Obsidian + Claude Code：AI自动维护个人知识库实战指南

知识库管理的老问题

用 Obsidian 做笔记的人，大概都经历过这样的困境：摘录了大量笔记，但它们孤零零地躺在笔记库里，和其他内容没有任何连接；添加新笔记时，本应顺手关联已有内容，但这项工作繁复到让人几次尝试后就放弃；写文章时想引用笔记中的概念，却发现根本找不到。

Obsidian 是一款基于本地 Markdown 文件的知识管理工具，其核心理念来自「卡片盒笔记法」（Zettelkasten）——由德国社会学家尼克拉斯·卢曼发展的一套笔记方法论，强调通过双向链接将原子化的知识点编织成网络。Obsidian 的文件本质是纯文本 Markdown，存储在用户本地，这一特性使其天然适合被 AI 工具直接读写操作。然而，Zettelkasten 方法的精髓——持续维护节点之间的关联——恰恰是最耗费人力的部分。

这些问题的根源是一样的——维护知识库需要大量复杂、重复的整理工作，人是做不下去的。而这恰恰是大语言模型擅长处理的事情。

最近，Andrew Capazzi 发表了一篇文章介绍他如何使用 Obsidian 配合 Claude Code 等 Coding Agent 来管理知识库。这套工作流与许多 Obsidian 重度用户自行摸索出的方向高度吻合。本文将结合 Capazzi 的思路和实际使用经验，介绍这套 AI 驱动的知识库管理方法。

为什么选择 Claude Code 而非其他 AI 工具

此前有人尝试过用 Gemini CLI 在 Obsidian 中打造"第二大脑"，Gemini CLI 的优势在于有较大的免费额度。但实际使用一段时间后，体验差强人意。切换到 Claude Code 后，差距非常明显——Claude Code 在上下文理解、工具调用、文本生成方面都比 Gemini CLI 强不少。

Claude Code 是 Anthropic 推出的命令行 AI 编程助手，属于「Coding Agent」范畴。与普通聊天式 AI 不同，Coding Agent 具备工具调用（Tool Use）能力，可以自主执行文件读写、终端命令、代码运行等操作，形成「感知-规划-执行」的 Agent 循环。这种架构使其能够在无人干预的情况下完成多步骤复杂任务，而不仅仅是生成文本回复。正因如此，Claude Code 作为一个 Coding Agent，天然具备读写本地文件的能力，这使得它可以直接操作 Obsidian 的 Markdown 文件，无需额外的插件或 API 对接。

三层架构：知识库的核心设计

Capazzi 的笔记库采用了清晰的三层架构，每一层各司其职。这套架构的设计思路是：原始素材与加工内容分离，系统规范独立管理，让 AI 在明确的边界内自主运作。

第一层：RAW 文件夹（原始素材）

RAW 文件夹遵循"只进不出"的原则。所有的研究论文、GitHub 仓库、网页文章、截图等原始素材都放入这个文件夹。大语言模型可以读取其中的内容，但绝不修改——原始资料永远保持原始状态。

大语言模型可以读这个文件夹的内容

第二层：Wiki 文件夹（AI 生成与维护）

这是整个系统的核心，由大语言模型负责创建、更新和维护。其中包括摘要、概念解释、人物介绍、专题文章等，所有内容都带有交叉引用，将知识串联成网络。

交叉引用（Cross-reference）是知识管理中将孤立信息转化为结构化知识网络的核心机制。在图论视角下，每篇笔记是一个节点，交叉引用是边，最终形成知识图谱。研究表明，人类记忆的提取效率与记忆节点的连接密度正相关——这正是 Zettelkasten 方法的理论基础。AI 自动维护交叉引用，本质上是在模拟人类大脑建立联想的过程，但以机器的速度和一致性执行。

这一层有两个关键文件：

index.md：整体索引文件，列出 Wiki 中所有文件及其摘要。大语言模型每次问答时先读取这个文件，找到相关条目，再深入读取对应文章。这一设计思路与检索增强生成（RAG，Retrieval-Augmented Generation）技术高度相似——RAG 的核心问题是在上下文窗口有限的情况下，如何让模型找到最相关的知识片段。传统 RAG 依赖向量数据库做语义检索，而 index.md 用结构化的 Markdown 索引替代了向量检索，在文件数量不过千的个人知识库场景下，这种轻量方案反而更稳定、可解释性更强。
log.md：操作日志文件，记录每次修改、查询和维护操作。这个日志本身就记录了知识库的增长轨迹，方便追溯 AI 对笔记库的所有改动。

第三层：Schema 文件（系统规范）

类似于 claude.md 这样的配置文件，定义了整个系统的运行规范：如何处理新素材、文章用什么格式、摘要写多长、遇到矛盾怎么处理。这是人工投入最集中的地方——通过修改这个文件来调整 AI 的行为，而不是手动整理 Wiki 内容。

三种日常工作流：Ingest、Query、Maintain

在这套架构下，日常操作被简化为三种工作流：

工作流一：Ingest（获取新内容）

将新资料放入 RAW 文件夹，触发一次处理流程。大语言模型会自动读取内容、提取核心摘要、创建或更新 Wiki 页面。通常一次新内容的添加会产生 10-15 个页面的交叉引用更新，最后在 log.md 中记录本次操作。

然后触发一次流程

实际操作中，可以将处理指令保存为 Claude Code 的 slash command，每次只需执行斜杠命令并指定要分析的文章，即可自动完成内容添加。slash command 本质上是预存的提示词模板，允许用户将复杂的多步骤指令封装为单一命令——类似于 Shell 脚本或 Makefile，将重复性操作标准化。将 Ingest、Query、Maintain 三类操作各自封装为 slash command，实现了「一键触发、自动执行」的工作流，大幅降低了使用门槛和认知负担。

工作流二：Query（查询知识库）

想了解某个话题时，不用去 RAW 文件夹搜索原始文档，而是直接在 Wiki 中查找。因为 AI 已经将所有原始资料提炼成了带有交叉引用的知识结构，搜索结果比直接检索原文有用得多。如果某个回答特别有价值，还可以直接写回 Wiki，变成新的知识条目。

它使用的一个记忆系统

例如，在笔记库中查询"AI Agent 的记忆系统"，Claude Code 不仅能找到直接相关的内容（如 Hermes Agent 的记忆系统、Memo Base 开源项目、Memo9 等），还能通过关联检索找到 OpenCloud 相关的插件和工具。更重要的是，它还能指出笔记中尚未深入覆盖的领域，比如记忆系统的分类框架、Context Engineering 的定义、记忆评测方法等。

工作流三：Maintain（定期维护）

定期让大语言模型对整个 Wiki 目录做一次"健康检查"：找出矛盾的说法、过时的信息、没有被任何页面链接的孤立条目，以及明显的知识空白。同样可以将维护指令保存为 slash command，定期执行即可。

这个流程彻底替代了人工梳理笔记的苦差事，让知识库保持持续更新，而不是慢慢被遗忘。

实用工具与效率提升技巧

在实际使用中，有几个工具可以显著提升素材收集和知识库管理的效率：

我自己的使用方式和Capacity有一些不同

Obsidian Web Clipper：Chrome 插件，可以一键将网页转换为 Markdown 格式并保存到 Obsidian 中。点击插件按钮后，网页会自动转换为可预览的 Markdown 文件，再点击"添加到 Obsidian