購買收納工具

警惕：收納工具本身也是雜物。 購買 10 個收納盒之前，先思考——如果物品數量減少一半，是否根本不需要這 10 個盒？

山下英子的觀點再次適用：收納的本質是總量控制。 減量先行，收納工具永遠是最後一步，而且愈少愈好。

7. 捨棄障礙的心理關卡與突破方法

理論完備，但實際執行時，總有幾類物品「怎樣都捨不得」。以下為最常見的四大關卡及突破方法：

關卡一：紀念品（戲票、車票、舊信、禮物）

此類物品最難處理，因為承載回憶。突破方法：

• 拍照留念，然後放手——將物品拍照存入雲端相簿，「回憶」不會因失去實物而消失
• 選擇「代表作」：不必保留全部 50 張戲票，保留最有代表性的 2-3 張
• 問自己：「我想保留的是回憶，還是那張紙？」答案通常是前者

將多年累積的戲票、演唱會票拍照存檔後，實物全部處理。回看照片，回憶依然存在，還省下整個抽屜的空間。

關卡二：衣物

「瘦了會穿」、「買的時候很貴」——衣物是囤積重災區。

• 使用「衣架反轉法」：將所有衣架方向調轉，穿過的衣物穿完後反回正常方向。3 個月後仍保持反轉的 = 沒有穿過 = 可以處理
• 「瘦了會穿」的衣物：若超過一年仍未瘦下來，誠實面對並送走——保留它只會每天提醒「尚未減肥成功」
• 捐贈處理：香港有多個舊衣回收點（救世軍、賽馬會回收計劃、各區舊衣回收箱），「有人會用到」的想法有助放手

關卡三：書籍

書籍是另一種「文化負擔」。突破方法：

• 問自己：「我會不會再看一次？」——九成書籍不會
• 已看完且不會再看 → 二手轉售（Carousell、漂書活動）或捐贈公共圖書館
• 工具書/參考書 → 拍攝目錄存檔，需要時再購買電子版（通常價格不高）

將 200 多本書整理至 40 本——全部是「會再看」或「未看但短期會看」的書，空間大幅釋放。

關卡四：「浪費」心態

「丟掉很浪費」是最普遍的心理障礙。記住三點：

1. 已經浪費了——購買那一刻已經浪費，保留不會減少浪費，只會連空間一起浪費
2. 捐贈/轉售 = 不浪費——物品流轉至有需要的人手中，才是真正的不浪費
3. 「浪費」的感覺，是下次避免亂買的動力——以此教訓實踐「斷」，勝過以雜物懲罰自己

8. 整理成果的長期維持機制

整理完成後，最令人沮喪的是 3 個月後又恢復凌亂。維持系統的核心只有一句：不要再讓「多餘」進屋。

8.1 一入一出（One In, One Out）

購買任何新物品前，先處理一件舊物品。 此規則直接鎖定物品總量。

• 買新衣 → 捐贈一件舊衣
• 買新書 → 轉售/捐贈一本舊書
• 買新廚具 → 處理一件舊廚具

此規則同時是「斷」的最佳訓練——購買時會思考：「我有沒有物品可以處理？」很多時候思考完，便不買了。

8.2 每日 5 分鐘回歸

維持不需要每日大整理，但需進行「5 分鐘回歸」：

• 每日睡前 5 分鐘：將桌面、梳化、地上的物品放回原位
• 此動作令家居「每日清空」，雜物沒有機會累積

「原位系統」加「每日回歸」= 家居自動保持整齊，不需依靠意志力。

8.3 每季一次「微型斷捨離」

每個季度（或每次換季），用 1 小時進行一次微型斷捨離：衣櫃、冰箱、雜物櫃各 15 分鐘。不要等到囤積到爆才處理。

建議習慣：每年 3 月與 9 月換季時順手進行，每次不需處理大量物品，但恰好阻止雜物累積。

8.4 數碼斷捨離（進階）

實體空間整理完成後，可順手整理手機與電腦：

• 刪除相簿中的截圖與重複照片
• 退訂不再閱讀的電子報
• 刪除無用的應用程式
• 清理桌面圖示

數碼雜物同樣消耗注意力資源。詳情可參考《數碼排毒實戰指南》，其原理與實體整理相同：減量、原位、定期回歸。

9. 常見問題解答

Q1：斷捨離與「丟東西」有何分別？會否太極端？

斷捨離不是「亂丟東西」，而是有意識地選擇「保留甚麼」。核心是「斷」——從源頭阻止不需要的物品進屋，而非一味丟棄。不需要成為極簡主義者，只需令家中物品數量符合實際需要。

Q2：家中很多物品屬於家人，如何處理？

斷捨離只處理「屬於自己」的物品。家人的物品，除非獲得同意，不應擅自處理。建議由自己的空間（房間、書桌、衣物）開始，做出成果讓家人看到——多數情況下，他們看到效果後會主動加入。

Q3：每日 5 分鐘真的足夠？會不會永遠整理不完？

足夠，因為重點是「養成習慣」而非「一次完成」。每日 5 分鐘，一個月即 2.5 小時；而且每天行動，會開始「見到就整理」，不需特地抽時間。急於一次完成的人，通常三分鐘熱度後便放棄——循序漸進反而更快。

Q4：如何判斷「可能有用」的物品是否真的會用？

使用「具體時間」測試：問自己「甚麼時候會用？」答得出具體時間（例如「下個月露營」）便保留，答「將來可能」便處理。再不確定，放入「待定箱」並標註日期，3 個月後未開啟便整箱處理。

Q5：斷捨離之後會不會後悔？

會有短暫的「後悔」感覺——但通常是「咦那樣東西沒了」的短暫反應，並非真正需要。客觀而言：後悔「失去物品」的次數，遠少於「找不到物品」的次數。 若真的後悔，仍可重新購買（香港購物方便）；但多數情況是，根本不記得處理了甚麼。

Q6：收納箱、收納盒要不要買？

先減量，後收納。 若物品數量減少一半後仍有需要，才購買最少數量的收納工具。記住：收納工具本身也是雜物，其用途是「令有用的物品容易取用」，而非「容納更多雜物」。

Q7：斷捨離能否節省開支？

可以，且有兩層效果：第一，減少重複購買——不再購買「找不到的那件」（每年可節省可觀開支）；第二，「一入一出」令人購買前多想一步，衝動消費自然減少。山下英子亦指出：家中用不到的物品是「不良存貨」——清走它，財務也會更健康。

Q8：整理完成後，如何避免打回原形？

依靠三個習慣：一入一出（買新處理舊）、每日 5 分鐘回歸（物品放回原位）、每季微型斷捨離（定期減量）。斷捨離不是一次性行動，而是一個「新陳代謝」系統——有入有出，才能持續健康。

總結：目標不是「空」的屋，而是「屬於自己」的屋

整理的最終目標，並非擁有一間空蕩的屋，而是擁有一間「屬於自己」的屋。核心規則只有三條：

每件物品都有原位，每件物品都真正會使用，新物品進屋前有舊物品離開。

整理完成後，會發現問題不在於屋太小，而在於雜物太多。不需要成為極簡主義者，只需從今天開始，每天整理 5 分鐘——一個抽屜、一層層架、一袋雜物。整理走雜物，整理回空間；整理回空間，也整理回精神。

今晚睡前，試試整理書桌 5 分鐘。

「帳戶內有 23 堂課程，真正完成的只有 2 堂。」

這番話出自去年一次朋友聚餐的對話。對方聽後冷笑一聲：「23 堂？Udemy 帳戶內購買了 40 多堂，完整看完的……大約 3 堂。」

若讀者亦有類似情況——購買課程時雄心壯志，上過兩三堂便擱置一旁——本文正是為此而寫。

許多學習者都曾是「買課成癮」的康復者。自 2021 年起，有人斷斷續續購入超過兩萬港元的線上課程：Photoshop、Excel VBA、股票分析、粵語配音、Notion、Python……每次購買時都覺得「這次不同，這堂課會改變一切」，結果九成都在上了頭兩三堂後便中斷。

問題不在於懶惰，而在於從未釐清「購買課程」與「學習」是兩回事。

本文將以數據與心理學觀點拆解以下主題：

• 買課成癮背後的心理機制，以及難以自控的原因
• 購買前的五條問題，有助遏止九成衝動消費
• 「完成優先」學習系統：如何讓任何課程都能完成
• 以 AI 作為二十四小時學習夥伴
• 三種實戰框架：三十日挑戰、進度問責小組、輸出導向
• Hahow、Udemy、Coursera 平台攻略，如何選擇才不浪費金錢
• 八條常見問題（FAQ）

目錄

1. 課程收藏夾中有多少未完成的課程？
2. 買課成癮的心理機制：大腦的「進步錯覺」
3. 購買課程前的五個問題：衝動消費的煞車系統
4. 完成優先：確保任何課程都能完成的系統
5. 以 AI 作為二十四小時學習夥伴
6. 三種「保證完成」的實戰框架
7. 知識付費平台攻略：Hahow、Udemy、Coursera 的選擇
8. FAQ：八條常見問題

1. 課程收藏夾中有多少未完成的課程？

先從數據談起，讓讀者了解自己並非異類。

全球研究反覆顯示，線上課程的平均完成率僅為 5-15%。以大型開放式線上課程（MOOC）為例，全球平均完成率約為 12%——即每 100 名報名者中，約有 12 人能堅持到最後並取得證書；此外，學生的每週參與率在第一個月之後會下跌約四成。

香港亦有本土例子：2024 年審計署發現，香港資優教育學苑的網上甄選課程，最近五個學年只有約半數獲提名學生完成——連資優生尚且如此，一般學習者更無須自卑。

關鍵在於：付費課程的完成率高於免費課程，因為已付出的金錢會帶來動力。但完成率再高也有極限——多項研究指出，付費課程的完成率約在兩成至六成之間，視乎課程長短與有否截止期限而定。換言之：即使付了費，仍有很大機會無法完成課程。

曾有學習者於 2021 年購入一堂 Photoshop 課程，花費 1,200 港元，課程至今已更新至第三版，而該學習者仍停留在第一版的「基本工具介紹」。這並非個別事件——相關訪問顯示，幾乎人人都有一兩堂「買了當學了」的課程。

重點是：未完成課程並非人格缺陷，而是機制問題。只要釐清機制，便有解決之道。

2. 買課成癮的心理機制：大腦的「進步錯覺」

買課成癮與購買衣物、遊戲機在本質上並無分別——都是一種消費行為。消費能即時為大腦提供獎勵，而學習卻無法即時產生回報。

心理機制一：消費帶來的即時多巴胺

按下「立即購買」的瞬間，大腦便已接收到獎勵訊號——購得心儀物品的快感、對未來自己的想像、掌控感。這些都是即時的回饋。相比之下，上課學習的回報——技能、證書、升職——全部屬於延遲回報，可能需要數月甚至數年才能兌現。

大腦偏愛即時回饋，自然選擇即時獎勵，於是「購買」成為最快獲得滿足感的途徑。

心理機制二：進步錯覺（Self-signaling）

心理學有一個概念稱為「進步錯覺」：人們會以「完成準備動作」來欺騙自己「已經進步」。購買課程、書籍、收藏文章、下載應用程式，全部屬於「準備動作」。完成這些動作後，學習者會感到自己十分上進，但實際上尚未開始學習任何內容。

一個具代表性的案例：某學習者購入「Excel VBA 自動化」課程當日，特意拍照上傳至社交媒體，並附註「進修中」。當晚確實感到相當滿足——但此後三個月，連第一堂課都未曾開啟。

心理機制三：平台的稀缺性設計

線上課程平台擅長製造「不買便錯過」的氛圍：

• 限時特價：Udemy 的課程長期處於「特價」狀態，13 美元的特價與 199.99 美元的原價並存，倒數計時器永不停止
• 早鳥優惠：Hahow 在開課前預購可節省數百港元
• 名額有限：直播課程以紅字顯示「剩餘 5 個名額」

這些設計全部以稀缺性觸發 FOMO（錯失恐懼）——消費者購買的並非知識本身，而是「不願落後於人」的焦慮。

為何香港人特別容易受影響？

工時長、生活節奏快、競爭激烈——香港人對「落後」尤其敏感。「AI 時代來臨，不學習便會被淘汰」這類訊息，正正觸動人們的生存焦慮，結果便是以購買課程來安慰自己「仍在進步」。

買課成癮自測（命中兩項以上須留意）

1. 購買後整整一週都未開啟第一堂課
2. 同一主題購入超過一堂課程（例如已有 Excel 課程仍再購買）
3. 一見到「限時優惠」便忍不住購買
4. 購買時感到興奮，上課時卻感到疲累
5. 帳戶中未完成的課程多於已完成的課程

3. 購買課程前的五個問題：衝動消費的煞車系統

與戒煙相似，最有效的方法並非依靠意志力，而是在誘惑出現之前預先設定規則。

目前，任何線上課程在購買之前都必須通過以下五項自問；任何一項無法回答，便不應購買：

Q1：這堂課是否為了解決當前的具體問題？

「學 Python 很有用」並非具體問題；「下個月需以 Python 自動化處理 500 個 Excel 檔案」才是具體問題。課程必須與即將發生的任務掛鉤，才能維持完成的動力；純粹「預先學習」的課程，九成會半途而廢。

Q2：打算何時上課？每週能預留多少時間？

無法回答時間安排，便代表尚未打算上課；沒有排期的課程，等同於沒有計劃要上的課程。購買之前應打開行事曆，確實標註每週哪一天、哪個時段上課；若無法安排，便不應購買。

Q3：內容是否存在免費替代方案？

目前 YouTube、Bilibili、官方文件與 AI 助手加總，約八成課程內容都有免費替代品。消費者付費購買的其實是「結構」（有人協助排定學習次序）與「動力」（已付出金錢而不捨得放棄）。如果課程只是教學影片的堆砌，不如自行在 YouTube 上尋找資源。

Q4：是否因為「特價」才想購買？

應誠實自問：如果價格為原價 1,500 港元，是否仍然購買？如果答案是否定的，那麼購買的並非課程，而是「划算」的感覺。破解特價陷阱的方法：將想購買的課程放入願望清單，等待七十二小時——大部分衝動會在三天內消退。七十二小時後仍想購買，才再作考慮。

Q5：購買後四十八小時內，能否開始第一堂課？

這是最後一道把關。購買後應立即開啟第一堂課，趁著新鮮感完成「開端」——通常第一堂最為簡單，完成後才算真正「開始」。如果明知購買後一週內都不會接觸課程，便不應購買，以省下這筆開支。

額外鐵律：同一時間只允許一堂課程處於「進行中」狀態。 想購買新課？可以，但須先證明已完成目前的一堂。這條規則直接切斷「囤積課程」的根源。

4. 完成優先：確保任何課程都能完成的系統

假設已經購入課程（或決定重新開始舊課程），如何才能完成？核心心法只有一句：完成優先於完美，系統優先於意志力。

4.1 排期：由日曆主導，而非「有空才看」

「有空才看」等於永遠沒有時間。正確做法是將上課視為一個約定（appointment），寫入行事曆：

• 每週固定兩至三次，每次三十分鐘便已足夠
• 選擇精力最充沛的時段（多數人為早晨或下班後一小時）
• 設定提醒，錯過便於當日補上，不必雙重責罰自己

為何三十分鐘足夠？因為線上課程一節通常為五至十五分鐘，三十分鐘至少能完成兩節，足以維持「每日皆有進度」的感受。

4.2 兩分鐘起步法則

最困難的永遠是「打開應用程式」的那一刻。因此規則便是：當不想上課時，告訴自己「只看兩分鐘」。兩分鐘之後通常已進入狀態，自然會繼續下去。這個技巧在心理學上稱為「行為活化」，專門用於克服拖延。

4.3 環境設計：降低「開始」的門檻

• 將手機放在另一間房間（或至少不在視線範圍內）
• 固定一張書桌、一副耳機，專供上課使用
• 開課前五分鐘不要瀏覽社交媒體——「先甜後苦」會令學習者不想開始

4.4 進度可視化：觀察完成百分比上升

人類是喜歡「完成」的動物。利用 Notion、Trello 或一張簡單的紙，記錄每堂課的完成度。可將課程按節寫成清單（checklist），每完成一節便勾選一格——勾選瞬間的滿足感，正是維持動力的燃料。

4.5 WOOP 框架：預先設想可能的阻礙

心理學家 Gabriele Oettingen 提出的 WOOP 框架相當實用：

• W（Wish）：完成這堂課程
• O（Outcome）：完成後可以透過 Excel 自動化，每週節省五小時
• O（Obstacle）：最大障礙是下班後疲累，經常想瀏覽手機
• P（Plan）：若下班回家感到疲累，便先洗澡用餐，八時半準時坐在書桌前，手機放在房間外

預先設想障礙與應對方案，成功率會大幅提高——因為當「疲累」出現時，已有既定劇本，無須臨場思考。

5. 以 AI 作為二十四小時學習夥伴

2026 年，學習領域最大的新變化是：每位學習者都擁有一位不厭其煩、隨時可用的免費導師。運用得當，課程完成率與記憶留存率都會明顯提升。

5.1 完成一節後立即請 AI 測驗

被動觀看影片是最容易出現「看完等於沒看」的學習方式。破解方法是主動回想：每看完一節，開啟 ChatGPT、Claude 或 Gemini，貼上課程重點（或自己的筆記），並要求：

「請根據以上內容出三道選擇題，先不要提供答案，待作答完成後再作解釋。」

這個動作將「觀看影片」轉化為「測驗」，記憶效果截然不同。關於如何運用 AI 工具整理學習材料，《用 NotebookLM 做研究的 Prompt 教學》一文有詳細說明，原理相同。

5.2 費曼學習法：請 AI 扮演學生

費曼學習法的核心是「用最簡單的語言讓他人聽懂」。現在可以請 AI 扮演一名完全不認識相關知識的學生：

「請扮演一名零基礎中學生，聽取以粵語對『複利』的解釋，並逐句提問，以協助發現理解不足之處。」

AI 會針對解釋含糊之處追問，很快便能暴露理解的不足——這些環節便是需要重溫的地方。

5.3 自動生成筆記與間隔複習

• 請 AI 將每一節濃縮為三點筆記，存入筆記系統（例如《第二大腦數位筆記系統》一文介紹的 Obsidian + PARA 框架）
• 隔一星期、隔一個月，再請 AI 根據筆記重新出題測驗——這就是間隔重複，能將短期記憶轉化為長期記憶

5.4 三點提醒

1. AI 是輔助工具，並非代替學習者思考——若僅讓 AI 代為抄寫答案，學習效果幾乎為零
2. 使用 AI 之前，先自行回想一次，再對照答案
3. 避免與 AI 討論至離題——應牢記目標是完成這堂課程

6. 三種「保證完成」的實戰框架

理論部分到此為止，以下進入實戰。以下三種框架均經實際驗證，選擇適合自身情況的一種即可立即開始：

框架甲：三十日挑戰

規則：連續三十日，每日最少三十分鐘學習同一堂課程。

• 準備一張月曆，每完成一日便劃一格
• 中途中斷一日無須從頭開始，但不可連續中斷兩日
• 三十日後，無論課程是否完成，都已建立學習習慣

曾有學習者以此方法完成一堂十二小時的 Python 課程——三十日每日三十分鐘，剛好完成。每日少量累積，勝過週末集中惡補。

框架乙：進度問責小組

規則：邀請一至三位朋友共同學習（可以選擇不同課程），每週互相匯報進度。

• 每週日在群組貼出個人進度截圖（已完成百分之多少）
• 沒有進度者需請客（或接受對方指定的罰款）
• 公開承諾是最強的動力——因為學習者不願在朋友面前失信

有學習者以此方法與同事合資購買「Power BI 課程」，六人之中最後五人完成——完成率達 83%，遠超平均水準。

框架丙：輸出導向

規則：每堂課程結束前，必須完成一個「作品」才算真正完成。

• 學習 Photoshop → 完成一張完整海報
• 學習 Excel → 完成一個自動化報表
• 學習配音 → 錄製一段完整的廣告旁白

輸出是學習的終點。大腦相當務實：如果知道最後需要提交成果，觀看影片時便會自動留意重點；如果知道看完便算，就會進入「觀賞電視的模式」。因此，購買任何課程之前都應自問：「這堂課的『作品』是什麼？」若無法回答，便屬純娛樂性質的課程，不應購買。

7. 知識付費平台攻略：Hahow、Udemy、Coursera 的選擇

最後討論平台。選對平台，既能節省開支，亦能提高完成率。

買斷制與訂閱制如何選擇？

買斷制（Hahow、Udemy）：一次付費，終身存取，適合「偶爾學習單一主題」的情況——例如只想學好 Excel，買斷一堂便已足夠。

訂閱制（Coursera Plus 等）：按月或按年收費，可自由選修平台課程，適合「全年持續上課」的學習者——若每月上課超過兩至三堂，訂閱可能比逐堂購買更划算。

建議：在建立學習習慣之前，不宜採用訂閱制。訂閱制會令人產生「反正已付月費，慢慢看」的心態，反而降低完成率；買斷制的「付出成本感」才是動力來源。

三個節省開支的建議

1. Udemy 永遠不要以原價購買——其「特價」是常態，待價格降至 9.9 至 13.9 美元再購買（大約每個月都會出現）
2. Coursera 若希望取得證書但不想付費：可使用「免費旁聽（Audit）」模式，觀看全部內容，僅無證書與作業批改
3. Hahow 購買之前：參考課程評價與「完課率」——平台會顯示相關數據，完課率低的課程，代表連購買者都未能完成，學習者憑什麼認為自己可以完成？

8. FAQ：八條常見問題

Q1：已購買大量課程，應如何處理？從何處開始？

應從「對當前最有用」的課程開始，不應從「最貴」或「購買最久」的課程開始。隨後運用第四節的系統：排期、三十分鐘起步、清單追蹤。目標並非全部完成，而是完成「第一堂」。完成第一堂後，信心恢復，之後便會順暢。

Q2：線上課程的完成率是否真的如此低？

是的。全球研究普遍顯示完成率僅 5-15%，MOOC 平均約 12%，第一個月後參與率會下跌四成。因此，若尚未完成課程，學習者屬於「大多數」——無須自責，應調整機制。

Q3：免費課程與付費課程應如何選擇？

設有截止期限或能產生「付出成本感」的付費課程，完成率較高；但免費課程（如 YouTube）適合入門試水。建議：對尚未確定興趣的主題，先以免費資源嘗試；確認是「當前需要學習」的內容後，才付費購買其結構。

Q4：為何購買時興奮，上課時卻提不起勁？

因為購買屬於即時獎勵（多巴胺），學習屬於延遲獎勵。這是大腦機制，並非懶惰。破解方法：縮短「開始」的阻力（兩分鐘起步）、縮短「回報」的距離（每日勾選進度、查看完成百分比）、減少誘惑（隔離手機）。

Q5：每天只有三十分鐘，是否足夠學習？

足夠。研究顯示分散練習（Spaced Practice）比集中練習更有效——每日三十分鐘持續一個月，勝過週末一次觀看十小時。學習的目標並非「一次看完」，而是「每日皆有進度」。

Q6：課程結束後似乎什麼都記不住，該如何應對？

屬正常現象，因為未進行「提取練習」。解決方法：每節結束後立即請 AI 出題測驗、以費曼法解釋一次、一星期後再複習一次筆記（間隔重複）。看完不等於學會，通過測驗才算掌握。

Q7：買斷制與訂閱制何者較佳？

取決於使用頻率：偶爾學習單一主題 → 買斷制；全年持續學習多個主題 → 訂閱制。但在建立學習習慣之前不建議訂閱，月費會令人放鬆，完成率反而較低。

Q8：如何判斷自己是否已經買課成癮？

可參閱第二節的自測：購買一週後仍未開啟第一堂、同一主題購入超過一堂、見到特價便忍不住、購買時興奮而上課時疲累、未完成的課程多於已完成的。命中兩項以上，便應運用第三節的五條問題煞停。

總結：由「買課」轉向「完課」

最後回顧實際數字：以本文開首的案例而言，該學習者帳戶原有 23 堂未完成課程。如今，其規則十分簡單——同一時間只進行一堂課，完成後才可購買下一堂；購買前須通過五條問題；每堂課都須產出一個「作品」。

採用這套系統一年後，該學習者完成了 Python、Excel VBA、Notion 三堂課程，全部附有實戰作品；購課支出減少七成，而實際學到的內容增加三倍。

學習者並不需要更多課程，只需完成手上的一堂。今天就從觀看兩分鐘開始。

GitHub 當前最受矚目的開源項目，既非框架、亦非模型——而是一個教導 AI「自主上網」的工具。

107,458 顆 star、每日持續更新、MIT 開源免費授權——這個名為 browser-use 的 Python 套件，使 AI Agent 得以像人類一樣操作瀏覽器：開啟頁面、點擊按鈕、輸入文字、填寫表單、抽取數據。使用者只需以文字描述任務目標，該工具便會自動完成整個流程。

筆者通讀該項目完整的 README 文件後，以下將分析此工具受歡迎的原因及其使用方式。

新聞重點速覽

更新頻率：每日更新（今日亦有新的 commit）

這個項目是什麼？

概括而言：Browser Use 使 AI Agent 能夠透過網頁瀏覽器，以與人類相同的方式操作網頁。

過去 AI Agent 的運作大多局限於 API 與文字處理，然而現實世界中有大量事務發生於網頁之上：填寫求職申請、登入管理後台、抽取社交媒體數據、預訂機票等。API 未必開放予外部使用，但瀏覽器必然是可行的切入途徑。

Browser Use 正是連接兩者的橋樑：使用者只需告知任務目標，它便會自行開啟瀏覽器、尋找頁面元素、點擊按鈕、填寫資料並取得最終結果。

官方示範任務：

• 填寫表單：「填寫這份求職申請，使用申請人的履歷資料。」
• 抽取數據：「將指定帳號的 followers 數據抽取並輸出為結構化 CSV 檔案。」

為何獲得如此多 Star？

1. 切實解決實際問題 — AI Agent 最欠缺的是「與現實世界互動」的能力，瀏覽器正是重要的互動入口
2. 入門門檻低 — 僅需數行 Python 程式碼即可運行，無需複雜設定
3. 生態系統完善 — 提供官方 Cloud 服務、完整文件、活躍的 Discord 社群，並支援 MCP（可直接供 Claude 使用）
4. 開放授權 — 採用 MIT License，可免費商用，134 個 releases 持續修復問題

入門方式

pip install browser-use

基本用法（官方範例）：

from browser_use import Agent
from langchain_openai import ChatOpenAI

agent = Agent(
    task="Search for a flight from Hong Kong to Tokyo and return the best price",
    llm=ChatOpenAI(model="gpt-4o"),
)

await agent.run()

使用方式相當簡單——一個任務只需一句話描述，AI 便會自行上網完成整個流程。進階用法可搭配 Playwright 進行客製化設定、載入自訂的 browser profile，或透過 MCP 整合提供給 Claude 使用。

出處

專業觀點

「親身試用，方有發言權」 — 筆者讀畢 README 後已即時準備試用，讀者亦可自行嘗試。

是否見過「3D 解剖筆記」？

人體骨骼、耳朵、胃部等主題，全部以類似醫學生手寫複習筆記（revision notes）的精緻方式呈現，並搭配 3D 模型、手寫標註與彩色間線。許多人以為此類作品出自設計師逐頁繪製，實際上——由 AI 以單一 Prompt 生成。

近期在社交平台 Facebook 上，AI 知識帳號 Chris KE 分享了一條實用的 Prompt，可運用 ChatGPT Images 2.0 將任何主題轉化為「3D 教育筆記頁」。該方法經實測後，並進一步以相同風格製作出自有的筆記圖。

本文將拆解此玩法的完整流程：Prompt 的運作原理、如何改寫為自訂主題，以及實測結果。

風格定義：何謂「3D 教育筆記頁」？

「3D 教育筆記頁」風格由三個核心元素組成：

1. 3D 模型：主題主體（例如人體器官）以高擬真 3D 渲染呈現，具備質感與光影層次
2. 手寫筆記：藍色原子筆手寫字、紅色指示線標註結構、彩色螢光筆標記標題
3. 螺旋筆記本：整體版面呈現於翻開的 spiral notebook 之上，猶如學生真實筆跡

此風格的效果極具「人味」——完全不似 AI 生成，原因在於手寫字與紙張質感正是 AI 繪圖最不擅長、而 ChatGPT Images 2.0 卻能達成的項目。

Prompt 拆解（整理版本）

以下為整理後的 Prompt（原始版本為英文，另附中文註解）：

Create an ultra-realistic educational anatomy notebook page
designed like the handwritten revision notes of an outstanding medical student.

Center the page around a medically accurate 3D model of the [BODY PART],
placed on an open spiral-bound notebook.
Combine premium scientific illustration with realistic handwritten notes
to create a modern, visually engaging study page.

The anatomical model should be the primary focal point,
rendered with textbook-level accuracy, lifelike textures,
realistic biological colors, subtle reflections, soft ambient lighting,
natural depth, and physically based materials.
Use gentle pastel color accents to distinguish major anatomical regions
without compromising realism.

Arrange handwritten annotations around the illustration using blue ink
with natural handwriting variation.
Connect every label to its correct structure using thin red pointer lines
with precise endpoints.
Keep the page spacious, balanced, and uncluttered with generous white space.

At the top, write the handwritten heading:
Human Body 3D Notes
Below it, add a larger handwritten title:
[BODY PART]
Underline both titles neatly using colored marker strokes.
Organize the remaining content into clearly separated handwritten study sections...

運作原理（中文解釋）：

使用步驟

1. 開啟 ChatGPT（需使用支援 Images 2.0 的版本或訂閱方案）
2. 模型選擇 GPT-4o / Images 2.0
3. 貼上上述 Prompt，並將 [BODY PART] 替換為自訂主題（例如 the human heart、the lungs）
4. 等待約 30-60 秒生成
5. 若對結果不滿意，可指示其「調整顏色」「更換角度」「增加手寫字」

此方法不限於解剖主題——將 educational anatomy notebook page 改為 educational astronomy notebook page、educational history notebook page 等，同樣適用，主題可自由更換。

實測結果：以相同風格製作自有筆記

本文參考「3D 筆記頁」風格，以 HTML 與渲染技術製作了兩張自有的 3D 筆記圖，主題為先前撰寫的《NotebookLM 8 個研究 Prompts》：

實測心得：

• 螺旋筆記本、手寫字與彩色卡片的組合，成功掌握原風格精髓
• 文字可達 100% 精準（以 HTML 製作，不會出現純 AI 圖常見的亂碼字）
• 純 AI 生成的 3D 筆記圖文字容易紊亂（尤其中文）——若要求文字精準，採用 HTML/CSS 重製最為穩定

應用場景

• 學生：將教科書章節轉化為精美筆記，提升複習效率
• 教師與內容創作者：製作教學圖卡，應用於教材、Instagram、Blog
• 醫護與科普：解剖、生理等主題尤為適合（Prompt 本身即為解剖導向）
• 知識型內容：將枯燥主題轉化為易於閱讀的視覺內容

三個常見錯誤

1. 主題文字過多 — 圖內文字過多容易產生亂碼。Keep it simple，每頁僅處理一個主題
2. 中文主題 — 中文手寫字對 AI 而言極易出錯。中文內容建議以 HTML/CSS 重製，英文內容才適合純 AI 生成
3. 過度添加元素 — Prompt 本身已相當長，不宜再添加「更多顏色」「加入背景」等要求，否則輸出容易紊亂

FAQ

Q1：是否必須訂閱才能使用？ ChatGPT Images 2.0 部分功能需 Plus/Pro 訂閱方案。免費版無法使用最新的 Images 2.0，但可嘗試舊版 DALL-E。

Q2：生成內容可用於商業用途嗎？ 生成內容的使用權限依循 OpenAI 服務條款，商業用途通常允許，惟建議自行確認最新條款。

Q3：為何生成的結果不夠精美？ 通常是 Prompt 的詳細程度不足。上述 Prompt 已為完整版本，直接複製貼上並僅修改 [BODY PART] 即可。

Q4：是否有其他工具可達成？ Midjourney 亦可勝任，但 ChatGPT Images 2.0 在「文字渲染」與「遵循 Prompt 指示」方面表現最強——此類多重指示 Prompt 特別適合。

總結

「3D 教育筆記頁」是 2026 年 AI 繪圖領域中最實用的風格之一——其價值不在單純追求美感，而是真正能產出教學用途的內容。單一 Prompt 即可將任何主題轉化為學生樂於閱讀的筆記。

經實測後，此風格已可轉化為自有 workflow——若欲了解具體做法，可參考本文所述之 HTML 重製方案（文字 100% 精準）。不妨嘗試以自訂主題製作一張 3D 筆記。

「親身嘗試，方知效用」 — 此風格經實際操作驗證，歡迎直接採用。

「文獻回顧」四個字，係每個研究人嘅惡夢。

幾十篇 PDF 下載咗、分類咗、然後…就冇然後。睇完 Abstract 已經攰，邊有心機逐篇逐篇做筆記？

我試過一次最誇張：為咗一個研究題目，download 咗成 40 幾篇論文，最後 deadline 前兩日先逼自己「速讀」— 結果寫出嚟嘅文獻回顧自己都唔敢睇返。

直到我認真用咗 Google NotebookLM（而家叫 Gemini Notebook）— 成個 workflow 唔同晒。呢篇文我唔係教你理論，係直接俾你 8 個實戰 Prompt，全部我親身試過、執過，照用就得。

首先：點解係 NotebookLM，而唔係普通 ChatGPT？

好多人問我：「AI 做研究，用 ChatGPT 咪得？」— 係得，但係有個致命問題：佢會作嘢（Hallucination）。你叫佢「總結呢篇文」，佢可能寫得好靚，但引述咗一篇根本唔存在嘅研究。

NotebookLM 唔同：

• Grounded（有根有據）：佢淨係答你上傳咗嘅 sources，唔會自己作資料出嚟
• 逐句有 Citation：每個 claim 都有來源連結，㩒入去就睇到原文邊一段
• 支援長文件：成篇論文 PDF 直接丟入去，佢幫你掘深層技術細節

簡單講：佢係「研究助理」，唔係「作嘢機器」。前提係你要識得叫佢做嘢 — 以下 8 個 Prompt 就係叫你做嘢嘅「咒語」。

8 個實戰 Prompt（照用就得）

8 個 Prompts 一眼睇晒（3D 筆記風格總結圖，我自己整嘅 ）：

1⃣ 零基礎文獻回顧生成器（Zero-Shot Literature Review）

幾時用：研究起步，乜都未睇，想快速知道個領域而家去到邊。

Prompt（自己執過版）：

分析我 notebook 入面所有已選取的來源，就著 [你的研究主題] 生成一份完整嘅文獻回顧。輸出請按以下結構：

• 領域背景同目前整體狀態
• 現有文獻嘅主要缺口同爭議
• 唔同研究方法/觀點嘅主要優勢（用清單列出）
• 關鍵發現同研究方法細節
• 主要挑戰同未來研究方向

實戰貼士：出嚟之後，第一件事唔係改文，係㩒啲 citation 去核實 — 睇下每個 claim 係咪真係嚟自你啲 sources。呢個動作會令你份文獻回顧可信度升一倍。

2⃣ 多來源論文摘要機（Multi-Source Summarizer）

幾時用：成堆 PDF 冇時間逐篇睇，想快速知道每篇講乜。

逐一檢視呢個 notebook 入面嘅每一份文件（包括長篇 PDF 同論文），為每份來源提供獨立摘要，內容要涵蓋：核心研究主題、使用嘅研究方法、關鍵結論。特別留意要從長篇文件嘅深處提取重要技術細節，唔好淨係睇 Abstract。

實戰貼士：呢個係我使用率最高嘅一個。重點係「逐份獨立摘要」— 唔好叫佢「綜合」，綜合咗就分唔到邊篇講乜。出嚟嘅摘要可以直接貼入你嘅筆記軟件做索引。

3⃣ 跨來源研究缺口偵測器（Gap & Opportunity Finder）

幾時用：文獻睇得七七八八，準備寫「研究缺口」嗰段，但唔知自己嘅研究有咩位可以企。

比較我 workspace 入面所有已上載嘅來源。辨識出：尚未被解答嘅問題、重複出現嘅方法學弱點、過時嘅假設、以及證據仍然有限嘅範疇。最後根據呢啲文章嘅具體例子，推薦 3 個最有前途嘅研究方向俾我。

實戰貼士：「Research Gap」唔係你「覺得」有就係有，要 citation 支持。呢個 Prompt 出嚟嘅缺口全部有原文依據，寫論文嗰陣你可以直接引用 — 審稿人最憎嗰啲「無中生有」嘅 gap statement。

4⃣ 概念拆解導師（Interactive Concept Breakdown）

幾時用：睇到一段好艱深嘅嘢，睇咗三次都唔明。

化身成一位專業導師。我而家 focus 喺呢段摘錄：[貼上你唔明嘅原文]。請用日常用語同貼地嘅比喻，將呢個概念拆解成簡單講法。最後解釋返呢個重點同我 notebook 入面其他文獻嘅整體發現有咩關連。

實戰貼士：呢個係「理解」層面嘅神器。重點係要佢解釋同其他文獻嘅關連 — 咁你先會由「睇得明一段」升級到「睇得明成個領域點串連」。比喻記住抄低，寫論文 intro 嗰陣用返嚟解釋俾讀者聽，超好用。

5⃣ 證據壓力測試（Evidence Stress-Test）

下半場 5-8：

幾時用：你覺得自己嘅結論好穩陣？咁就要試下撼佢。

檢視我 workspace 所有來源嘅主要結論，然後由多個唔同角度挑戰佢哋：入面有咩隱藏假設？有咩邏輯漏洞？有咩證據係缺失嘅？最後將正反兩邊整合，得出一個經過壓力測試、有證據基礎嘅結論。

實戰貼士：呢個係我最推薦研究生用嘅一個。寫論文最怕嘅係 reviewer 一句「Your conclusion is not well-supported」— 用呢個 Prompt 提前自己撼自己，撼完執返靚，好過俾人撼完先嚟改。文科理科一樣啱用。

6⃣ 引用來源審計（Citation & Source Audit）

幾時用：要 check 自己啲 sources 邊啲信得過、邊啲係充數。

評估我 notebook 入面每一份來源嘅可信度同方法學嚴謹度，由最強到最弱排名，考慮因素包括證據嚴謹度同潛在偏見。對於每一個主要主張，標示出支持佢嘅原文段落；特別標記任何主要靠背景引用（background citations）而唔係直接數據支撐嘅主張。

實戰貼士：留意最後嗰句 — 「靠背景引用而唔係直接數據」嘅 claims 係文獻回顧入面最容易呃到人嘅嘢。一篇文引用 50 次唔代表佢可信，要睇佢啲關鍵 claim 係咪有自己嘅數據支持。出嚟嘅排名直接決定你邊啲 sources 要重點讀。

7⃣ Podcast 簡報腳本（Audio Briefing Script）

幾時用：要將研究講俾非專業人士聽（導師、屋企人、甚至係你自己用 Audio Overview 快速重溫）。

將我上載嘅文獻入面嘅核心辯論同主要 takeaways 整合成一份非技術性摘要。用清晰、對談式嘅語氣，集中對比唔同研究觀點嘅分別，將複雜科學簡化到一般大眾都聽得明。

實戰貼士：NotebookLM 有個 Audio Overview 功能，可以自動生成「兩個人傾偈」嘅 podcast 版摘要 — 通勤嗰陣聽，比自己睇快好多。而呢個 Prompt 就係教你控制佢「傾乜」— 冇 prompt 嘅 Audio Overview 會亂噏，有咗呢個佢會跟住你嘅框架講。

8⃣ 執行摘要 + 閱讀路線圖（Executive Research Brief）

幾時用：成個研究項目收尾，或者交報告前，將成個 workspace 濃縮做一頁紙。

將我成個研究 workspace 轉成一份結構化嘅執行摘要，包括：

• 執行摘要（Executive Summary）
• 核心概念同關鍵指標
• 各方共識 vs 分歧
• 實際應用場景
• 建議嘅深入閱讀順序 請排版清晰，等我可以直接儲存到 NotebookLM 嘅筆記面板。

實戰貼士：最後嗰項「優先閱讀順序」好有用 — 如果你仲有 20 篇文未睇，跟住佢個次序讀，保證你先睇最重要嗰啲。deadline 前救命用。

完整實戰 Workflow（由零開始）

跟住呢個次序做，成個研究流程會順好多：

1. 建立 Notebook → 將所有 PDF/文獻丟入去（免費版每個 Notebook 有來源限制，Plan 好先上傳）
2. Prompt 2：逐份摘要 → 快速掌握每篇講乜
3. Prompt 1：生成文獻回顧初稿 → 知道個領域全貌
4. Prompt 3：搵研究缺口 → 定位自己嘅研究位置
5. Prompt 6：來源審計 → 知道邊啲文可信、邊啲要小心
6. Prompt 5：壓力測試自己嘅結論 → 提前執漏
7. 寫文嗰陣：用 Prompt 4 理解深奧概念、用 Prompt 8 整理執行摘要
8. 交貨前：用 Prompt 7 整返個 Audio Overview 快速重溫（順便 check 自己係咪真係明）

5 個常見錯誤（我親身踩過）

1. 唔㩒 Citation — 淨係信 AI 總結，冇㩒入去原文核實。AI 出嚟嘅嘢只係索引，唔係真理。
2. Sources 唔篩就丟入去 — 乜鬼都上傳，連啲 SEO 農場文章都入埋。上傳前自己先篩一輪，質素唔好嘅 source 會污染晒所有輸出。
3. 叫 AI「綜合」晒所有文 — 綜合完你根本分唔到邊篇講乜。要獨立摘要就用獨立摘要，要綜合先綜合。
4. 當佢係 Google — 問啲 sources 入面冇嘅嘢，佢答唔到就開始「作」。記得：問題一定要建基於你上傳嘅文獻。
5. 直接交 AI 寫嘅嘢 — 學術誠信問題，唔使我解釋。AI 係幫你消化同理解，唔係幫你代筆。

FAQ

Q1：NotebookLM 免費嗎？ 免費版每個 Notebook 有 sources 數量限制（約 50 個來源），對大部分研究項目夠用。要更多容量/更高級功能就要 Google AI Pro / Plus 訂閱。我自己用免費版做咗成個研究項目都冇逼住要升級。

Q2：支援中文文獻嗎？ 支援。NotebookLM 支援多語言，中文 PDF 一樣可以上傳同分析。不過英文學術文獻嘅處理質素始終係最成熟，如果兩邊都有，建議英文為主、中文輔助。

Q3：同 ChatGPT / Claude 有咩分別？ 最大分別就係 Grounded + Citation。ChatGPT 係「乜都識啲」嘅百科全書，NotebookLM 係「淨係識你啲文獻」嘅專屬助理。做研究嚟講，後者嘅「唔識就話你知」反而係優點 — 佢唔會用一堆聽落好真但係假嘅引用呃你。

Q4：做 Qualitative Research（質性研究）都用得著？ 用得著。訪談稿、田野筆記全部可以上傳，Prompt 5（壓力測試）同 Prompt 6（來源審計）對質性研究嘅資料分析一樣有用。唔好諗到佢淨係 for 理科。

Q5：幾多篇文先值得用？ 三篇以上就值得。三篇以下自己睇仲快過 setup。

總結

文獻回顧嘅痛苦，唔係因為你唔勤力，係因為你冇工具。NotebookLM 將「睇 50 篇文」變成「問 8 條問題」 — 唔係叫你偷懶，係叫你將時間用喺真正重要嘅嘢：思考、質疑、同埋寫出你自己嘅觀點。

試下用第一個 Prompt 開始，你就會明我講乜。

「試過先講」 — 我唔會推介自己未用過嘅嘢。呢 8 個 Prompt 全部實測過，攞去用，唔使多謝我，記得㩒 Citation 就得

「我想買比特幣，但係…怕俾人呃，又唔識搞錢包。」

如果你有呢個感覺，2026 年你終於有第二個選擇：用證券戶口直接買比特幣 ETF。

2024 年 4 月 30 日，港交所歷史性上市咗全亞洲首批虛擬資產現貨 ETF——唔係期貨、唔係概念股，係真金白銀直接持有比特幣同以太幣嘅 ETF。由嗰日開始，香港人想接觸加密貨幣，唔再一定要開加密貨幣交易所戶口、記住 24 個英文字嘅私鑰、或者半夜驚個平台跑路。

2026 年今日，呢 6 隻 ETF 已經上市兩年，規模、成交、溢價情況都有晒數據可以睇。但係我發現身邊仲有好多人唔知呢個選擇存在，或者知但唔識揀——6 隻 ETF 代號 3042、3049、3439、3179、3008、3009，邊隻打邊隻都搞唔清。

呢篇文我會用最貼地嘅方式，一次過講清楚：

• 虛擬資產 ETF 係咩、現貨同期貨 ETF 有咩分別
• 6 隻香港現貨 ETF 全面比較（代號、管理費、分別）
• ETF vs 直接買幣，點揀先啱你
• 新手 5 步實戰購買教學
• 倉位應該幾多、點樣控制風險
• 5 大常見迷思同 FAQ

聲明：呢篇文係教育內容，唔係投資建議。虛擬資產波動極大，可能蝕晒全部本金，入場前一定要自己做功課。

目錄

1. 虛擬資產現貨 ETF 係咩？點解係香港人最穩陣嘅入場方式
2. 現貨 vs 期貨 ETF：一個關鍵分別
3. 6 隻香港現貨 ETF 全面比較：3042、3049、3439、3179、3008、3009
4. ETF vs 直接買加密貨幣：5 個考慮因素
5. 新手 5 步實戰購買教學
6. 風險管理：倉位應該幾多？
7. 5 大常見迷思
8. FAQ：8 條常見問題

1. 虛擬資產現貨 ETF 係咩？點解係香港人最穩陣嘅入場方式

一句講晒

虛擬資產現貨 ETF 係一隻喺港交所上市、直接持有比特幣（或以太幣）嘅基金。 你買一手，就等於間接擁有嗰啲幣——基金公司幫你保管，價格跟住幣價上落。

聽落好似好複雜，但其實同你買盈富基金（2800）追蹤恒指冇乜分別：ETF 幫你持有底層資產，你只需要有個證券戶口就買到。

點解 2024 年上市係一個里程碑？

喺 2024 年 4 月之前，香港人想投資比特幣，主要得兩個方法：

1. 去加密貨幣交易所（例如 Binance、OKX、Bybit）——要開戶、要過往 KYC 程序、要自己管理提幣地址，最驚嘅係平台突然出事（諗返 FTX 2022 年倒閉，幾十萬人嘅幣凍結咗）。
2. 買加密貨幣期貨 ETF（南方東英 3066、3068）——透過期貨合約模擬幣價，但會跟唔足（有追蹤誤差），而且轉倉成本高。

2024 年 4 月 30 日，華夏基金（香港）、嘉實國際、博時國際（夥拍 HashKey） 三間公司一共推出 6 隻直接持幣嘅現貨 ETF，香港成為全球首批上市虛擬資產現貨 ETF 嘅市場之一（美國嘅 IBIT、FBTC 喺 2024 年 1 月先批出）。

對普通香港人有咩實際好處？

我嘅親身經歷：2021 年我試過喺交易所買幣，搞咗成晚——實名認證、雙重驗證、仲要研究點樣將幣放去冷錢包。結果擺咗喺交易所冇提出嚟，嗰排成日瞓唔安樂，驚個平台出事。而家買 ETF，個 app 一撳就搞掂，收工安心。

2. 現貨 vs 期貨 ETF：一個關鍵分別

呢個係最多人混淆嘅位，一定要搞清楚。

現貨 ETF（Spot ETF）

• 直接持有真幣：基金公司真金白銀買入比特幣/以太幣，存在受監管嘅保管人度
• 價格跟蹤幣價最貼近：ETF 價格 ≈ 幣價 × 每單位對應嘅幣數量
• 例子：3042（華夏比特幣）、3049（華夏以太幣）、3439（嘉實比特幣）、3179（嘉實以太幣）、3008（博時比特幣）、3009（博時以太幣）
• 冇轉倉成本（唔似期貨要每月續期）

期貨 ETF（Futures ETF）

• 唔持有真幣：持有比特幣/以太幣期貨合約（CME 等交易所）
• 有轉倉成本：期貨合約到期要「轉倉」，牛市期間通常有正價差，長期持有會持續蠶食回報
• 追蹤誤差較大：唔係直接跟幣價
• 例子：3066（南方東英比特幣期貨）、3068（南方東英以太幣期貨）——2022 年底上市，係香港最早嘅加密貨幣 ETF

點解現貨 ETF 更好？

簡單講：你想長期持有加密貨幣，現貨 ETF 係更直接、成本更低嘅方式。 期貨 ETF 適合短線操作嘅人，長期揸住會因為轉倉成本而「跑輸大市」——就好似你租樓收租，但每個月要俾手續費續租，久而久之蠶食晒利潤。

3. 6 隻香港現貨 ETF 全面比較：3042、3049、3439、3179、3008、3009

三間發行商，每間一隻比特幣 + 一隻以太幣：

注意：管理費同優惠會隨時間調整，以上係約數，買之前一定要上發行商官網或者港交所公告核實最新收費。

三間點揀？

講真，對普通投資者嚟講，三間嘅底層資產（幣）係一樣嘅——大家都係持真幣，幣價升你咪升。分別主要喺：

1. 管理費：博時 0.85% 最平，長期持有慳到錢
2. 成交活躍度：3042 通常成交最大，買賣差價（spread）窄啲，短炒嘅人舒服啲
3. 保管安排：嘉實夥拍 OSL（香港持牌交易所）、博時夥拍 HashKey、華夏夥拍自家保管安排——全部都要符合證監會要求，安全性上分別唔大

我嘅建議：如果你係長線持有（一年以上），優先睇管理費；如果你鍾意短線進出，揀成交最活躍嗰隻。唔好因為「邊隻升得多」去揀——因為佢哋跟同一樣嘢，升幅理論上應該一致。

用港幣定美元買？

大部分券商支援港幣交易，部分 ETF 有美元櫃台。用港幣買最簡單，慳返兌換成本。

4. ETF vs 直接買加密貨幣：5 個考慮因素

好多人會問：「ETF 要俾管理費，點解唔直接去交易所買幣？」呢個問題要分開睇。

我嘅真實教訓

2022 年 FTX 倒閉，我識得有個朋友將大部分資產擺咗喺 FTX——最後只拎返零頭。嗰陣佢同我講：「我以為大平台一定冇事。」

呢個就係 ETF 嘅核心價值：你買嘅係證監會監管、由持牌保管人持有嘅資產，唔係擺喺一間公司嘅資產負債表上。當然，ETF 唔係零風險（下面會講），但平台倒閉嘅風險，基本上冇咗。

結論：如果你係新手、或者你只係想「分配 5% 以下嘅資產俾加密貨幣」，ETF 係更穩陣嘅選擇。如果你已經係資深用戶、想參與 DeFi 或者 24 小時操作，先考慮直接買幣。

5. 新手 5 步實戰購買教學

Step 1：揀一間支援嘅證券行

大部分主流券商都買到呢 6 隻 ETF——包括銀行證券戶口（中銀、滙豐、渣打）同互聯網券商（富途、老虎、輝立、Interactive Brokers 等）。

揀嘅時候留意：

• 佣金同平台費（部分券商月費制、部分逐單計）
• 有冇支援碎股（部分 ETF 一手要幾千蚊，碎股可以降低門檻）
• App 介面你啱唔啱用

Step 2：開戶 + 入金

開證券戶口通常 1-3 個工作天搞掂，然後用 FPS 轉數快或者銀行轉帳入錢。呢度提提你：入金用閒錢，千祈唔好用借返嚟嘅錢。

Step 3：揀你要嘅 ETF

用返上面個表：

• 想買比特幣 → 3042 / 3439 / 3008
• 想買以太幣 → 3049 / 3179 / 3009
• 新手建議先揀一隻，唔好一次過買晒兩隻（除非你清楚自己嘅配置）

Step 4：落單買入

同買普通港股一樣：輸入代號 → 揀「市價盤」或者「限價盤」→ 輸入數量 → 確認。

貼士：

• 建議用限價盤（掛一個你接受嘅價位），避免市況波動時以過高價成交
• 留意溢價：如果 ETF 市價高過資產淨值（NAV）太多，代表你買貴咗，可以等溢價收窄先入場（下面風險管理會詳細講）

Step 5：持有、檢視、賣出

• 持有期間，ETF 會每日公布 NAV，你可以喺發行商網站睇到實際持幣量
• 賣出同買入一樣，喺交易時段撳「賣出」就得
• 唔好日日睇住個價：虛擬資產單日 +/-10% 好正常，日日睇會心臟病發

6. 風險管理：倉位應該幾多？

呢個係全篇最重要嘅一節。加密貨幣嘅波動，係股票嘅幾倍。

比特幣有幾波動？

以過去幾年計，比特幣試過一年內升 200%+，都試過一年內跌 70%+。2022 年嗰浸熊市，比特幣由高位跌咗超過 75%，嗰陣買咗嘅人如果頂唔順掟貨，就係真蝕。

倉位建議：最多 1-5%

我強烈建議：虛擬資產佔你總投資組合嘅比例，唔好超過 5%。 點解？

• 假設你 100% 資產都係比特幣，跌 50% 你已經冇咗一半身家
• 但如果只係 5%，就算幣價跌一半，你成個組合先蝕 2.5%——瞓得着
• 加密貨幣嘅邏輯係「用你可以輸得起的錢，博一個高回報」，唔係「all-in 博發達」

3 個實戰風險控制

1. 定期定額（DCA）：唔好一次過買晒，每個月固定買一筆，平均成本。幣市波動大，DCA 特別有效。
2. 留意溢價/折價：ETF 有機會出現明顯溢價（特別係幣市急升時）。溢價 >2-3% 時可以等一等，或者改用折價嗰隻。永遠唔好用市價追溢價。
3. 設定止蝕或者心理準備：入場前問自己：「如果跌 50%，我會唔會瞓唔着？」會嘅話，倉位再減半。

仲有咩風險要注意？

• 監管風險：加密貨幣政策可以好快變，香港/美國/中國任何一邊有新規管都可能影響價格
• 保管風險：雖然保管人受監管，但加密貨幣本身有技術風險（例如智能合約漏洞、黑客攻擊歷史）
• 流動性風險：呢 6 隻 ETF 成交唔算極大，急市時差價可能拉闊
• 匯率風險：部分 ETF 以美元計價，港紙跟美元聯繫匯率，影響唔大，但買之前睇清楚交易貨幣

7. 5 大常見迷思

迷思 1：「買虛擬資產 ETF = 變相買科技股」

錯。 ETF 持有嘅係比特幣/以太幣本身，唔係任何公司嘅股票。科技股有盈利、有生意，比特幣冇——佢嘅價值完全嚟自市場供需。兩者嘅風險特性完全唔同。

迷思 2：「ETF 有證監會監管，所以一定安全」

一半啱一半錯。 產品本身受監管、發行商持牌——但監管唔等於保證唔蝕錢。幣價跌，ETF 一樣跟住跌，監管只係保障你嘅資產唔會被發行商「呃走」，唔係保障你嘅回報。

迷思 3：「現貨 ETF 同期貨 ETF 一樣」

錯，分別好大。 現貨直接持幣、期貨持有合約。長期持有嚟講，期貨 ETF 有轉倉成本，會跑輸現貨。想長揸一定係揀現貨。

迷思 4：「比特幣會歸零，所以唔好掂」

極端咗。 比特幣由 2009 年誕生到而家十幾年，經歷過 N 次「死亡」預測都仲存在，而且而家有現貨 ETF 等傳統金融渠道接入。但都要承認：佢確實有歸零嘅可能（雖然機率隨時間下降）。所以先要控制倉位——你唔需要相信佢唔會歸零，只需要確保佢就算歸零，你都唔會破產。

迷思 5：「買 ETF 唔使自己搞，可以完全唔理」

錯。 你要理嘅嘢包括：管理費有冇調整、ETF 有冇溢價、幣市趨勢有冇根本性轉變、你嘅倉位比例有冇因為幣價大升而失控（例如升咗 3 倍，5% 倉位變咗 15%——嗰陣要考慮部分獲利鎖定）。

8. FAQ：8 條常見問題

Q1：買虛擬資產 ETF 需要開加密貨幣交易所戶口嗎？

唔需要。 用你現有嘅證券戶口（銀行或券商）就買到，同買普通港股 ETF 一模一樣。呢個正正係 ETF 最大嘅優勢。

Q2：一手要幾多錢？入場門檻高唔高？

以 2026 年計，部分 ETF 一手只需要幾百蚊港紙（視乎幣價同每單位對應嘅幣數量，會隨價格變動）。對比直接買幣要留意交易所最低交易額，ETF 門檻其實好低。

Q3：比特幣 ETF 同以太幣 ETF 應該買邊隻？

冇標準答案。比特幣歷史最耐、認受性最高、波動相對（係相對）細啲；以太幣有實際應用（智能合約、DeFi），但波動更大。新手可以先了解兩者分別，再決定——唔建議因為「聽人講邊隻好」就買。

Q4：ETF 會派息嗎？

唔會。 虛擬資產 ETF 係純追蹤價格嘅產品，冇股息、冇利息。你嘅回報完全嚟自價格升跌——呢點同收息股、REITs 完全唔同，買之前要搞清楚。

Q5：買賣要俾印花稅嗎？

唔使。 香港交易所買賣基金（ETF）一直豁免股票印花稅，呢 6 隻虛擬資產 ETF 都一樣。你只需要俾券商佣金（同埋可能要俾存倉費）。

Q6：外國人／非香港居民可以買嗎？

視乎你嘅證券戶口同居住地。香港持牌券商一般服務香港居民；如果你喺其他司法管轄區，要留意當地法規（例如美國居民買非美國 ETF 有特別稅務考慮）。有疑問直接問你嘅券商。

Q7：可以喺美國嘅比特幣 ETF（例如 IBIT）同香港嘅之間搬倉嗎？

唔可以直接搬。 兩邊係獨立嘅基金，唔可以實物轉換。如果你想轉，要賣出香港嘅，再喺美國市場買入——中間涉及兩次交易成本同匯率。除非有特別原因，唔建議為搬而搬。

Q8：我應該而家買定等跌先買？

冇人可以準確預測幣價。 與其估高低，不如用定期定額（DCA）：每個月固定買一筆，跌市自動買多啲、升市買少啲，長期平均成本。配合 1-5% 倉位控制，就算短期波動都瞓得着。記住：時間喺市場，好過估 market timing。

總結：一句講晒

虛擬資產現貨 ETF 係 2026 年香港人接觸加密貨幣最穩陣、最簡單嘅渠道——用證券戶口就買到、唔使自己管私鑰、受證監會監管。但穩陣唔等於冇風險：幣價波動極大，倉位一定要控制喺 1-5%，用閒錢、用定期定額、唔好 all-in。

由 2024 年 4 月嗰 6 隻 ETF 上市開始，加密貨幣投資已經由「極客嘅遊戲」變成「普通散戶都可以參與嘅資產類別」。問題唔再係「應唔應該接觸」，而係「點樣用安全嘅方式接觸」——希望呢篇文幫到你行啱第一步。

想繼續學投資？睇埋我哋嘅 香港 REITs 投資指南 同 環球 ETF 資產配置指南，建立一個完整嘅投資組合。