從知識到體驗

2026 年 8 月，劉亮讀完 The Pudding 的運作方式之後下了第二道指令，要求把它的產出方式對比滾寒宮建站歷程與條條大路通財神，指出他缺什麼、可以善用什麼。

他自己先下了判斷，而那個判斷從簡報出發：

對「內容」的理解，然後用視覺化的方式表達，其實也是簡報常在運用的概念。只是一般人做的並不好，以為把文字放上 PPT、配上幾張圖片就算是視覺化，而沒有深入去理解真正要傳達、溝通的內容、訊息。

回來的分析結論是：缺的不是內容量，也不是 AI 能力，是中間那一層。

兩種層，回答的是不同問題

知識層回答的是「這些知識彼此怎麼連」，編輯層回答的是「哪一個關係值得讓別人看見」。這兩件事完全不同，而 LLM Wiki 解的是前者。

完整的鏈是：原始筆記 → 知識圖譜 → 問題 → 洞見 → 故事 → 體驗。LLM Wiki 停在第二格，The Pudding 的方法處理的是後面四格。兩者不是競爭關係，是上下游。

分析的收束句因此不是「視覺化還不夠」，而是：擁有大量知識物件，但還沒有把「知識 → 公共故事」制度化成一條生產線。

問題工程

第一層不是「我有什麼內容」，而是「我到底想知道什麼」。分析把這件事叫 Question Engineering，並刻意與 Prompt Engineering 區隔——它要做的是把模糊的興趣轉換成可以被證明、比較、探索的問題。

示範仍是那個口袋案例：「為什麼女性服裝口袋那麼小」資料答不出來，改成「女性牛仔褲口袋到底比男性小多少」就能測量（見繼續轉向或放下）。

這一層正是 Digital Garden 天生會缺的。以主題為中心的架構是很好的知識儲存架構，卻不是好的公共溝通架構——讀者看到「Multimodal Discourse Analysis」不知道為什麼要點，看到「為什麼同一首歌放進不同演唱會，會讓人產生完全不同的感覺」就有了入口。

具體建議是在 Garden 既有的 Concept、Source、Project、People 之外，多一種物件：Question。

演唱會導演與視覺論述是同一個結構

這是整份分析裡最值得記的一段，因為它指出的不是他該學什麼，而是他已經會什麼。

演唱會	視覺論述
Meaning	Thesis
Dramaturgy	Narrative
Sequence	Sequence
Visual language	Visual grammar
Cue	Interaction
Audience perception	Reader cognition

兩條鏈只換了媒介。因此可移植的核心是把網頁當成時間性媒介來導演，而不是當成一張很長的海報。

同樣的對應也發生在文件層級。The Pudding 的 storyboard 把「這一段讀者應該理解什麼、證據是什麼、用什麼視覺、什麼互動、下一段推進到哪」綁在一起——那不是版面設計，是認知 Cue Sheet，與演唱會製作管理記的那套 Call Cue 系統結構相同。碩士論文研究的跨媒介轉譯也在同一條線上。

視覺語法不是配圖

分析把「配圖片不等於視覺化」推進成一組對照：不要問「這裡放什麼圖片」，要問「我要讓讀者看見什麼關係」。

想表達的關係	視覺形式
比較	bar／並列
變化	timeline／折線
分布	histogram／地圖
關係	network
階層	tree
累積	逐步揭露
不確定性	range／機率
個體差異	small multiples

互動同理。動畫做得好看但刪掉之後內容完全沒差，那叫裝飾；好的作品裡 interaction 就是論證本身——不是因為網頁可以動所以讓它動，是因為這個概念必須分階段理解，所以讓它動。

AI 該放在哪一格

The Pudding 2024 年真的讓 AI 試著完成一篇他們規格的資料故事。結果是 AI 在快速原型、生圖表、獨立的程式任務與初版 storyboard 上表現很好，但有一個明確的短板：

AI 容易滿足於第一個「看起來合理」的答案。 它不會自然地去質疑資料、找 edge case、重做研究、挑戰自己的結論、重新設計視覺，或決定轉向。而那些反覆正是真正耗時的部分。

由此得出的分工是 AI 負責搜尋空間的擴張，人負責編輯判斷。分析直指這正是他兩個 AI-heavy 專案最大的風險。

十三步的過門

分析把整套壓成一條 SOP，要求任何內容在「我要做成頁面」之前先通過：問題 → 獨特性 → 資料 → 模式 → 主張 → aha → 故事順序 → 視覺 → 互動 → 原型 → 挑戰（反例、bias、edge case）→ 決定繼續轉向或放下 → 最後才寫程式。

其中兩道最像篩子。The Pudding 自己的 pitch form 要求先回答「這個故事唯一想表達的重點是什麼」「讀者的 aha moment 是什麼」「核心視覺可能是什麼」——如果 aha 與視覺這兩題答不出來，通常還不值得做成互動內容。

這條 SOP 被明說同時適用於簡報、Digital Garden 的視覺論述、偏財實驗室、研究成果網站，甚至演唱會的內容敘事。

三個專案各自的落點

滾寒宮：分成兩層。 不需要讓每篇筆記都變成 The Pudding，那會把自己累死——互動式視覺論述是重型製作，常需數月。作法是 Garden Layer 維持 Markdown-first 的大量內容，另開 Essay Layer 一年只做六到十二篇。分析給的比喻很準：Garden 是研究室，Essay 是展覽館。

偏財實驗室：換一個層級的定位。 它現在容易被理解成 AI 今日財神加彩券工具，天花板不高。往上一層是計算民俗學——用資料、程式、AI 與視覺化研究民俗信仰，於是玄學不是答案，而是研究對象。工具留著當入口，深度靠實驗、資料故事、地圖與檔案長出來。同時指出它的資料潛力遠不只開獎號碼，曆法、民俗、地理、語言都算，而「Data」的定義是被有系統地觀察、分類、記錄的現象，不限於政府開放資料。

LLM Wiki：多一個 Story Candidate 的概念。 系統從既有的筆記、資料、問題與連結裡自動提出「這裡可能存在一篇視覺論述」，附上問題、假設、相關筆記、可能證據、可能資料集、視覺概念與可能的 reveal。重點是它不自動發文，只做編輯發現。同一套引擎也能給偏財實驗室每天跑異常偵測與問題生成，跑出候選之後再走繼續／轉向／放下。

這份分析自己的收尾

一旦這層建立起來，你現在累積的知識庫與資料，就不再只是等待被查詢的內容，而會開始具備一個更重要的能力：自己長出值得被講述的問題。

滾寒宮

探索