夜雨聆风把散落一地的资料，喂成一颗会「自动出方案」的「第二大脑」
一天时间，用 Obsidian 知识库 + AI 能力，把过去所有 Word / PPT / PDF 变成一张互联的知识图谱，再让 AI 直接调库，一键产出决策方案。
前言
昨天晚上我的社群进行了一次可以说相当"炸场"的分享。
讲师把自己整理好的 Obsidian 知识库配合 AI 跑了一个真实案例，效果好到当场所有人都在问"怎么做到的"。
今天我把这场分享的核心内容整理出来，分享给你。
核心一句话： 把你的所有经验资料沉淀成知识库，接入 AI 帮你调取关联，一键产出各种方案——这才是真正的"第二大脑"。
本讲要点：📥转MD → 🗃️建库 → 🤖接AI → 🚀出方案
🧠 为什么这玩意儿能"炸场"？
先看成果。
讲师只给 AI 一个客户需求，让它产出一份"能给客户做决策汇报"的材料。AI 自动去调取整个知识库，输出了一个完整的 HTML 方案网页。
里面包含：
方案本体 客户痛点分析 整套方案的预览 获客路径
重点从来不是"生成了一个 PPT"，而是这些内容准确到能直接拿去做决策。
因为这些内容是他过去真做过的，一眼就能验证对不对。
"结合这个知识库，再拿 AI 做出来一个案例，发现效果非常好。"—— 讲师
换个引擎，产出直接再升级
第一版是用 WorkBuddy 出的。之后换成 Codex（GPT-5.5）重跑，方案变成了 HTML 格式的 PPT——内容非常准确，格式也很棒。
同一套知识库，换更强的"引擎"，产出直接再上一个台阶。
这就是这套方法最恐怖的地方：底座搭好之后，产出在数量和质量上基本没有局限了。
📊 整套方法其实就四步
讲师把整个流程分成了四步：
前三步是一次性投入（底座），第四步是长期收益（产能）。
讲师整个底座搭起来大概只花了一天。一次性投入一天，换来之后"想出什么都能出"。
📥 第一步：把一切资料转成 MD
不管原来是什么格式——Word、PPT、PDF——全部转成 .md 文件。
原因很硬核：只有把材料转成 MD，Obsidian 才能读取里面的信息。这是整条链路的入口。
具体怎么转？
让 AI 自己转。
先在 WorkBuddy 里创建一个专门的 Skill——一个"把各种文件转成 MD"的技能。然后把所有文件丢进一个文件夹，让这个 Skill 自动批量转换。
全部转完之后，再把这些 MD 加进知识库。
什么是 Skill？
Skill 可以理解成给 AI 预置的一套"专项作业流程"。你把某件事的做法固化成一个 Skill，之后 AI 遇到同类任务就能照着这套流程稳定地做。
Skill 这条线在后面会专门展开讲——它是整套方法里最值得自己动手的部分。
🗃️ 第二步：丢进 Obsidian 仓库
把转好的 MD 全部丢进 Obsidian 的一个仓库（vault）。
但要有心理准备：刚倒进去的仓库不是现在看到的样子——最开始它非常乱，全是散点，文件之间没有任何连接。
这很正常，它只是"原料入库"，还没被加工。
Obsidian 到底是什么？
Obsidian 其实只是对这一批 MD 文件进行处理而已。它是一个基于本地 MD 文件的知识管理工具，最有价值的能力之一是关系图谱（Graph View）——把有链接关系的笔记可视化成一张知识网络。
所谓"知识库 / 第二大脑"，本质就是一大批被组织起来的 MD 文件。
知识图谱是关键
"知识图谱很关键。你先在这里把相关知识尽量都关联上，之后 AI 去调这些信息时，就能自动做关联，输出的结果自然更准确。"
图谱不是好看的摆设，它是让 AI "顺藤摸瓜"找到相关知识的基础设施。
🤖 第三步：把 AI 接进 Obsidian
这一步是整套方法"比较关键的"地方：光有一堆 MD 还不够，你要把 AI 的能力接进来，让它开始对知识库做分析、去噪、建链、整合。
讲师用的是 Obsidian 里的一个第三方插件——名字里带 Claude，前提是你电脑上已经装好了 Claude Code。
配置这个插件，其实只要搞定两处
① 填 Claude Code 的路径
告诉插件你本地 Claude Code 的启动地址在哪。
② 填环境变量：API Key + 选模型
在最下面的环境变量里，填上模型的 API Key、API 地址，再选一个模型。讲师这里选的是 MiniMax M3。
配置完成后，Obsidian 上方会出现一个小机器人入口。从这里你就能调用 AI 的能力，对整个知识库进行整理。
给机器人下的指令长什么样？
"把库里相关的知识、观点、步骤，自己去整合、关联起来"
AI 读取全库 MD → 分析主题相关性 → 建立双链 → 归并聚类 → 生成目录结构
核心是——你完全不需要手动去改某条知识，你要做的就是把 AI 接进来，让它来干这件事。
不会一步到位，要反复调
AI 刚开始关联时会比较乱，这是常态。后面需要不断地下指令让它优化——一轮轮地调，图谱才会越来越清晰、越来越好用。
🚀 第四步：调库出货
前三步把"底座"打磨好之后，真正干活很简单：
打开 WorkBuddy 或 Codex，把整个知识库当作工作空间选进去，然后把任务丢给它，它就能根据你的需要自动调整、输出。
关键区别
"Obsidian 加上不管是 WorkBuddy 还是 Claude Code，基本上你的输出已经没有局限了——想输出什么都可以，都能给你出非常好的结果。"—— 讲师
⚡ 进阶心法：会写 Skill 才算真正玩明白
库里会有一些官方/公开的 Skill，但它们对你的业务往往不够贴。真正重要的是自己去写 Skill 来解决你自己的问题。
讲师写 Skill 的两步法
STEP 1：升级"创建 Skill 的 Skill"
先找到那个用来创建 Skill 的 Skill，让它去参考「100 个思维模型」做一次升级。这样"造刀的刀"本身就带上了成体系的思维框架。
STEP 2：用升级后的 Skill，按业务/情景造专用 Skill
拿这把升级好的"造 Skill 的 Skill"，根据你的业务或具体情景去创建合适的 Skill。
怎么让 Skill "认识"你的业务？
创建业务专用 Skill 时，把相关仓库都加进去：
产品资料 客户成功方法论 客户运营方法论 团队 / SaaS 知识
公开 Skill 是通用件，自写 Skill 才是你的护城河。把业务仓库喂进去，让 Skill 长在你的经验之上。
💼 实战案例：数据决策看板
除了售前方案，讲师还分享了一个更完整的落地案例。
一家企业的老板，对系统里的数据老是分析不好、搞不定。讲师用同样的思路，帮他们建了企业知识库，并教会他们做工作流，最后搭出了一张数据看板。
业务背景：
划重点： 不是"又做了个 PPT"，重点不是 PPT，重点是他看了这个数据就能做决策。
看板高大上是表象，真正的价值是数据都直接分析好了，不用再二次、三次分析。
📋 总结：方法论才是核心
"现在一般任务已经感受不到模型的差别了，主要还是掌握一些技巧和方法论去怎么用。"—— 课程导师
"没错，方法论还有流程才是核心。"—— 讲师
整条方法的一句话骨架
- 资料转 MD
—— 把你过去所有的 Word/PPT/PDF 转成 MD，料要全 - 知识库
—— 倒进 Obsidian，接 AI 去噪、建双链、成图谱 - 调库出货
—— 用 AI 描述需求、自动调库产出 - 方法论
—— 真正决定上限的不是模型，而是你的流程、技巧和自写 Skill
工具会变，但沉淀下来的知识库和方法论，是真正长在你身上的资产。
🎯 五条可以立刻上手的行动清单
装 Claude Code —— 能上外网 + 一条命令即可，不需要账号密码；不想买它的 API 就配 CC Switch 切模型
先做一个"文件转 MD"的 Skill —— 把历史资料整理进一个文件夹，让 WorkBuddy 批量转成 MD
建 Obsidian 仓库并接 AI —— 装那个 Claude 插件，配好路径和环境变量，让 AI 自己去整合关联
反复调图谱 —— 第一次会乱，多下几轮指令让它优化，把相关知识尽量连起来
写贴业务的 Skill —— 先用「100 个思维模型」升级"造 Skill 的 Skill"，再把业务仓库喂进去造专用 Skill
🏋️ 随堂作业
选一个你最熟的领域（自媒体 / 售前 / 某条业务线），把这套四步法完整走一遍，产出一份真实可用的成果：
- 转 MD
：把该领域过去的 Word/PPT/PDF 收进一个文件夹，用一个转换 Skill 全部转成 .md - 建库接 AI
：倒进 Obsidian，装 Claude 插件、配好环境变量，让 AI 自己整合关联 - 调图谱
：至少下三轮优化指令，把最核心的那个"首页"节点和相关文件连起来 - 出一份成果
：用 WorkBuddy 或 Codex 描述一个真实需求，让它调库产出 - 造一个专用 Skill
：把你这条业务的仓库喂进去，做一个"贴业务"的 Skill
一次搭好底座，之后想出什么出什么——这就是"第二大脑"给你的复利。
本文基于社群分享的课程整理，原创整理，侵权必究。