视频演示

YouTube 视频：Obsidian搭建最小可用AI知识库

开头：Obsidian + AI 到底怎么用？

关于 Obsidian AI 知识库的教程已经不少，但真正动手时，很多人卡住的不是概念，而是第一步怎么做。

有些方案一上来就讲 Karpathy 知识库、AI Wiki、自生长知识库、Agent 系统，听起来很完整，照着做却偏重。更实际的起点，是先搭一个最小可用版本：资料能进入 Obsidian，AI 能参与处理，内容能留下来，最后能变成文章、报告、Q&A、项目资料或其他输出。

最小可用 AI 知识库的输入、处理、沉淀和输出闭环

这篇文章只解决一件事：用 Obsidian 搭一个能先跑起来、后面还能扩展的 AI 知识库。不追求一步到位的全自动化，也不要求一开始就设计完美系统，先按三个步骤走：

  • 先搭建 Obsidian 本地知识库。
  • 再把 AI 能力接进来。
  • 最后用资料积累和项目推进两个真实场景跑通闭环。

判断这套流程有没有跑通，可以看四个结果：

  • 外部资料可以保存成本地 Markdown。
  • AI 可以读取、总结和更新笔记。
  • 值得保留的内容可以进入长期知识或项目 Index。
  • 最后能产出后面还会用到的成果。

构建Obsidian本地知识库

AI 要参与知识管理，前面得先有一个稳定、可读、可维护的本地知识库。

Obsidian 好用的地方，不只是能写笔记，而是它把内容保存成一批本地 Markdown 文件。网页、PDF、文档、想法、访谈、视频转写稿，都可以先变成 Markdown；AI 处理完以后，结果仍然写回 Markdown。人能读，AI 也能读，后面还可以继续转成文章、脚本、PPT 或项目文档。

最小可用的 Obsidian 仓库，可以先用下面这套目录：

1
2
3
4
5
6
7
8
Obsidian Vault/
├── 00-Inbox收件箱
├── 10-Projects项目
├── 20-Areas领域
├── 30-Resources资源
├── 40-Archive归档
├── 80-Templates模板
└── 90-Attachments附件

每个目录只管一件事：

  • 00-Inbox收件箱：临时入口，先接住资料、想法和临时记录。
  • 10-Projects项目：正在推进的具体项目，比如一篇文章、一支视频、一次研究。
  • 20-Areas领域：长期维护的能力、主题和判断，比如知识管理、内容创作、AI 工具使用。
  • 30-Resources资源：以后还会参考的原始资料，比如文章、访谈、文档、PDF。
  • 40-Archive归档：已经结束或暂时不用的内容。
  • 80-Templates模板：常用笔记模板。
  • 90-Attachments附件：图片、PDF 和其他附件素材。

这套结构参考了 PARA，但重点不是“按主题分类”，而是先判断这条信息接下来要服务什么。临时资料先进入 Inbox，以后还会查的资料就放到 Resources；Resources 可以被 Projects 调用，项目或资料里整理出的长期方法，可以进入 Areas；结束的项目再放进 Archive。

Obsidian AI 知识库的目录流转逻辑

这里不用急着把目录设计得很复杂。知识库是在使用中长出来的，只要起点清楚，后面目录可以继续调整。Obsidian 的双链会保留笔记之间的关系，不需要把所有秩序都压在文件夹层级上。

Obsidian接入AI能力

本地知识库搭好之后，下一步是让 AI 进入这个 Markdown 仓库，而不是只停留在一个独立聊天窗口里。

Obsidian 接入 AI 的方式很多。这里先用一个轻量方案：Claudian + CLI Agent。它大概分三层：

  • Obsidian：知识库和工作界面。
  • Claudian：连接器，把 Obsidian 当前笔记和 AI 对话接起来。
  • CLI Agent：执行任务的 AI，可以是 Claude Code、Codex CLI 或 OpenCode。

Claudian 与 CLI Agent 接入 Obsidian 的最小架构

验证时不用做复杂配置，先跑五步：

  1. 选择一个 CLI Agent，例如 Codex CLI。
  2. 完成登录，或者通过第三方模型转接。
  3. 在终端里测试 Agent 是否能正常对话。
  4. 回到 Obsidian，在 Claudian 插件里启用这个 Agent。
  5. 让 AI 读取当前笔记，并做一次简单总结。

如果使用 Codex CLI，终端里可以先输入：

1
codex

进入对话后，输入一句简单的测试内容，例如：

1
你好

能正常回复，就说明本地 Agent 至少可以运行。然后打开 Obsidian 设置，进入社区插件，找到 Claudian。在 Codex 标签页里启用：

1
Enable Codex provider

在 Claudian 中启用 Codex provider

最后打开一篇当前笔记，在 Claudian 面板里输入：

1
帮我总结一下这个笔记内容。

如果 AI 能基于当前笔记生成总结，这条连接就跑通了。这个阶段不用追求自动化，只确认一件事：本地有一个 Agent 能正常工作，并且它能通过 Claudian 读取 Obsidian 当前笔记。

用真实场景跑通 AI 知识库

接入 AI 只是起点，知识库还得在真实场景里用起来。

这里用两个场景验证：日常资料积累和项目推进。前者解决“资料怎么变成长期知识”，后者解决“知识怎么帮一个具体目标往前走”。

先看资料积累。比如看到一篇 Obsidian CEO 的采访，可以用 Obsidian 官方 Web Clipper 把网页剪藏成 Markdown，并保存到：

1
00-Inbox收件箱/Clippings

回到 Obsidian 后，这篇网页已经变成一篇本地笔记。接下来把它从 Inbox 移到 Resources，因为它以后还可能用得上：

1
30-Resources资源/Obsidian's CEO on why productivity tools need community more than AI.md

然后在原文上方加两个标题：

1
2
3
# 内容总结

# 原文

选中“内容总结”区域，在 Claudian 里给 AI 一个明确指令：

1
给我总结这篇文章内容，并更新到这里。

AI 将网页资料总结写回 Obsidian 笔记

AI 写回总结后，人再判断哪些内容值得留下。比如把“对 Obsidian 使用者的启发”整理进 20-Areas领域/Obsidian学习，并加上原始资料的双链。这样，一个积累型流程就完成了：

1
网页资料 -> Inbox -> Resources -> AI 总结 -> Areas 长期知识

再看项目推进。比如想研究一个问题：

1
Obsidian 为什么适合 AI 时代的知识管理？

可以先在 10-Projects项目 中新建一个项目 Index：

1
10-Projects项目/Obsidian为什么适合AI时代的知识管理-index.md

这个 Index 先放四个一级标题：

1
2
3
4
5
6
7
# 背景

# 分析

# 输出

# 常见问题

项目型知识工作流中的背景、分析、输出和常见问题结构

接下来围绕这个项目，让 AI 做几件具体的事。

第一，先拆研究角度：

1
如果我要研究“Obsidian 为什么适合 AI 时代的知识管理”，需要从哪些角度查找资料？

如果这个问答以后还会用到，就让 AI 新建 Q&A 笔记，并把双链放回“常见问题”下面：

1
在当前目录新建一篇 Q&A 笔记，记录上面这个问题和回答，并在这里添加双链。

第二，整理资料到背景：

1
把 `00-Inbox收件箱/Clippings` 里的相关资料迁移到 `30-Resources资源`，并把这些资料的双链放到“背景”下面。

第三，基于资料做输出：

1
基于背景中参考资料，给我总结关键要点，记录在分析标题下面，要简要精炼罗列，不要太长。
1
基于“分析”里的要点，创建一篇简短文章，并把文章双链放到“输出”下面。

如果还想做可视化，可以再让 AI 调用相关 skill：

1
利用这个 skill，基于文章的核心结构，生成一个关系图，并把这张图的双链也放到“输出”下面。

到这里，一个项目型流程也跑通了：一个临时问题进入项目，相关资料进入资源，AI 帮忙拆解、分析和生成成果，最后所有输出都回到项目 Index 里管理。

横向看，目录决定笔记放在哪里；纵向看，双链把原始资料、长期知识和项目成果串起来。文件夹负责位置关系，双链负责知识关系。这就是 Obsidian + AI 最基础的骨架。

目录位置关系和笔记双链关系的区别

结尾：这只是最小闭环，后面可以继续扩展

最小可用版本不追求一步到位，先完成一条能验证的闭环。

这条闭环可以压缩成三个环节：

  • 知识输入：把资料、想法和项目需求放进 Obsidian。
  • 知识处理：让 AI 总结、提炼、归类和关联，人负责判断和取舍。
  • 知识输出：让知识服务项目推进、内容创作和决策。

Obsidian AI 知识库的三步最小闭环

后续升级也可以继续围绕这三个环节展开：

  • 输入端：接入更多资料类型，比如网页、PDF、视频、音频、Notion 笔记、Word 文档和 AI 对话。
  • 处理端：参考 Karpathy 知识库、AI Wiki 等方法，基于 Resources 生成结构化 Wiki、索引和领域知识。
  • 输出端：把知识转成文章、PPT、视频脚本、公众号稿、选题库或项目文档。

自动化、Agent、MCP、自生长知识库，都适合放到后面。先让资料进来，让 AI 能处理，让知识留下来，让结果能输出，再继续升级。

参考资料