Obsidian + Claude Code：AI 驱动的知识库完整指南

你不需要成为笔记达人。你只需要把笔记存成 AI 能直读的格式，然后让 AI 接管剩下的事。

一、你的笔记软件里躺着多少僵尸

回忆一下，你上次打开笔记软件是什么时候？不是打开来记东西，而是打开来 找东西、复用东西 。

大概率你找不到。

印象笔记里躺着 2018 年收藏的文章，已经忘了为什么收藏。备忘录里塞满随手记的想法，但这些想法之间没有任何关联。微信收藏夹里那成百上千篇"以后再看"——从此以后真的再也没看。

我记下来的不是知识，是 信息的坟场 。

不是不努力。每条笔记记录的当下都是有价值的。但从"记下来"到"用起来"中间隔着一道鸿沟——整理、关联、检索、复用，这件事人脑天生不擅长。

直到我把笔记搬到 Obsidian，把 Claude Code 接进来，让 AI 当全职管理员之后，这道鸿沟才算迈过去。今天分享我搭这套体系的过程，给你一份能直接抄的路径。

二、为什么是 Obsidian + Claude Code

先说结论

Obsidian + Claude Code 是 2026 年个人知识管理的最优解 ——前提是你做的是个人知识管理，不是团队协作。

理由三句话：

第一，Markdown 是 LLM（大语言模型）的母语。你的笔记格式决定了 AI 能帮你到什么程度。
第二，本地文件让 AI 零摩擦读写。Obsidian 的 Vault 就是一个 Markdown 文件夹，Claude Code 进去是有完整权限的管理员，不是隔着 API 传话的外人。
第三，AI 时代"整理"这件事不再是人的责任。你只管记录和思考，整理交给 AI。

知识库类软件的现状

当前市面上的知识库软件大致可以分为三类，各有不足：

Markdown 是 LLM 的母语

大语言模型的训练数据里，Markdown 是最主要的格式之一。GitHub 上几十亿个 README.md、技术文档、博客文章、教程，AI 全读过。它对 ## 标题、 **加粗** 、 - 列表的理解，像你对中文标点一样自然。

具体三个特性：

Token 效率 。同样的信息，用 Markdown 表示比 JSON 或 XML 紧凑很多（花叔手册里给到 30-50% 的差值，自己跑过一次类似比例）。意味着同样的上下文窗口能装下更多笔记。Claude 1M token 大窗口大概能放下中等规模的整个知识库——对绝大多数人来说，纯文本 + 长上下文这套已经够用，根本不用先去搞向量数据库。

结构天然清晰 。 ## 是标题、 > 是引用、 ``` 是代码块。这些标记本身就是结构分隔符，不需要告诉 AI"这是标题"，Markdown 语法自己在说。

AI 的默认输出格式 。让 ChatGPT 或 Claude 回答问题，回复就是 Markdown。你的知识库用 Markdown，AI 进来就像回家。

反过来——如果你的笔记存在 Apple Notes 里，AI 摸不到。存在 Notion 里，AI 只能通过 API 间接访问，权限受限、速度受限、操作受限。存在印象笔记里，格式私有，导出困难。

笔记格式决定了 AI 能帮你到什么程度。

本地文件 = AI 直接读写

Obsidian 的 Vault 是什么？一个文件夹。

不是数据库、不是云端服务、不是私有格式。就是你电脑上的一个文件夹，里面全是 .md 文件。Obsidian 做的事情是给这个文件夹加了一层 UI——双向链接、图谱视图、搜索、插件。但底层文件从头到尾都是标准 Markdown。

Claude Code 的工作方式是直接操作本地文件系统。读文件、写文件、搜索文件、移动文件、重命名，所有操作都是对文件系统的直接访问，不需要 API、不需要认证、不需要网络请求。

把 Claude Code 指向一个 Obsidian Vault，立刻就能工作：

cd ~/Obsidian/我的vault
claude

这个差异不是"体验好一点"，是 能做 vs 不能做 的区别。在 Obsidian 里 Claude Code 是管家，在 Notion 里它是只能传话的外人。

三个独立的十亿级项目殊途同归

如果只是理论分析，你可能觉得"听起来有道理但也就那样"。但有一个论据让我没法忽视——

三个完全独立的、十亿美元级别的项目，没有互相参考，做出了同一个架构决策。

Manus ，AI Agent 公司，2026 年 Meta 拟以 20 亿美元收购，后被中方监管叫停。Manus 的 Agent 在执行长任务时用什么存记忆？ task_plan.md 和 notes.md ——Markdown 文件。

OpenClaw ，开源 AI Agent 框架，GitHub 上 35 万 + 颗星。Agent 的知识存在哪？ MEMORY.md 。Agent 的人格定义存在哪？ SOUL.md ——还是 Markdown 文件。

Claude Code ，Anthropic 自家的 AI 编程工具。项目上下文存哪？ CLAUDE.md 。用户长期记忆存哪？ memory/ 目录下的 Markdown 文件。

三个不同的团队，解决不同的问题，服务不同的用户。在没有互相参考的情况下，做出了同一个选择： 用 Markdown 文件作为 AI Agent 的记忆层 。

不是向量数据库，不是 SQL，不是 JSON。就是 .md 文件。

为什么选 Obsidian

Obsidian 在海外已有 150 万月活用户，开发者、研究者、写作者用得特别多。

核心优势：

• 本地存储 — 所有笔记就是电脑上的 .md 文本文件，不依赖任何云服务，数据从头到尾在自己手里
• 双向链接 — 笔记之间用 [[wikilink]] 互相关联，形成知识网络
• Graph View — 可视化所有笔记的关联关系，哪些知识孤立、哪些高频被引用，一目了然

但现在不一样了。 Claude Code 的生态起来之后，Obsidian 的使用门槛大幅降低——你不需要懂那些方法论，Claude Code 替你搞定。

三、核心理念：Karpathy LLM Wiki 模式

这个思路来自 Andrej Karpathy 2026 年 4 月那条 1600 万浏览的推文。

他说的核心是一个观点转换： AI 不是检索器，是编译器 。

传统 RAG（检索增强生成）的逻辑是每次提问都重头搜索原始材料、拼接、生成回答，回答用完即弃，下次再问还得从零开始——每次查询都从零发现知识，没有积累。

LLM Wiki 的做法完全不同：LLM 增量构建并维护一个持久化的 wiki——一组结构化、互相链接的 markdown 文件，位于你和原始资料之间。每当新资料进入，LLM 不是简单索引，而是阅读、提取关键信息、整合到现有 wiki 中——更新实体页、修订主题摘要、标注新旧数据的矛盾、强化或挑战已有综述。知识被编译一次，持续更新，而非每次查询重新推导。

三层架构

层级	说明	所有权
Raw Sources（原始来源）	你写的笔记、剪藏的文章、论文、图片、数据文件。不可变，LLM 只读不改。这是你的事实来源。	人类策划
Wiki（编译知识层）	LLM 生成的 markdown 文件目录：摘要、实体页、概念页、对比、综览、综述。LLM 完全拥有此层，创建页面、更新、维护交叉引用、保持一致性。	LLM 拥有
Schema（规约文件）	一份文档（如 CLAUDE.md）告诉 LLM wiki 的结构约定、工作流程。这是核心配置文件——让 LLM 成为有纪律的 wiki 维护者而非通用聊天机器人。	人类与 LLM 共同演进

落到 Obsidian 里就是 raw → wiki → output 三层结构：

Vault/
├── raw/      # 你扔进来的原始素材，只增不改
├── wiki/     # AI 编译过的可复用知识
│   ├── concepts/   # 概念页（每个概念一篇）
│   ├── entities/   # 人物 / 产品页
│   ├── sources/    # 原始来源摘要
│   └── topics/     # 主题分析页
└── output/   # 基于 wiki 生成的报告 / 分析

三大操作

1. Ingest（摄入）

新来源放入原始资料集，指示 LLM 处理：
- 阅读来源，讨论关键要点
- 在 wiki 中写摘要页
- 更新索引
- 更新相关实体页和概念页（单个来源可能触及 10-15 个 wiki 页面）
- 在日志中追加条目

2. Query（查询）

对 wiki 提问。LLM 搜索相关页面、阅读、综合回答并附引用。好的回答应被归档回 wiki 作为新页面——你的探索也在知识库中复利积累。

3. Lint（健康检查）

定期要求 LLM 检查 wiki 健康度：
- 页面间矛盾
- 被新来源取代的过时声明
- 无入链的孤儿页面
- 被提及但缺少独立页面的重要概念
- 缺失的交叉引用
- 可通过搜索填补的数据空白

索引与日志

四、30 分钟上手搭建

第一步：cd 进 Vault，启动 Claude Code

如果你已经有一个装满 Markdown 文件的文件夹，直接拿它当 Vault。Obsidian 不会改你的任何文件，只是加一层 UI。

cd ~/Documents/我的vault
claude

完事。Claude Code 启动后自动获得整个 Vault 目录的读写权限——读笔记、新建文件、搜索内容、重命名、移动、删除全都可以，不需要任何配置。

第一次启动可以试一句"我的 Vault 里有什么？帮我概览一下"，作为冒烟测试。

第二步：写一份 CLAUDE.md 给 AI 看

光有读写权限还不够。Claude Code 第一次进入你的 Vault 像新员工第一天上班，指着满屋子文件柜说"你随便看"——他要么无从下手，要么乱翻一气。

需要一份 员工手册 。在 Vault 根目录创建 CLAUDE.md ，Claude Code 每次启动都会读它。最少四块内容：

# 我的知识库

## 关于我
- 你的身份和职业
- 关注领域 3-5 个
- 偏好（用中文、不要过度格式化等）

## Vault 结构
- daily/：每日记录
- notes/：永久笔记
- projects/：进行中的项目
- raw/：待整理的原始素材
- archive/：已完成或不再活跃的内容

## 笔记 Front Matter（必填）
新建笔记时使用：
---
title: 笔记标题
tags: []
created: YYYY-MM-DD
type: fleeting | literature | permanent
summary: 一句话摘要
---

## 行为规则
- 可以：加标签、建 [[双向链接]]、生成摘要、整理分类
- 不可以：删除已有笔记内容、修改原始记录
- 创建新笔记必须遵循 Front Matter 模板

这份手册不需要一上来就完美。三五行起步，每次 Claude Code 犯错就加一条规则——半年下来它会自然长成一份很详尽的指南。

第三步：每个大目录补一份 index.md

Claude Code 进入一个文件夹，看到 50 个文件需要逐个扫描判断。但如果你在文件夹里放一份 3-5 行的 index.md ，它先读这一份，3 秒钟就知道这里是干啥的、关键文件在哪。

# notes/ — 永久笔记

存放经过思考整理的、可被反复引用的判断。

## 命名规范
按"主题-标题.md"命名

## 关键文件
- [[卡尼曼-思考快与慢]] — 认知偏差经典
- [[芒格-穷查理宝典]] — 跨学科思维模型

## AI 操作规则
- 创建新笔记必须带完整 Front Matter
- 修改前先 grep Vault 是否已有相关概念

这个习惯做下来之后效率提升非常明显。原来 Claude Code 每次都要 ls 一遍才能定位，现在直接定向跳进对应文件夹拿上下文。

第四步：装 obsidian-skills

最后一步。Obsidian 的 Markdown 有些独有语法（ [[wikilinks]] 双向链接、callout 提示框、.canvas 空间笔记），Claude Code 默认不一定懂——它可能把 [[]] 当成普通 Markdown 链接处理，搞坏格式。

Obsidian CEO kepano 亲自做了 obsidian-skills 这套官方 Skill 集，教 Claude Code 正确处理这些非标准语法。安装就一行命令：

cd ~/Obsidian/我的vault
git clone https://github.com/kepano/obsidian-skills.git .claude/skills/obsidian-skills

下次 Claude Code 启动时会自动加载，从此处理 [[]] 、callout、.canvas 、.base 都不会出错。

到这里 30 分钟够了。

五、三个关键工具：打通 Obsidian × AI

上面四步是基础版。如果想让 Obsidian 和 AI 的集成更深入，以下三个工具可按需使用。

1. Claudian 插件

直接把 Claude Code 嵌进 Obsidian 侧边栏，选中笔记就能让 AI 总结、扩写、找关联，整个过程不离开编辑器。

🔗 GitHub: YishenTu/claudian

2. Obsidian Skills

让 Claude Code 理解 Obsidian 的格式——双向链接、标签、属性、嵌入，全都认得。

🔗 GitHub: kepano/obsidian-skills

3. Obsidian Local API + Claude MCP

配好后 Claude Code 可以直接==搜索、读取、创建、修改==你的笔记，AI 直接操作知识库，无需手动复制粘贴。

依赖项：

• Local REST API 插件：coddingtonbear/obsidian-local-rest-api
• 插件市场直接搜 Local REST API，下载并开启
• 拿到 API Key、Host、Port 即可
• MCP 服务端：MarkusPfundstein/mcp-obsidian

{
  "mcpServers": {
    "mcp-obsidian": {
      "command": "uvx",
      "args": ["mcp-obsidian"],
      "env": {
        "OBSIDIAN_API_KEY": "你的_API_KEY",
        "OBSIDIAN_HOST": "127.0.0.1",
        "OBSIDIAN_PORT": "27124",
        "OBSIDIAN_PROTOCOL": "https"
      }
    }
  }
}

六、日常操作谱系

搭建完成后，你和 LLM 的日常互动有六大类操作。

1. Ingest（摄入）— 知识进来

2. Query（查询）— 向知识库提问

3. Lint（健康检查）— 维护质量

Lint 检查的内容：
- 断链（wikilink 指向不存在的文件）
- 孤儿页（没有任何入链的页面）
- 缺失概念（被多次提及但没有独立页面）
- 页面间矛盾
- 过时内容
- 缺失的交叉引用

4. Restructure（结构调整）— 知识重组

5. Review（回顾）— 知识复盘

6. Export（导出）— 知识输出

推荐节奏

七、装完之后让 AI 帮你做的第一件事

四步搭完是底子，真正让你感受到价值的是接下来这件事—— 让 AI 整理一批散乱的笔记 。

找一批以前在备忘录、微信收藏、印象笔记里的乱账，转成 Markdown（Claude Code 也能帮你转）扔进 Vault 的 raw/ 目录。然后告诉它：

帮我整理 raw/ 下的散乱笔记。
读取所有文件，按主题分类，给每条笔记加 Front Matter，
建立 [[双向链接]]，最后给每个文件夹生成 index.md。

接下来你会看到 Claude Code 工作：

• 扫描分类，按主题把笔记移到对应文件夹
• 给每条加 Front Matter（标题、标签、摘要）
• 发现笔记间关联，自动插入 [[双向链接]]
• 给每个文件夹生成 index.md

五分钟，也许更快。

整理完打开 Obsidian 的图谱视图。原来散落的点开始形成网络，一条关于"注意力"的笔记连向了卡尼曼读书笔记，也连向社交媒体的思考——这些关联以前只在你脑子里模糊存在，现在变成可见可点击的链接。

MakeUseOf 有一位作者的案例值得参考—5 年笔记没标签、没链接、没结构、试过三次手动整理都放弃的烂账，他用 Claude Code + Obsidian 90 分钟整理完。我没那么多年的笔记可整，但跑了一遍我自己散落在备忘录里的几百条素材，5 分钟就跑出了第一版分类——比我预期的快得多。

八、现有知识库现状分析

现有结构

learning-notes/          ← Obsidian vault, git 仓库
├── AI/                  ← 16 篇（AI 工具、提示词、Claude Code）
├── Aliyun/              ← 19 篇（阿里云）
├── Azure/               ← 21 篇
├── C++/                 ← 1 篇
├── CloudComputing/      ← 7 篇
├── Database/            ← 3 篇
├── Docker-Kubernetes/   ← 145 篇（最大领域）
├── Git/                 ← 2 篇
├── Go/                  ← 9 篇
├── GPU-DeepLearning/    ← 4 篇
├── HPC/                 ← 7 篇
├── IaC/                 ← 2 篇
├── Linux-Shell/         ← 24 篇
├── Middlewares/         ← 3 篇
├── Networking/          ← 2 篇
├── OS/                  ← 3 篇
├── Python/              ← 27 篇
├── SoftwareTesting/     ← 少量
├── KnowledgeBase/       ← 已有初步编译层（index、maps、concepts、analysis）
└── .claude/             ← Claude Code skills

• 总计约 350 篇 markdown 文档，17 个主题领域
• 已有 KnowledgeBase/ 目录做了初步编译（INDEX.md、domain-map、概念页等），但未按 LLM Wiki 模式设计
• 现有文档既是"原始来源"也是"知识页"，角色未分离

与 Karpathy 模式的差距

九、改造行动计划

原则

1. 不动现有文档：现有 350 篇笔记视为 Raw Sources（原始来源层），保持不可变
2. KnowledgeBase/ 作为 Wiki 层：LLM 在此生成和维护所有编译内容
3. 渐进式改造：不需要一步到位，先建立骨架，再逐步摄入
4. LLM 做重活：所有 wiki 页面由 LLM 编写和维护

Phase 0：建立 Schema（Day 1）

目标：创建 CLAUDE.md，定义 wiki 的结构规约和操作流程。

Schema 应包含：目录结构定义、页面规约（frontmatter、链接格式、模板）、操作流程（Ingest/Query/Lint）。

Phase 1：调整 Wiki 目录结构（Day 1-2）

目标：在现有 KnowledgeBase/ 基础上补齐目录。

• [ ] 创建 KnowledgeBase/sources/ 目录（原始来源摘要页存放处）
• [ ] 创建 KnowledgeBase/entities/ 目录（工具/平台实体页存放处）
• [ ] 创建 KnowledgeBase/log.md（操作日志）
• [ ] 重构 KnowledgeBase/index.md，按 sources / concepts / entities / maps / analysis 分类

Phase 2：按领域优先级摄入原始来源（Day 3-14）

按成熟度和篇数排序，优先摄入核心领域：

每个领域的摄入流程（以 Claude Code 会话执行）：

请摄入 Docker-Kubernetes/k8s-basic-resources/ 目录中的所有文档：
1. 逐篇阅读，在 KnowledgeBase/sources/ 写摘要页
2. 提取关键概念，创建或更新 KnowledgeBase/concepts/ 页面
3. 提取关键实体（工具/平台），创建或更新 KnowledgeBase/entities/ 页面
4. 更新 KnowledgeBase/maps/kubernetes-map.md
5. 更新 KnowledgeBase/index.md
6. 在 KnowledgeBase/log.md 追加记录

Phase 3：建立 Lint 机制（Day 14+）

• [ ] 每周执行一次 lint 检查 prompt：

请对 KnowledgeBase/ 执行健康检查：
1. 检查所有 wikilink 是否有效（断链报告）
2. 找出无入链的孤儿页面
3. 找出在多个页面中被提到但没有独立页面的重要概念
4. 检查 sources/ 摘要与原始文档是否一致（是否有过时内容）
5. 建议缺失的交叉引用
6. 在 log.md 记录本次 lint

Phase 4：Query 归档习惯（持续）

建立习惯：当在 Claude Code 会话中产生有价值的分析或对比时，将其归档到 wiki：

请将刚才的分析归档到 KnowledgeBase/analysis/[主题].md，
并更新 index.md 和相关概念页的交叉引用。

十、想再玩深一点的三个方向

整理完之后大概率你会想要更多。这里给三个进阶方向，按性价比排序，不一定全做但都值得知道。

方向一：让 AI 把笔记编译成可复用的 wiki

每次写完一篇文章，让 Claude Code 把里面"可独立成立的知识点"提炼到 wiki/。下次写相关主题时它先读 wiki，不重新调研。三层加配套的 SCHEMA.md（写清楚命名规范、Front Matter 模板、 [[]] 规则），效果是知识从一次性消耗变成永久资产。

这一步的重点不是装新工具，是 改变心智 ：让 AI 在你这边积累，而不是每次重置。

方向二：自动 backlinks（Agentic Note-Taking）

[[双向链接]] 很好，但你得记得去建。写日记顺手提到"今天和老王吃饭、聊了塔勒布"，不主动输入 [[老王]] 、 [[塔勒布]] ，这条日记和你之前关于这两个人的笔记就没关系。

德国开发者 Stefan Imhoff 之前每天花 10-15 分钟手动给日记加 [[]] 。后来他用 Claude Code 写了一个工作流：

读取今天的日记。
找出所有人名、地名、书名、概念。
对每一个：搜索 Vault 是否已有对应笔记；
有就把纯文本替换成 [[wikilink]]，
没有就在 wiki/ 下建一个占位页（stub）再链接。

10 分钟的手工活变成几秒钟。更彻底的是它不会漏——你可能忘了 Vault 里有某个概念页，它不会忘。

把这个动作做成 CLAUDE.md 里的一条规则（"我说'处理今天的日记'时执行上面流程"），从此你写笔记时不需要管 [[]] ，写完一个命令织网。

方向三：把 Claude Code 嵌入 Obsidian，加语义搜索

如果你已经经常切窗口（Obsidian 看 → 终端跑 → Obsidian 看），三个插件能让体验提一档：

Claudian ：把 Claude Code 的对话界面嵌进 Obsidian 侧边栏。右侧给指令、主编辑区实时看到笔记变化，少了一次 Alt+Tab。

Smart Connections ：Obsidian 自带搜索是关键词匹配——搜"投资"找不到"资产配置"。Smart Connections 用 AI embedding（把笔记转成向量）给 Vault 建语义索引，相关概念都能搜到。打开任何笔记时侧边栏自动显示语义最近的其他笔记，经常会发现自己没意识到的关联。

Copilot for Obsidian ：Vault 级别的 RAG 问答。问"我之前关于定价策略写过什么"，它从你自己的笔记里答，每个观点带出处。和直接问 ChatGPT 的区别是——回答来自你自己的知识，不是互联网通用信息。

三个不必都装。优先级是 Smart Connections > Claudian > Copilot——语义搜索是日常每次都用的，回报最稳；Claudian 是体验优化，看你切窗口频率；Copilot 是有了一定笔记规模（500 篇以上）才真值得装的，否则可问的东西不够。

十一、实用工具建议

十二、预期成果

改造完成后，知识库将具备：

1. 清晰的三层分离：原始笔记（只读）→ wiki 编译层（LLM 维护）→ schema（共同演进）
2. 知识复利：每次摄入新来源都会丰富已有的概念网络，而非孤立存放
3. 高效查询：通过 index.md 和结构化的 wiki 页面，LLM 能快速定位和综合回答
4. 维护成本近零：LLM 处理所有交叉引用更新、一致性维护、日志记录
5. 可视化知识图谱：Obsidian Graph View 展示概念间关联

十三、我用了一周后的几个判断

一定做的三件事 ：装 obsidian-skills、补 index.md、Front Matter 加 type 和 summary 字段。这三件投入不超过 1 小时，但日常每次操作都受益。尤其 type 字段的三态（fleeting / literature / permanent），AI 扫 Vault 时按 type 决定处理策略，这件事一旦开始用就回不去了。

不要照抄大博主们 Skills 的做法 。一上来不要装一堆 Skill，那是他用了一年多积累出来的。先用几个月，等你明确知道自己缺什么能力的时候，再去找对应的 Skill——否则你只是在收集工具不在解决问题。

多 Vault 不要太早搞 。先用一个 Vault，500 篇以下别拆。等到出现两类内容 完全不交叉 （比如工作机密 vs 个人日记，或者写公众号 vs 学术研究）、且你确实在频繁切换上下文时才拆——过早拆分会增加管理成本而不解决任何问题。

先写后整理 。我自己第一次搭体系时踩过的最大坑是"系统先行"——花一下午研究各种方法论、设计完美分类，一周后发现实际笔记根本不符合预设，整套推翻重来。后来想明白笔记系统得从笔记里长出来，不是从设计图纸里长出来。

40 万字以内不需要向量数据库 。Claude 的上下文窗口够大，纯文本 wiki + index.md 导航，AI 找到相关知识的速度和准确度都很高。超过百万字级别再考虑加语义搜索。

最后一句

这套体系的核心不是 Obsidian，也不是 Claude Code。是 整理这件事不再是你的责任 。

过去几十年所有的笔记工具，从 Word 到 Notion，都假设"整理是你的事"。AI 改变的是这个假设——你只管记录和思考，整理交给 AI。

工具会变。今天是 Obsidian，明天可能是别的。但你 Vault 里的那些 Markdown 文件，它们一直是你的。

要试的话路径很短：找一篇你最近想存的文章存成 .md ，扔进一个新建的文件夹， cd 进去 claude 起个对话——剩下 AI 会问你三个问题然后开始干活。