9 min read

Claude Code + Obsidian:为什么纯 .md 就够了

Source: http://x.com/i/article/2036572589771071493

前天发了条关于 Claude Code + Obsidian 的帖子,被人喷:狗屁不懂还在这里充数。🤣

https://x.com/gearB36185/status/2036144569793028226

刚开始使用 Obsidian 两周,说实话,确实没有深入想过 "为什么是 Obsidian" 这个问题。被喷了之后认真研究了一下,反而搞清楚了很多东西。分享一下。

为什么笔记软件的竞争在 2026 年突然有了新答案

这个行业竞争向来激烈,从早期 Evernote,中文的有道笔记、印象笔记,到这几年大火的 Notion,以及 Roam 甚至是 logseq,每一代都解决了上一代的某个痛点,但也带来新的限制。

Obsidian 是 2020 年发布的,本地 Markdown,当时看起来像是一个"复古"的选择。但到了 AI 时代,这个设计反而成了最大的优势。

核心原因就一个:你的笔记在你电脑上,AI 可以直接读写。

Notion 的笔记在云端。你的 AI agent 想读你的 Notion?两条路:订阅 Notion AI(贵,而且用什么模型你说了不算),或者走 API/MCP(慢,有请求限制,要配置)。

Obsidian vault 就是一个文件夹,里面是 .md 文件。告诉 Claude Code 路径,它直接读。零配置,零延迟,零额外成本。

最近看了 Blink 的一个视频,讲得很清楚:当别的笔记软件都在往里塞 AI 功能的时候,Obsidian 用最简单的纯文本架构,反而成了 AI 时代的最佳搭档。因为 .md 是所有 AI 都天生会读写的格式。这不是 Obsidian 的功能,是纯文本 + 本地存储的天然优势。

Claude Code + Obsidian 实际怎么用

说完为什么,讲怎么做。我目前的用法分三层。

第一层:让 Claude Code 读懂你的笔记

最简单的方式:在项目的 CLAUDE.md 里加一行路径。

markdown

## Knowledge Base
My Obsidian vault is at ~/Documents/MyVault/
Read notes from this vault when I ask questions about my projects, ideas, or past decisions.

就这样。下次你在 Claude Code 里说"帮我看看我之前关于 XX 项目的笔记",它就会去读。

进阶一点:指定具体的子目录。

markdown

## Knowledge Base

- Daily notes: ~/Documents/MyVault/Daily/

- Project notes: ~/Documents/MyVault/Projects/

- Reference: ~/Documents/MyVault/Reference/

不需要数据库,不需要向量存储。Claude Code 200K context window,大约15万字中文,三分之一本《三体》。

有人会说:context window 再大也有注意力衰减啊?没错。Anthropic 自己也承认存在 "context rot":随着 token 增加,模型准确回忆信息的能力会下降。但这里有个设计上的关键:好的知识管理系统不是一股脑把所有东西塞进去的。

这其实是 progressive disclosure — 按需加载。Claude Code 不会一次性读你整个 vault。你问交易相关的问题,它去读 Projects/Trading/ 下面的笔记;你问写作风格,它去读对应的 skill 文件。每次只加载跟当前任务相关的上下文。

Claude Code 的 codebase indexing 就是这个思路:先建语义索引,再按需检索。本质上是一种轻量级的"检索增强",只不过不需要你手动搭 RAG pipeline。你的 vault 结构越清晰,这种按需加载就越精准。

第二层:AI 驱动的记忆系统

Claude Code 不只能读 .md,还能写。这才是真正有意思的部分。

我在🦞上搭了三层记忆架构:

https://x.com/xxx111god/status/2026449632214020286
  • MEMORY.md — 长期记忆,我的偏好、项目状态、关键决策
  • USER.md — 身份信息,时区、语言偏好
  • memory/YYYY-MM-DD.md — 每日工作日志,自动记录

agent 每天自动写日志,记录做了什么、学到了什么、哪些决策需要追踪。这些日志就是 .md 文件,存在本地。

我最近在做的一件事是把这套记忆系统迁移到 Obsidian vault 里。原因很简单:龙虾的记忆文件本来就是 .md,直接复制到 vault 里就行。

不过有一个细节:Obsidian 的 graph view 是根据 [[双向链接]] 来生成关系网络的。如果你只是把一堆 .md 文件丢进去,graph view 只会显示一堆孤立的点。要让它真正有用,需要让 agent 在写笔记的时候自动加 [[链接]]。

做法很简单,在 CLAUDE.md 里加一条规则:

写笔记时,如果提到了已有的概念或项目,用 [[概念名]] 格式做链接。

这样 agent 每天写的日志会自动引用 [[MEMORY]]、[[Trading]]、[[Writing Style]] 这些已有笔记,Obsidian 的 graph view 就能展示出一张真正的知识网络。你可以看到哪些项目之间有关联、agent 的记忆是怎么生长的。

X 上有人也在做类似的事:patterns.md 记录踩坑经验,每次被纠正自动写入,下次 session 开始先读。还有人搞了 today.md,三个不同的 AI 工具通过 symlink 共享同一份文件。

思路都一样:一个 markdown 文件 + 简单的读写规则 = AI 的长期记忆。不需要数据库。

第三层:AI Context — 让每次对话都懂你

其实龙虾已经在用更完整的版本了。龙虾把这个拆成了几个独立文件:SOUL.md 定义 agent 的人格和说话风格,USER.md 存用户身份信息,AGENTS.md 定义操作权限(什么操作要确认、什么可以自己干)。每次启动自动加载这一整套。

在 vault 里创建一个 AI-Context.md,写上你的背景信息:

龙虾把 context 拆成了几个独立文件:SOUL.md 定义 agent 的人格和说话风格,USER.md 存用户身份信息,AGENTS.md 定义操作权限和行为分级。每次启动自动加载整套。

纯 Claude Code 用户可以用简化版:在 vault 里按这个结构建几个 .md 文件。

markdown

# USER.md

- Name: Jason

- Timezone: US Eastern (UTC-5)

- Languages: English, Chinese

- Communication: Direct, no fluff

# SOUL.md — Agent 人格

## Style Dimensions (1-10)

- formal_casual: 8 → 像朋友聊天,不像写报告

- technical_accessible: 6 → 专业术语直接用英文,但要能解释

- concise_elaborate: 7 → 废话不要,关键细节给够

## Boundaries

- 对外操作先确认

- 不发半成品

- 不确定就问

# AGENTS.md — 操作规范

## 操作分级
A类(等确认): 真钱 / 对外消息 / 删除
B类(读 checklist): 生产代码 / 定时任务
C类(直接做): 内部文件 / 查询

## Session Setup
1. Read SOUL.md
2. Read USER.md
3. Read memory/today.md
4. Check active tasks

然后在 CLAUDE.md 里加载:

## Session Init
Read these files at session start:

- ~/Documents/MyVault/USER.md

- ~/Documents/MyVault/SOUL.md

- ~/Documents/MyVault/AGENTS.md

- ~/Documents/MyVault/memory/ (latest daily note)

效果:每次开 Claude Code,它已经知道你是谁、该怎么说话、什么事能自己干什么事要问你。不用每次重复描述。

所有记忆都是你自己维护的纯文本,想改随时改,想迁移直接复制文件夹。

Obsidian 的双向链接 + AI = 发现思维盲区

这是我之前没深入想过的一点。

Obsidian 的双向链接原来主要是给人看的,graph view 很炫但实用性一般。但接上 AI 之后不一样了。

举个我自己的例子:我在做量化交易,同时也在搭 AI 写作系统。看起来是完全不同的两件事。但让 Claude Code 扫一遍我的 vault,它发现了一个我自己没注意到的模式 — 两个系统的核心逻辑是一样的。

交易系统里,我用"gate"来过滤坏信号:价格太高不进、距离太近不进、时间不够不进。写作系统里,我用"humanizer rules"来过滤 AI 味:banned words 列表、格式禁用规则、风格维度打分。

本质上都是:定义边界条件 → 过滤不合格的输出 → 持续迭代规则。交易的 gate 和写作的 humanizer 是同一种思维模式在不同领域的应用。

这种跨领域的模式识别,靠人工翻阅很难发现。AI 扫一遍 vault 就能找出来。

Obsidian 最近在 1.12 版本发布了 CLI,让 Claude Code 不只能读写文件,还能通过命令行操作 vault — 搜索、创建笔记、管理链接。

这对 AI agent 来说意义很大。对比一下:

  • Notion:要装 MCP server 或调 API,有请求限制,要认证配置
  • Obsidian:CLI 直接调用,本地执行,零延迟,而且 Obsidian 官方页面上写的第一个 use case 就是 "Give agentic tools the ability to interact with your vault"

Obsidian 是在 agent-first 的方向上设计的。这不是第三方插件做的事,是官方产品策略。

关于向量存储和 RAG

回到最开始被喷的那个点。"不需要向量存储"不是在否定这个技术。

向量存储 + RAG 解决的是:几十万篇文档、客服知识库、法律条文库。context window 根本装不下,才需要先检索再喂给模型。这是企业级场景的正确方案。

个人知识管理?Claude Code 200K context + codebase indexing + progressive disclosure,处理个人规模的知识库绰绰有余。

Karpathy 的笔记系统更极端:一个 Apple Notes 文件,往顶部追加,找东西 Ctrl+F。他在博客里写过为什么这么做,核心逻辑是零摩擦:记录的心理门槛越低,越能坚持长期记录。复杂的分类系统、标签体系反而因为维护成本太高最后荒废。

https://x.com/karpathy/status/1902503836067229803

Anthropic 自己设计的 Claude Code 记忆系统也是纯 .md 文件。CLAUDE.md 做项目指令,memory/ 目录做持久记忆。他们那篇 context engineering 博客明确说:"good context engineering means finding the smallest possible set of high-signal tokens." 最小化、高信号,这就是纯文本的哲学。

https://x.com/garrytan/status/2036093320846557413

Markdown 没有光环

但在 AI 时代,它是所有工具的公约数

技术选型不是比谁的 stack 高级。是比谁更理解问题的边界