18 min read

当我把 Claude 接进 Obsidian 后,笔记软件这个概念死了

Source: http://x.com/i/article/2042994232718397440

Claude + Obsidian 真的应该算违法。

在我解释怎么搭建之前,先告诉你我的系统能做什么。

每天早上我打开电脑,在我输入第一个字之前,Claude 已经知道我是谁、我正在做什么、我用的每一个加密货币工具、每一个未完成任务、我写过的每一篇文章,以及我捕捉过的每一个想法。

这不是聊天机器人。

这是一个不会睡觉、不会遗忘,而且你越用越聪明的第二大脑。

这是一个你 5 分钟内就能做出来的例子。

下面是它的具体工作方式,以及你这周怎么自己搭一个。它可能会花你几个小时,但能帮你省下成千上万小时。

如何在 5 分钟内设置你的第二大脑

首先下载 Obsidian。如果你还没有安装,点几下就能装好: https://obsidian.md/ 然后你需要创建你的第二大脑,在 Obsidian 里这叫 vault。你可以随便给它起名字,我的叫 Leo’s workspace。

如果你还没有 Claude Code 桌面版,也下载一下: https://claude.com/product/claude-code 然后打开 Claude Code,选择你的 vault 文件夹。

最重要的一步,是 Andrej Karpathy 的提示词。我把它分成了两部分。

先复制第一部分,再复制第二部分,然后把它们拼在一起:

LLM Wiki

一种使用 LLM 构建个人知识库的模式。

这是一个想法文件,设计目的就是让你复制粘贴给自己的 LLM Agent,比如 OpenAI Codex、Claude Code、OpenCode / Pi 等。它的目标是传达高层思路,具体细节则由你的 agent 和你协作搭建。

核心想法

大多数人使用 LLM 处理文档的方式,本质上类似 RAG:你上传一批文件,LLM 在你提问时检索相关片段,然后生成答案。这当然有用,但问题是,LLM 每次回答问题都在从零开始重新发现知识。没有积累。你问一个需要综合五份文档的复杂问题时,LLM 每次都要重新寻找、拼接相关碎片。没有任何东西被沉淀下来。NotebookLM、ChatGPT 文件上传,以及大多数 RAG 系统,都是这种模式。

这里的想法不一样。不要只是在查询时从原始文档里检索,而是让 LLM 持续构建并维护一个持久 wiki:一组结构化、相互链接的 Markdown 文件,位于你和原始资料之间。当你加入一个新资料时,LLM 不只是把它索引起来等以后检索。它会阅读它,提取关键信息,并把它整合进现有 wiki:更新实体页面,修订主题总结,标记新资料和旧观点之间的矛盾,强化或挑战不断演化的综合理解。知识被编译一次,然后持续保持更新,而不是每次查询时重新推导。

这是关键区别:wiki 是一个持久、复利增长的产物。

交叉引用已经存在。矛盾已经被标记。综合观点已经反映了你读过的一切。你每加入一个资料、每提出一个问题,wiki 都会变得更丰富。

你几乎不需要自己写 wiki。LLM 会写并维护全部内容。你负责提供资料、探索方向,以及提出好问题。LLM 负责所有苦活:总结、交叉引用、归档、维护记录,也就是那些让知识库长期真正有用的繁琐工作。实际使用中,我会一边打开 LLM agent,一边打开 Obsidian。LLM 根据我们的对话进行编辑,我实时浏览结果:点开链接、看图谱视图、阅读更新后的页面。Obsidian 是 IDE,LLM 是程序员,wiki 是代码库。

这个模式可以应用在很多场景:

  • 个人:追踪自己的目标、健康、心理状态、自我成长;归档日记、文章、播客笔记,并逐渐构建一个关于你自己的结构化画像。
  • 研究:连续几周或几个月深入研究一个主题;阅读论文、文章、报告,并逐步构建一个综合 wiki 和不断演化的论点。
  • 读一本书:一章一章归档,构建人物、主题、情节线,以及它们之间的连接。读完之后,你会拥有一个丰富的伴读 wiki。想象一下像Tolkien Gateway这样的粉丝 wiki:成千上万个互相链接的页面,覆盖人物、地点、事件、语言,由社区志愿者多年维护。你也可以在阅读时为自己构建类似的东西,而交叉引用和维护工作由 LLM 完成。
  • 商业 / 团队:由 LLM 维护的内部 wiki,输入来源包括 Slack 讨论、会议转录、项目文档、客户电话。也可以让人类参与审核更新。因为 LLM 做了团队里没人想做的维护工作,所以 wiki 能保持更新。
  • 竞品分析、尽职调查、旅行规划、课程笔记、兴趣深挖:任何你需要长期积累知识,并希望它们被组织起来,而不是散落各处的场景。

架构

这里有三层:

原始资料:你精心收集的一组源文档。文章、论文、图片、数据文件。这些资料不可变,LLM 只能读取,不能修改。它们是你的事实来源。

wiki:一组由 LLM 生成的 Markdown 文件。总结页、实体页、概念页、对比页、总览页、综合分析页。LLM 完全负责这一层。它创建页面,在新资料加入时更新页面,维护交叉引用,并保持一致性。你阅读它,LLM 编写它。

schema / 规范文件:一个文档,比如 Claude Code 使用 CLAUDE.md,Codex 使用 AGENTS.md,用来告诉 LLM wiki 的结构、约定,以及在导入资料、回答问题、维护 wiki 时应该遵循的工作流。这是关键配置文件。它让 LLM 成为一个有纪律的 wiki 维护者,而不是一个普通聊天机器人。你和 LLM 会随着时间共同演化这个文件,逐渐找到最适合你领域的方式。

操作

导入: 你把一个新资料放进原始资料集合,然后告诉 LLM 处理它。一个示例流程是:LLM 阅读资料,和你讨论关键收获,写一篇总结页到 wiki,更新索引,更新整个 wiki 中相关的实体页和概念页,并在日志中追加一条记录。一个资料可能会影响 10 到 15 个 wiki 页面。就我个人而言,我更喜欢一次导入一个资料,并保持参与:我阅读总结,检查更新,指导 LLM 哪些内容更值得强调。但你也可以一次批量导入很多资料,少一点监督。你需要发展出适合自己风格的工作流,并把它记录在 schema 里,方便未来会话继续沿用。

查询: 你向 wiki 提问。LLM 搜索相关页面,阅读它们,然后带引用地综合回答。根据问题不同,答案可以有不同形式:Markdown 页面、对比表、幻灯片 deck,比如 Marp、图表,比如 matplotlib,或者 canvas。重要洞察是:好的答案可以作为新页面归档回 wiki。

你请求的一次对比、一段分析、一个新发现的连接,这些都很有价值,不应该消失在聊天历史里。这样,你的探索会像导入资料一样,在知识库里持续复利。

检查: 定期让 LLM 对 wiki 做健康检查。检查内容包括:页面之间是否有矛盾、是否有被新资料取代的过时说法、是否存在没有入站链接的孤立页面、重要概念是否被多次提到但没有自己的页面、是否缺少交叉引用、是否存在可以通过网络搜索补齐的数据缺口。LLM 很擅长提出值得继续研究的新问题和可以寻找的新资料。这样,wiki 在增长过程中也能保持健康。

索引和日志

两个特殊文件可以帮助 LLM,也帮助你,在 wiki 变大之后更好地导航。它们用途不同:

index.md :是面向内容的。它是 wiki 中所有内容的目录:每个页面都有链接、一句话总结,也可以附带日期、来源数量等元数据。按类别组织,比如实体、概念、来源等。LLM 每次导入资料时都会更新它。回答问题时,LLM 会先读索引,找到相关页面,再深入阅读。在中等规模下,比如约 100 个资料、几百个页面,这种方式效果出奇地好,也避免了搭建基于 embedding 的 RAG 基础设施。

log.md :是按时间顺序记录的。它是一个追加式记录,记录发生了什么以及什么时候发生:导入、查询、检查。一个有用的小技巧是:如果每条记录都以一致的前缀开头,比如 ## [2026-04-02] ingest | Article Title,这个日志就可以用简单的 Unix 工具解析。比如 grep "^## \[" log.md | tail -5 可以取出最近 5 条记录。日志会给你一条 wiki 演化的时间线,也帮助 LLM 理解最近做了什么。

可选:CLI 工具

到某个阶段,你可能会想构建一些小工具,帮助 LLM 更高效地操作 wiki。最明显的是一个针对 wiki 页面的搜索引擎。小规模时 index 文件已经够用,但随着 wiki 增长,你会想要更好的搜索。

qmd

是一个不错的选择:它是本地 Markdown 文件搜索引擎,支持混合 BM25 / 向量搜索和 LLM 重排序,全部在本机运行。它既有 CLI,所以 LLM 可以通过 shell 调用,也有 MCP server,所以 LLM 可以把它当作原生工具使用。你也可以自己做一个更简单的版本,等需要时让 LLM 帮你 vibe-code 一个朴素搜索脚本。

技巧

  • Obsidian Web Clipper

是一个浏览器扩展,可以把网页文章转换成 Markdown。非常适合快速把资料放进原始资料集合。

  • 把图片下载到本地: 在 Obsidian 设置 → 文件与链接里,把「附件文件夹路径」设置为固定目录,比如 raw/assets/。然后在设置 → 快捷键里搜索 “Download”,找到 “Download attachments for current file”,并绑定一个快捷键,比如 Ctrl+Shift+D。剪藏文章之后,按下快捷键,所有图片都会下载到本地磁盘。这是可选的,但很有用,因为它可以让 LLM 直接查看和引用图片,而不是依赖可能失效的 URL。注意,LLM 无法原生一次性读取带有内联图片的 Markdown。变通方法是先让 LLM 阅读文本,再单独查看部分或全部引用图片,以获得额外上下文。虽然有点笨拙,但效果还不错。
  • Obsidian 的图谱视图

是查看 wiki 形状的最佳方式:什么和什么连接,哪些页面是枢纽,哪些页面是孤岛。

  • Marp 是一种基于 Markdown 的幻灯片格式。Obsidian 有对应插件。它适合直接从 wiki 内容生成演示文稿。
  • Dataview 是 Obsidian 插件,可以基于页面 frontmatter 执行查询。如果你的 LLM 给 wiki 页面添加 YAML frontmatter,比如标签、日期、来源数量,Dataview 就能生成动态表格和列表。
  • wiki 本质上就是一个由 Markdown 文件组成的 git repo。你天然拥有版本历史、分支和协作能力。

为什么这有效

维护知识库最枯燥的部分,不是阅读,也不是思考,而是记账式维护。更新交叉引用、保持总结最新、标记新数据何时推翻旧观点、维持几十个页面之间的一致性。人类会放弃 wiki,是因为维护成本增长得比价值更快。LLM 不会厌烦,不会忘记更新交叉引用,也可以一次性触碰 15 个文件。wiki 之所以能被维护,是因为维护成本接近于零。

人类的工作是筛选资料、引导分析、提出好问题,并思考这一切意味着什么。LLM 的工作则是其他所有事情。

这个想法在精神上接近 Vannevar Bush 在 1945 年提出的 Memex:一个个人化、经过筛选的知识存储系统,文档之间的关联路径和文档本身一样重要。Bush 的愿景其实比今天的互联网更接近这种模式:私人的、主动策展的,文档之间的连接和文档本身同样有价值。他没能解决的问题是:谁来做维护?现在,LLM 解决了这部分。

说明

这份文档是刻意抽象的。它描述的是想法,而不是某个具体实现。具体的目录结构、schema 约定、页面格式、工具链,都会取决于你的领域、偏好和你选择的 LLM。上面提到的一切都是可选且模块化的。觉得有用就采用,觉得没必要就忽略。比如:你的资料可能全是文本,因此完全不需要图片处理。你的 wiki 可能足够小,所以 index 文件已经够用,不需要搜索引擎。你可能不关心幻灯片,只想要 Markdown 页面。你也可能想要一套完全不同的输出格式。正确用法是把这份文档交给你的 LLM agent,然后和它一起实例化出一个适合你的版本。这份文档唯一的任务,就是传达这个模式。你的 LLM 能自己搞定其余部分。

现在你需要帮助你的第二大脑获取信息。没人会告诉你这一部分:

你甚至不需要打开 Obsidian。只要把 Claude Code 指向那个文件夹,在终端里工作,你的第二大脑就会在后台悄悄构建自己。

Obsidian 只是你想看看里面有什么时打开的窗口。

第二大脑里到底应该放什么?

想想你过去一年消费过、然后就消失了的一切:

你读完但已经忘掉的书。 那期改变你思考方式的播客。 晚上 11 点保存、但再也没打开过的文章。 让你学到比任何课程都多的 YouTube 兔子洞。 你在 Kindle 上划线、却从没回看过的高亮。 你在做重大决策前做过的研究。 旧项目笔记。 那些失败经历带来的教训。

这些东西现在都躺在某个地方,什么也没做。

它们都应该进你的 vault。

如果你没有任何现成材料,也没关系。打开 Claude 聊天,聊 20 分钟:你的工作、你的目标、你正在构建什么、你正在想明白什么。

把那段对话保存成你的 Memory 文件,这就足以让第一次会话感觉像 Claude 真的认识你。

vault 不需要完整才有用。

它只需要真实。

日常操作:你实际每天做什么

导入: 你用 Web Clipper 剪藏一篇文章,它落到你的 raw sources 文件夹里,然后你告诉 Claude:

claude -p "我刚刚添加了一篇文章到 /raw-sources。 阅读它,提取关键想法,写一篇总结页到 /wiki/summaries/, 用链接和一句话描述更新 index.md,并更新所有和这篇文章相关的 现有概念页面。 告诉我你修改了哪些文件。" --allowedTools Bash,Write,Read

一篇文章:Claude 会链接 10 到 15 个 wiki 页面,发现意想不到的连接,标记矛盾,并精确记录改动。

查询: 向 wiki 提问。Claude 会扫描 index,拉取正确的页面,并带引用地回答。

然后它会把最好的输出保存回 wiki:对比、分析、新连接。这样洞察不会消失在聊天里,你的知识库会持续复利。

**检查:**每周运行一次:

claude -p "阅读 /wiki/ 中的每个文件。找出: 页面之间的矛盾、 没有入站链接的孤立页面、 被反复提到但没有独立页面的概念、 以及根据 /raw-sources/ 中较新的文件来看似乎已经过时的说法。 把健康报告写到 /wiki/lint-report.md,并给出具体修复建议。" --allowedTools Bash,Write,Read

你的知识库会自动保持健康,维护不再是你的工作。

早晨简报:设置一次,永久运行

claude -p "写一个叫 morning_digest.py 的 Python 脚本: 1)读取 Memory.md,并列出今天到期的所有未完成行动项 2)读取过去 24 小时内新添加到 /raw-sources 的所有文件 3)在终端打印一份干净的简报。 然后把它设置成每天早上 7:30 运行的 cron job。" --allowedTools Bash,Write

你只需要设置一次。每天早上它都会自动运行,不需要你碰任何东西。

处理一次通话转录,并更新你的整个系统

claude -p "阅读 /transcripts/call-today.md 中的转录。 提取所有已经做出的决定、每一个带负责人和截止日期的行动项, 以及一个 3 条要点总结。把行动项添加到 /Action-Tracker.md, 把决定记录到 /Decision-Log.md,并在 /clients/ 中创建一份客户笔记, 链接回这份转录。" --allowedTools Bash,Write,Read

每个决定都会被归档,每个行动都会被追踪,再也没有东西会丢在聊天历史里。

为什么几乎没人拥有这个系统

原因很简单:已经搭出来的人没有讲清楚,而真正需要它的人不知道它存在。

大多数第二大脑项目死法都一样。你一开始很有条理。然后维护工作越堆越多:更新标签、保持交叉引用最新、结构变化时重新整理。

这是你完整工作量之外的额外工作。

于是你开始跳过它,系统开始退化,然后你又回到散落各处的笔记。

六个月后,你又试着重建它,循环再次开始。

Claude 永久打破了这个循环。维护只是一个命令。重组整个 vault 是一个提示词。从 Notion 迁移?

一个命令就能处理每个导出的文件,添加正确属性,并把所有东西重构进你的新系统。

人类的工作是筛选资料、提出好问题、思考这一切意味着什么。

Claude 的工作是其他所有事情:总结、交叉引用、归档,以及那些让知识库长期真正有用的记账式维护。

Vannevar Bush 在 1945 年描述过类似的东西:一个个人化、经过筛选的知识存储系统,其中文档之间的连接和文档本身一样有价值。

他称之为 Memex。

他没能解决的问题是:谁来维护?

现在你知道答案了。

搭建一次,永久使用。

而且你每天往里面添加东西,它就会每天变得更好。

这就是为什么它应该算违法。

原文翻译至

@defileo