我如何用 AI + Obsidian,搭建公众号创作系统

很多人用 AI 写文章，做法是可能是打开一个对话框，输入一句：

帮我写一篇关于 xxxx 的文章。

几秒钟后，一篇结构完整、语句通顺，也没有什么记忆点的文章就出来了。

我现在很少这样写。

我其实是把整个公众号都放进了 Obsidian：已发布文章、未发布草稿、选题池、写作规范、运营数据、研究资料和历史判断，全部以本地 Markdown 文件保存。Cursor、Claude Code、Codex 、Workbuddy这类 Agent 直接进入笔记库工作，搜索旧文、整理素材、修改草稿、同步数据、分析表现。

对我来说，AI 不只是写作助手。它更像一个长期驻扎在知识库里的内容协作者。

这套系统目前沉淀了 114 篇已发布文章。它没有把我变成一个日更博主，也没有让我靠公众号赚钱，但它解决了一个更重要的问题：如何让零散的工作经验、技术研究和产业判断，持续沉淀成一套可以复用、修正和扩展的个人知识体系。

Obsidian 管知识，Agent 管行动

我选择 Obsidian，只有一个原因，它足够简单：本地优先，文件就是 Markdown，目录结构清楚，任何 Agent 都能直接读写。

公众号相关内容主要分成三层：

运营资产：写作风格、公众号定位、历史数据和选题判断；
已发布文章：作为观点档案和写作样本；
未发布内容：包括草稿、选题池和等待继续研究的方向。

此外，我的工作规划、会议纪要、技术研究、投资分析和外部剪藏也在同一个知识库里。写文章时，Agent 不是只看我刚刚发给它的几段材料，而是可以在整个笔记库中寻找上下文。

比如我要写 AI 支付，它会找到过去关于 Agent 支付、Token 计费、稳定币和支付行业演进的文章；我要写研发管理，它能关联会议纪要、团队规划、AI 研发 SOP 和企业数字员工系列。

这和普通聊天机器人的差别很大。

聊天机器人处理的是一次对话，Agent 处理的是一个持续演化的工作空间。前者回答问题，后者可以搜索、比较、编辑、归档，并把结果继续留在知识库里。

为了让它不乱写，我还在知识库里放了规则文件和专门的写作 Skill，明确告诉 Agent：

公众号面向谁，写什么，不写什么；
新建文章前先搜索旧稿，避免重复选题；
不编造数据、案例和引用；
少写空泛概念，多写具体事实和动作；
已发布与未发布内容分别放在哪里；
哪些表达符合我的习惯，哪些句式 AI 味太重。

我不需要每次重新解释这些要求。它们已经从“提示词”变成了创作系统的一部分。

“AI 写的文章没有价值”，也是一个误区

现在很多人看到一篇文章有明显的 AI 痕迹，第一反应就是：不能看，没有价值。

我能理解这种反感，就像我很反感 AI 生成的 PPT。网上确实出现了大量批量生成的内容：没有可靠来源，没有个人判断，只是把公开信息重新排列一遍。这样的文章，无论是不是 AI 写的，都没有太大价值。

但把问题简单归结为“AI 参与写作”，同样是一种误区。

过去一个人整理知识，受限于自己的记忆、时间和阅读范围。很多材料读过就忘了，不同阶段形成的观点也很难系统连接。Agent 可以在整个知识库中搜索、比较和归纳，找到被我遗忘的文章、前后矛盾的判断，以及原本分散在不同领域里的关联。

它也能帮助我触达未知领域。面对一个不熟悉的问题，我可以先让 Agent 建立概念地图，列出关键公司、论文、技术路线和争议，再沿着一级信源逐项验证。AI 不能代替真正的研究，却能显著降低进入陌生领域的门槛，让我更快知道“自己不知道什么”。

所以，评价一篇文章，不应该只看作者有没有使用 AI，而应该看它有没有可靠事实、清晰判断和真实增量。

对我来说，AI 的价值并不是冒充作者，而是帮助我扩大认知边界，系统梳理知识体系。文章最终表达什么、删掉什么，以及是否愿意为结论负责，仍然由我决定。

我现在的创作流程

这套工作流不是从“让 AI 写一篇文章”开始，而是从一个值得长期保留的判断开始。

1、先记录判断，不急着写成文章

我的选题大多来自三类场景：

第一类是工作现场。研发管理、AI 落地、组织调整和支付业务中遇到的真实问题，通常比公开热点更有价值。

第二类是持续研究。一个行业事件很少能单独构成文章，但当它和过去积累的资料连起来，就可能出现新的判断。

第三类是公众号数据。哪些主题有人转发，哪些标题有搜索长尾，哪些文章阅读不高但在专业圈传播效率很好，这些都会影响后续选题。

灵感出现时，我先把它记进 Obsidian，不要求完整。可能只有一句判断、一张图、一个链接，或者几段会议记录。素材先进入系统，后面再由 Agent 帮我寻找关系。

2、7×24 小时运行的前沿技术雷达 Agent

仅靠自己刷新闻、刷小红书，很难稳定覆盖全球技术变化，也很容易被算法困在熟悉的信息源里。

所以我还配置了一个自动运行的「前沿创新雷达」Agent。它持续跟踪八个方向：AI 与 Agent、具身智能、AI 芯片与计算架构、前沿论文、AI for Science、以及 AI 治理和产业政策。

每天，它会混合使用中英文关键词扫描网络，重点检查近 3—7 天的大厂动态、创业公司、产业数据和科研论文。其中论文是单独的重点任务，会检索 arXiv、Nature、Science、Cell、OpenReview 等平台，记录 arXiv ID、DOI、原始发表日期和核心贡献。

这并不是让 AI 自动汇总一堆科技新闻。我给它设置了很严格的信源和时间规则：

模型发布、调价和论文发表，优先回到官方博客、论文主页或政府网站确认；
每条信息必须标注原始发布日期；
二级媒体只能用于交叉验证，不能把内容聚合站当成唯一信源；
特别检查“周年旧闻”，避免把去年同一天的发布误报成今年新闻；
区分首次发布、预览版、结束测试和正式 GA；
单一信源且没有官方确认的内容，必须标注待验证或直接降级。

Agent 还会先读取历史记忆，确认哪些热点已经报道过。任务完成后，它生成一份 1500—2500 字的 Markdown 雷达，通过企业微信推送给我，再把本次搜索主题、主要发现和发送状态写回记忆，供下一次执行时去重。

这套雷达解决的是创作系统最上游的问题：持续获得经过初步验证的新信息。

但雷达里的热点不会自动变成公众号选题。真正进入写作流程之前，我还会让 Agent 把它和 Obsidian 里的旧文章、工作经验及公众号数据放在一起比较。只有能接入长期知识主线，或者能形成新判断的信息，才会进入选题池。

这样一来，技术雷达负责拓宽视野，Obsidian 负责保存上下文，写作 Agent 负责把外部变化和内部积累连接起来。

3、写之前，先让 Agent 查重和补上下文

传统写作最浪费时间的环节，不一定是写，而是忘了自己以前写过什么。

同一个概念可能散落在几篇文章、几份调研和多次会议纪要中。如果每次都从头搜索，很容易重复劳动，也容易让前后的观点互相冲突。

所以我会先让 Agent 做三件事：

搜索同主题的已发布文章、旧草稿和选题池；
找出可以复用的事实、观点和关联笔记；
判断这次应该更新旧文、续写系列，还是新开一篇。

这一轮通常不会直接生成正文。它先帮我把已有认知摊开，让我看到这个选题是否真的有新东西。

如果只是把旧观点换个标题再说一遍，我宁愿不写。

4、人给判断，Agent 完成大量中间劳动

正式写作时，我会给出核心判断、文章对象和最想说清楚的矛盾。Agent 负责整理素材、搭建结构、补齐上下文和形成初稿。

但第一稿只是半成品。

AI 很擅长把话说完整，也很容易把话说得过于完整：段落整齐、排比工整、每一节都在总结，看上去没有错误，读完也没有作者。

我的修改重点不是逐句润色，而是检查几个问题：

这个判断是不是我真的相信；
事实能不能支撑结论；
有没有把不确定的推测写成事实；
有没有为了结构完整重复同一个意思；
哪些话只有我基于工作经验才能说，哪些只是模型的通用表达。

然后再让 Agent 按这些意见重写、压缩和降 AI 味。反复几轮后，文章才会从“模型写得不错”变成“这是我想说的话”。

AI 承担的是搜索、整理、改写和维护，人承担的是判断、取舍和责任。

4、发布不是终点，文章要回到知识库

文章发布后，我会把线上终版、发布时间、链接和数据同步回 Obsidian。

这样，每篇文章不只是公众号后台的一条历史记录，还会重新成为知识库的一部分。后面写新文章时，Agent 可以继续引用、对比和修正它。

过去的文章不会躺在列表里吃灰，而是变成下一篇文章的上下文。

这也是我越来越看重 Obsidian 的原因：公众号是分发渠道，知识库才是内容资产真正存放的地方。

把数据同步也交给系统

只写不复盘，很容易凭感觉判断内容。

我为公众号后台做了一套自动同步脚本。登录授权后，脚本会分页拉取发表记录，把阅读、点赞、转发、在看和评论等数据写回本地，同时更新 JSON 快照、分析笔记和趋势页面。

截至 2026-08-22，系统已同步 114 篇文章，累计 57,847 次阅读、2,533 次转发和 770 次点赞。

这些数字不算大，但足够帮我纠正很多主观印象。

例如，工具选型文章《Codex、Claude Code、Cursor、OpenCode、ZCode：AI 编程工具怎么选》获得了 3,275 次阅读和 353 次转发；《重新理解 Dify：Agent 时代的 DevOps》获得了 1,856 次阅读和 78 次转发。它说明工具内容并不只能做搜索流量，只要给出清晰的选型地图和产业判断，同样有较强的传播性。

另一方面，有些文章绝对阅读量不高，但在研发管理或支付行业里的转发率很好。这类内容不一定带来流量，却能强化公众号在专业人群中的定位。

所以我不会简单地让 AI 根据阅读量排序，然后追着最高的数据写。

我的数据分析分成三步：

第一步，脚本负责拿到稳定、可重复的数据，避免人工抄录。
第二步，Agent 分析不同主题、标题和内容类型的表现，找出阅读、转发和长尾之间的差异。
第三步，由我决定哪些结论值得进入选题池，哪些只是短期热点，哪些应该沉淀进写作规范。

脚本解决数据搬运，Agent 负责发现模式，人决定是否相信这个模式。

AI 选题，不等于追热点

有了文章库和运营数据后，Agent 可以同时查看三种信息：

我长期关注的知识主线；
最近积累的新材料；
历史文章的真实表现。

它给出的选题不再只是“最近 AI 圈有什么热点”，而会进一步判断：这个事件能否接入已有内容体系？我是否有不同于公开报道的经验？它适合成为系列文章，还是只值得留一条笔记？

我现在更愿意写三类内容：

可以把技术变化和产业结构连起来的文章；
来自真实工作现场的 Agent 工程与组织管理问题；
能够进入既有系列、让知识体系继续生长的选题。

热点只是一种触发器，不是选题本身。

如果一个热门事件和我的长期研究没有关系，也没有新的判断，即使流量可能不错，我也不一定写。反过来，一些小众的研发治理、AI 支付和企业数字员工话题，即使阅读不高，我仍然会持续写。

因为我对公众号的目标，从来不是把每一篇文章都做成爆款。

我的公众号，不以盈利为目的

我当然会关注阅读量，也希望文章被更多人看到。但这个公众号目前不是一个以广告、课程或流量变现为目标的项目。

公众号简介一直只有一句话：

没有标签，是不想被某个固定身份或单一赛道限制；没有广告，是希望表达不被商业左右；只有思想，是把注意力留给真正值得长期思考的问题。

它更像一个公开的知识整理系统。

我在技术研发、团队管理、支付和 AI 产业上的经历，每天都会产生大量碎片。如果只是放在脑子里，它们会迅速消失；如果只记在私人笔记里，又缺少对外表达带来的压力。

写公众号迫使我把一个模糊想法说清楚，把事实和判断分开，也让我接受真实读者的检验。有人转发，说明这个问题具有共性；没人读，也可能提醒我：标题没有讲清楚，选题过于自我，或者判断还没有形成价值。

因此，公众号承担的是“公开输出”，Obsidian 承担的是“长期沉淀”，Agent 负责连接两者。

这套系统对我最大的帮助，不是让我写得更快，而是让我过去写过的文章、做过的研究和形成的判断，不再彼此孤立。

一篇文章发布之后，它会成为下一次思考的素材；一次数据复盘之后，它会反过来修正选题和写作方法；一条工作现场的记录，也可能在几个月后长成一篇文章。

我仍然会换 Agent，模型也会不断升级。

但保存在 Obsidian 里的文章、资料、规则、数据和工作流，可以持续积累。

工具会变，真正能留下来的，是这套越来越懂我的知识系统。

如果说编程和创作是放大个人能力的两根杠杆，那么 AI 就是杠杆之上的杠杆。

它不替你决定方向，却能把知识、经验和时间再次放大。

用好 AI，一个人也能拥有过去只有团队才具备的研究、整理和表达能力。