Obsidian+Claudian，我的私人 AI 知识库

摘要：

如果把Obsidian比作个人图书馆，Markdown 文件是书本，那么Claudian就是给图书馆添加了有思考能力的图书管理员、图书撰写者和科研助手，相当于将Claude Code、Codex的Agent 派到了现场。

当把本地知识库和AI分开在两个应用中使用，就像杨过和小龙女双剑合璧，一个使用九阴真经，一个使用玉女心经。如果把Claude Code或Codex通过插件的方式嵌入到Obsidian，就如同小龙女自己使用左右互搏之术，两种武功用起来更加心意相通，不用来回切换。

我遇到的几个应用场景

四月份，我给Obsidian装了Claudian插件后，做的第一件事，就是花几分钟完成了一次内容蒸馏。（见《我把喜欢的公众号“蒸馏”了》）当时还只觉得好玩。但在接下来的时间里，我越来越觉得，Obsidian+Claudian的组合是效率的利器，趁手的宝刀。

这个组合的实质是，本地知识库+AI大脑。

它的应用场景，可以像下面这样：

2026 年 4 月 15 日，知名播客 The Dwarkesh Podcast 上线了一期近两个小时的黄仁勋访谈。随后不少自媒体发布了博眼球标题党式解读，勾起了我的好奇心。我既想观看热点的原片片段，又没有时间查看完整视频，于是把视频下载到本地知识库，做脚本转录，并向AI询问：

AI读取学习本地知识库后，直接帮我定位到最符合特征的时间节点，帮我省下观看整个视频的时间，直接跳到目标片段。

我用本地知识库+AI大脑的另一个应用场景是，写综述文章。

2026 年 6 月 12 日，我用半天时间，写了《Anthropic寓言Fable5，曾是卡皮巴拉》，对这款产品做了跨度4个月新闻综述。我的知识库中，存储着几个月中通过AI工具定时抓取的新闻素材。需要时，直接让AI根据定制知识库内容进行分析汇总，再按我的心意编排取舍，省下了大量搜索分析、核查验证的时间。

以上，只是我近期使用这个知识库的几个小例子。每位喜欢收集知识、动脑思考的人，都可以构建自己感兴趣领域的个人知识库，借助AI生成知识图谱，实现可靠问答、平衡高质与快速的产出。

关于LLM Knowledge Base

提到本地知识库+AI大脑的应用，就不得不提到Karpathy在2026年4月2号发布的X：《LLM Knowledge Bases》（见附录1）

在Karpathy 提出LLM-WIKI之前，RAG（检索增强生成）是主流的本地知识库解决方案。但RAG流程复杂、技术栈多，内容查看阅读还不直观，也不能保证提问时回答正确。这类RAG本地知识库的解决方案，更适合企业级的大型知识库。

在Karpathy描述的知识库中，采用LLM 驱动的个人知识库构建框架，整体形成数据采集 → 编译 → 交互 → 增强的闭环流程。

目前，我实际搭建的LLM（大语言模型）Knowledge Base（知识库），与Karpathy提出的方案原理类似，实现了其中大部分步骤。但在工具路径上有一点不同。

从Karpathy推文中的描述“then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian.”看，他可能使用的是类似Claude Code这样的Coding工具做数据处理和问答，再到Obsidian中查看结果。

同时，这篇推文的热门评论中，有一位著名技术播客主持人 Lex Fridman，他用 Obsidian + Cursor（for md）+ vibe-coded web terminals 的组合，几乎是同一套方案。

这篇文章我推荐的Claudian，与他们用的工具并无本质区别，只是以Obsidian插件的形式参与到流程中。

经过两个月的使用，我发现Claudian插件在Obsidian中，可以将Claude Code或Codex无缝嵌入软件环境，使整个过程更加流畅丝滑。

当把本地知识库和AI分开在两个应用中使用，就像杨过和小龙女双剑合璧，一个使用九阴真经，一个使用玉女心经。如果把Claude Code或Codex通过插件的方式嵌入到Obsidian，就如同小龙女自己使用左右互搏之术，两种武功用起来更加心意相通，不用来回切换。

如果把Obsidian比作个人图书馆，Markdown 文件是书本，那么Claudian就是给图书馆添加了有思考能力的图书管理员、图书撰写者和科研助手，相当于将Claude Code、Codex的Agent 派到了现场。

通过 Claudian，我们可以编写脚本，完成数据的收集、清洗、管理与生成工作，同时自定义技能、编排自动化工作流。还能让AI依托知识库内容主动提问、生成习题，高效辅助个人学习。

选择适合自己的方案

知识库与AI的结合应用，有很多种形式。有的数据在云端，有的数据在本地，不一定必须是Obsidian+Claudian的形式。

我选择了这种形式，是出于对本地知识库形式的偏爱。即使在断网的状态下，我也能使用本地模型，在本地知识库中做想做的事情。（例如：前文黄仁勋访谈的Claudian截图中显示，我使用的 Qwen3.6 35B 本地模型）

曾有人在《从零开始装一个用AI的笔记本电脑》评论：为了用AI还要专门买笔记本电脑。我很理解有这样的疑问。

一般的AI应用并不需要部署本地模型，也不需要大内存、高性能的笔记本，购买Token Plan或者API明显花销更小。使用本地模型不是为了节省Token成本，也不是适合所有人的通用需求。一切金钱、时间与精力的投入，都需要结合个人情况，具体判断。

就像这篇文章，读过之后，每个人可以判断其中的收益成本，自己适合了解备用就好，还是跟着思路实操一遍。也许用顺手之后，就像我一样，觉得离不开这样一套工具辅助。

附录

附录1. Karpathy LLM Knowledge Base原文

附录2. 基础概念：知识库、Markdown与AI

以下是基础科普，熟悉的人可以跳过。

知识库（Knowledge Base） 是一个结构化的信息集合，用于存储、组织和管理知识，方便用户快速查找和检索。它的关键特征是：

我的 Obsidian Vault 就是一个个人知识库，主要由Markdown格式的文件组成，也可以包含图片、视频、pdf等，其他格式的文件。它和个人图书馆很像——书本是 Markdown 文件，附件是参考资料，链接就是目录和索引。

可以认为，Obsidian是浏览使用 Markdown 的IDE软件。

Markdown 是一种轻量级标记语言，用简单的纯文本语法来生成格式化的内容。

在与AI相关的应用中，Markdown 正在成为标准格式。

大语言模型（LLM）的本质是理解文本。Markdown 天然就是人类可读的文本格式，AI 读写零成本。它对碳基和硅基双向友好，几乎在AI应用中无处不在。如果你希望知识库能够长期迭代、多人共享、随时迁移，那么花15分钟入门 Markdown，是一笔回报率极高的自我投资。

理解了以上这些概念，实际操作就水到渠成了。

附录3. Obsidian+Claudian安装配置方法说明

想要使用这套工具组合，需要依次安装 Obsidian、Claude Code 与 Claudian 插件

• 1 安装 Obsidianobsidian.md/download
• 2 安装 Claude Code

1
brew install --cask claude-code@latest

• 3 安装ClaudianGitHub仓库 Yishen/claudian

了解AI最新进展，理解AI底层哲学，分享AI实用技巧。

如果你喜欢这篇，请转发、点赞、赞赏、留言。

如果你想继续看我今后的文章，欢迎点击上面的名片关注我。

谢谢！