議會質詢資訊圖卡

一句話成果

我只要把縣市議會公開在 YouTube 質詢影片交給 AI Agent，它就會協助我整理分角色逐字稿、切分議題、製作一題一張的資訊圖卡，再同步進 Notion，讓我可以依日期、議員或局處回頭查找。

一開始想解決的問題

我想知道地方最近在討論什麼縣政議題，但議會的質詢影片動輒兩、三個小時，我不可能每一支都從頭看到尾。

我要的其實不是「叫 AI 幫我把影片看完就算了」，而是先讓我知道今天講了什麼。它像一個小秘書，先幫我吸收一輪、把問題和答覆整理出來；我對哪一題有興趣，再沿著時間碼回去看原始影片。

一開始我只想把長影片變成比較容易閱讀的逐字稿和圖卡。實際累積幾天後，我發現單次整理還不夠：如果沒有資料庫，過幾天就很難記得「哪位議員問過什麼」或「某個局處以前怎麼回答」。所以目標慢慢變成一套可以持續新增、可以追溯來源，也能長期查詢的議會質詢資料庫。

我怎麼使用 AI 工具／Agent

我主要使用 Claude Code 與 Codex 作為 AI Agent，搭配本機 Whisper 語音辨識、Python 圖卡產生與驗證程式，以及 Notion 關聯資料庫。

我不是每次都重新打一長串指令，而是把整套做法整理成 council-transcript-cards 技能。之後只要提供新的影片網址，Agent 就會照同一套流程往下做：

1. 讀取影片資料，使用本機 Whisper 轉錄。
2. 依主席點名、畫面姓名牌、答詢稱呼及上下文，校對誰在提問、誰在答覆。
3. 把長篇內容切成一項一項的議題，保留原影片時間碼。
4. 產出目錄卡與議題卡；每張卡同時放入「議員問什麼」「官員怎麼答」及一句話重點。
5. 用程式檢查頁碼、尺寸、檔名及 ZIP 內容，再抽查圖卡有沒有截字或排版問題。
6. 同步到 Notion 的議員、局處、議題三個關聯資料庫，同一題只保留一份內容。

以前要把一件事情拆成很多小步驟，一件一件交代下去做，其實很繁瑣。現在我只要把影片網址貼進去，就可以先去泡一杯咖啡，等待結果。過程不用再插手，也沒有惱人的反覆問答，很像把事情交辦給一位我可以完全信任的員工。

印象深刻的卡關與修改

語音辨識有文字，不代表角色就是對的。 議員姓名、局處名稱和台語內容都可能被辨識錯。後來我要求 Agent 不能只看轉錄文字，要搭配主席點名、席位姓名牌、答詢稱呼及官方名單交叉判斷。真的無法確認就標示待複核，不能為了交差硬猜。

AI 很容易把提問方的要求，寫成官員已經答應。 議員說「官員應該做」和官員說「我們會做」是兩件不同的事。我把問方、答方分開整理，沒有具體回答時就直接寫「未提出具體答覆」，不能替官員補答案。

同一天的上午、下午影片，曾被做成兩套成果。 我管理資料的單位是日期，不是影片網址。下午影片釋出後，應該回頭合併上午成果、重新編排當日議題與頁碼，而不是多開一個資料夾。這個錯誤後來被寫進技能規則。

不能看到聯席審查就以為只有程序。 Agent 曾只整理開場、宣讀與散會，漏掉影片中間真正的問答。後來我要求每支影片都要完整檢查，有實質問答就補成議題卡；如果全程真的只有程序，也要留下逐字稿和來源。

同步到 Notion 後，還要能修正而不製造重複資料。 議員或官員判斷錯誤時，逐字稿、圖卡、人物關聯與 Notion 頁面必須一起更新，但原本的議題頁連結不能消失。後來加入固定議題識別碼、內容雜湊與同步後回讀，重跑同一天時會更新原頁，不會再建立一批重複資料。

這些修改讓我慢慢理解：AI Agent 真正有用的地方，不是第一次就完全正確，而是我指出一次錯誤後，它能把修正留下來，下一次照新的規則工作。

現在的成果與改變

截至目前，這套流程已整理 13個日期、170項議題、28位議員與22個答詢機關。

Notion 不是單純把所有資料排成一張很長的表。我可以點進一位議員，看他歷次關心哪些議題；也可以從教育處、衛生局等局處入口，反過來看它曾經被問過什麼。逐字稿裡，提問用淡黃底、答覆用淡綠底、程序發言用淡灰底，時間碼可以直接回到原始影片。

把資料匯入 Notion 之後，我用手機也能很方便地查看。那種感覺很像有一個聰明的小秘書，先把內容理解完，再回來向我報告重點。

以前是「花三小時看一支影片」，現在可以先用幾分鐘看圖卡，真的關心的題目再回頭看影片；先掌握重點，再選擇自己想深入了解的內容，不再只是被動接收新聞替我挑好的題目。