Obsidian + AI = 第二大脑

你有没有过这种体验：明明记得之前解决过某个问题，却死活找不到当时的笔记；或者每个项目都积累了成吨资料，但散落在不同文件夹里，想用的时候得翻半天。

这就是「有信息、没知识」的典型症状。

今天聊聊怎么用 Obsidian 搭建知识库，再配上 AI Agent 自动维护，让它从「存东西的文件夹」变成真正能帮你干活的「第二大脑」。

一、Obsidian 是什么

Obsidian 是一款基于本地 Markdown 文件的知识管理工具。不像 Notion 把数据锁在云端，它的核心理念是「你的数据永远在你自己手里」——所有笔记都是你硬盘上的纯文本 .md 文件，你可以用任何编辑器打开，也可以随时迁移走。

截止 2026 年 7 月，Obsidian 社区已经积累了超过 3700 个插件和 260 个主题，几乎能找到任何你需要的扩展。

官网：https://obsidian.md

1.1 核心功能一览

双向链接（Bidirectional Links） 这是 Obsidian 的灵魂。你在笔记 A 里写了 [[笔记B]]，笔记 B 里会自动出现反向链接，告诉你「谁引用了我」。久而久之，笔记之间会自然形成一张网，而不是孤立的文件夹。

图谱视图（Graph View） 所有笔记的链接关系会被可视化成一张网状图，每个节点是一篇笔记，连线是引用关系。你能直观看到哪些知识点被频繁引用、哪些是孤岛。

Canvas 画布 无限画布，可以拖放笔记、图片、卡片，用箭头连接。适合做头脑风暴、项目规划、读书笔记整理。

插件生态 3700+ 社区插件，覆盖了日程管理、看板、数据库查询、思维导图、LaTeX 公式、代码高亮、Excalidraw 手绘等几乎所有场景。你缺什么功能，基本上都能找到对应插件。

Obsidian Publish 一键将笔记发布为网站，适合公开分享知识库或搭建个人 Wiki。效果如下：

Obsidian Publish 界面

其他亮点

  • 原生支持 Markdown，学习成本低
  • 快捷键丰富，全键盘操作效率极高
  • 跨平台：Windows / macOS / Linux / iOS / Android
  • 支持 Vim 模式
  • 支持模板系统
  • 内置全文搜索 + 正则搜索

1.2 安装方法

桌面端

官网 https://obsidian.md/download 直接下载安装包。Linux 用户可以用 AppImage 或 Flatpak：

# Flatpak 安装
flatpak install flathub md.obsidian.Obsidian

# AppImage
chmod +x Obsidian-*.AppImage
./Obsidian-*.AppImage

移动端 App Store / Google Play 搜索 “Obsidian” 下载。

二、Obsidian 基础使用

2.1 创建你的第一个仓库（Vault）

打开 Obsidian，点击「Create new vault」，选择一个本地文件夹。这个文件夹就是你的全部知识库，里面所有 .md 文件都会被自动识别。

建议选一个你以后不会移动的位置，比如 ~/Documents/MyVault 或直接放在项目目录下。

2.2 写第一篇笔记

在左侧文件列表中右键 → 「New note」，输入标题即可开始写。Obsidian 默认是所见即所得的实时预览模式（Live Preview），输入 Markdown 语法会即时渲染。

几个最常用的操作：

  • [[笔记名]] 创建双向链接
  • Ctrl+E 切换编辑/阅读模式
  • Ctrl+P 打开命令面板（类似 VS Code）
  • Ctrl+O 快速打开笔记
  • Ctrl+Shift+F 全局搜索

2.3 组织笔记的几种方式

方式一：文件夹 + 标签 按主题分文件夹，每篇笔记打上标签。适合结构清晰、分类明确的知识体系。

方式二：双向链接 + MOC（Map of Content） 用 [[链接]] 代替文件夹层级，用 MOC 笔记（类似目录页）统领一批相关笔记。适合知识之间关联多、不适合强行归类的场景。

方式三：Dataview 自动列表 安装 Dataview 插件后，可以用类 SQL 的查询语法自动生成笔记列表。比如「列出所有 tag 是 #AI 的笔记并按创建时间排序」。

建议新手从「文件夹 + 标签」开始，慢慢引入双向链接和 MOC，不要一上来就把结构搞得太复杂。

三、AI Agent + Obsidian：让知识库活起来

手动维护知识库有一个致命问题：太累了。记笔记本身就需要自律，还要定期整理、更新、建立链接——多数人坚持不过两周。

这就是 AI Agent 的价值所在。它帮你干这些脏活累活，你只管用。

3.1 我的知识库结构

先看看我实际在用的知识库，它只有 10 篇笔记，但覆盖了所有核心信息：

knowledge-base/
├── 01-项目/
│   ├── AI助手Hermes配置.md
│   ├── 技术博客-Shuratechblog.md
│   ├── 股票分析Docker.md
│   └── A股选股脚本.md
├── 02-网络与基础设施/
│   ├── 网络拓扑.md
│   └── Xray代理配置.md
├── 03-AI与工具/
│   ├── AI模型配置.md
│   └── Open-WebUI配置.md
├── 04-偏好与规范/
│   └── 编码铁律与工作流偏好.md
└── 05-快速索引/
    └── 快速查找索引.md

结构很简单：按大类分文件夹，每篇笔记尽量「原子化」——一篇笔记只讲一个主题。文件名本身就是说明，不需要额外注释。

3.2 Hermes Agent 如何读写知识库

Hermes 是我在用的 AI Agent，它的一个核心能力就是直接读写文件系统。

每次对话开始时，Hermes 的 Memory 里注入了我的偏好和关键环境信息。但 Memory 有容量限制（约 2200 字符），放不下所有细节。比如「博客怎么部署」「网络拓扑图」「代理端口是多少」这些细节太长，不适合塞进 Memory。

于是这些细节就放在知识库里。当我让 Hermes 干某个活时，它可以自己去知识库查相关信息，而不是问我「代理端口是多少来着」。

举个例子，让 Hermes 推送一篇博客文章，它的执行流程是：

用户: 推送博客
  ↓
Hermes 读 memory → 知道博客在 ~/shura-techblog/
  ↓
Hermes 读 knowledge-base/01-项目/技术博客-Shuratechblog.md
  → 知道发布流程: 改 draft=false → git push → Gitee → GitHub → CF Pages
  ↓
Hermes 读 knowledge-base/04-偏好与规范/编码铁律与工作流偏好.md
  → 知道推送后必须 grep 验证、不能虚报
  ↓
直接执行，一次搞定

整个过程和人类工作一模一样：查资料 → 执行。只不过这个是 AI 在查、AI 在执行。

3.3 AI 自动录入信息

除了「读」，Hermes 还会主动「写」。日常对话中我提到一些新信息，如果 Hermes 判断它有长期价值，就会记到知识库对应分类下。

比如某次调试我发现了一个新坑：「Hugo 模板里用 jsonify 会破坏 JS 转义」，Hermes 就直接写进了 编码铁律与工作流偏好.md，下次遇到类似场景就会自动避开。

这个过程有个关键原则：AI 负责录入和整理，我负责审核。我不会让 AI 随便往知识库里写东西，但会定期看一眼它写了什么，确认没问题就保留。

3.4 AI 检索和索引

知识库有个 05-快速索引/快速查找索引.md，里面是一张手工维护的导航表：

想查什么去哪看
A股选股[[A股选股脚本]]
博客配置[[技术博客-Shuratechblog]]
网络拓扑[[网络拓扑]]
AI 模型[[AI模型配置]]

这张索引表很短，但作用很大。Hermes 在执行任务时，首先看 Memory，不够查索引表定位到具体笔记，再读那篇笔记获取完整信息。

这个三层架构（Memory → 索引 → 笔记）的思路，和 CPU 访存的三级缓存是一个道理——高频信息放 Memory，中频信息走索引，低频细节存笔记。

四、知识库打造方法论

工具和方法要配套。以下是三个经过验证的知识库搭建方法，你可以组合使用。

4.1 PARA 方法

由生产力专家 Tiago Forte 提出，把信息分成四类：

  • Projects（项目）：正在进行的、有截止日期的事（如「写博客」「重构后端」）
  • Areas（领域）：长期负责、没有截止日期的领域（如「健康」「财务」）
  • Resources（资源）：感兴趣的主题资料（如「AI 模型对比」「设计模式」）
  • Archives（归档）：已完成或不再活跃的内容

简单说：项目是短跑，领域是马拉松，资源是图书馆，归档是地下室。

强烈建议先从 PARA 开始，因为它足够简单，不容易搞成「过度设计」。

4.2 Zettelkasten 卡片笔记法

德国社会学家 Niklas Luhmann 发明的方法，核心就一句话：

每条笔记原子化，笔记之间用链接织网。

一条笔记只讲一个概念，不写长篇大论。然后通过 [[链接]] 让概念之间产生关联。久而久之，你的知识库会形成一张语义网络。

PARA 解决的是「怎么分类」，Zettelkasten 解决的是「怎么思考」。两者可以共存。

4.3 渐进式总结

由 Tiago Forte 提出，把信息处理分成五层：

  1. 原文（你最初保存的内容）
  2. 加粗（标出重点）
  3. 高亮（标出重中之重）
  4. 摘要（用自己的话写一段总结）
  5. 重构（把多篇笔记整合成一篇新输出）

大多数人停留在第 1 层（收藏即学会），少数人能做到第 4 层。我的建议是：别追求全部做到第 5 层，先做到第 2-3 层。对于日常信息，加粗关键句就够；只对真正重要的内容做摘要。

4.4 给新手的实操建议

  1. 先别装太多插件。 核心功能用顺手了再扩展。Obsidian 开箱就够用，一上来装 30 个插件只会增加心智负担。

  2. 从一个文件夹开始，别过早设计完美的分类体系。等笔记超过 50 篇，自然会浮现出合理的分类。

  3. 「烂笔记」也比「没笔记」好。 不要追求每条笔记都写得像论文。一两句要点、一个链接、一个截图——够了。

  4. 定期回顾，但别太频繁。 每周花 10 分钟翻翻最近写的笔记，补充链接、更新过时信息即可。

五、知识库 + AI：实战场景

说了一堆理论，来看看实际怎么用。

场景一：新人接手项目

你外包了一个项目给别人，对方需要了解项目背景。传统做法是你花半小时口头解释，或者甩一堆 Word 文档让他自己读。

如果你有知识库，直接把 01-项目/ 下的相关笔记发给他。笔记里包含：项目目标、技术选型、部署方式、已知坑点。对方读完就能上手，不需要追问。

配上 AI Agent 效果更好——对方可以直接跟 Agent 对话，Agent 从知识库里检索相关信息回答。

场景二：AI Agent 的持久化记忆

这是我最看重的场景。

每次跟 AI 聊，聊完就没了。下次再聊同一个话题，AI 还是一脸茫然。但如果你把关键结论写进知识库，下次对话时让 AI 先去读知识库，它就「记住」了。

Hermes 的 Memory 机制其实就是这个思路的工程化实现。Memory 是高速缓存，知识库是持久化存储。两者配合，AI 就有了跨越对话的记忆能力。

场景三：写作和研究

写一篇技术文章，需要引用之前读过的几篇论文、Recall 某个工具的配置方法、确认某个 Bug 的修复步骤。

如果有知识库，这些信息都在里面。你可以用 Obsidian 的全局搜索快速定位，也可以让 AI 帮你检索：「查一下之前 Xray 代理的配置端口和路径」。

比翻聊天记录、翻浏览器收藏夹快 10 倍。

场景四：项目交接和备份

硬盘坏了、电脑换了，你的知识还在——因为知识库就是纯 Markdown 文件，Git 备份一下就能在任何设备上打开。Obsidian 的 Vault 本质上是一个文件夹，你可以用任何云盘同步、也可以用 Git 做版本管理。

这一点比 Notion 和语雀强太多——后者的导出体验一言难尽，而 Obsidian 天然就是可迁移的。

六、总结

维度传统笔记Obsidian + AI Agent
存储云服务锁定本地 Markdown，完全可控
链接文件夹层级双向链接 + 图谱
维护纯手动，容易荒废AI 辅助录入和整理
检索文件名 + 搜索框AI 语义检索 + 索引系统
持久化对话结束即遗忘知识库 + Memory 双重记忆
迁移导出困难纯文本，直接复制即用

Obsidian 负责存储和组织，AI Agent 负责录入、检索和输出。两者配合，知识库就从「死」变成了「活」。

如果你现在还没有知识库，建议今天就创建第一个 Vault：

  1. 装好 Obsidian → 新建一个 Vault
  2. 先按 01-项目 / 02-领域 / 03-资源 / 04-归档 建四个文件夹（PARA 基础版）
  3. 把脑子里最乱的 3 个项目各写一篇笔记
  4. 如果想配 AI Agent，参考我另一篇博客：AI 助手 Hermes 配置（本地部署文章后续会写）

知识库不需要一步到位，重要的是开始写。哪怕只有 5 篇笔记，也比 0 篇强 100 倍。