写在前面：你为什么换了10个笔记软件还不满意？

这个问题我琢磨了两年多。

从dokuwiki到word，从Notion到各种”新一代笔记工具”——换了一圈发现，我不是在学知识，我是在当档案员。

看到好文章，剪下来，存进去，以为学会了。实际上我再也没打开过第二遍。

我犯了一个错误：我以为收集就是在学习。但实际我只是换了一种方式囤积。

有些事你看不见的时候觉得它们不存在，而看不见的东西，往往比看得见的东西更珍贵。

所以今天我写这篇东西，不是要教你怎么”把Obsidian用出花来”，而是想聊聊——怎么让你的知识库从”死仓库”变成”活的大脑”。顺便也亮一下我的牌子——白谣节点，这是一个关于知识连接和节点思考的品牌。

个人知识库使用技巧的文章

白谣节点，obsidian+ai知识库，claudian简化插件版 视频演示

---

一、AI时代，为什么你的”死仓库”不够用了？

1.1 你存了那么多，真的找得到吗？

浏览器几十个标签，微信收藏夹塞满”稍后阅读”，不同笔记软件散落着零散片段——这不是你的问题，这是所有人的日常。

问题的核心不是信息太少，而是信息没法被有效检索和复用。

你存了一堆材料，真正要用的时候——要么想不起来存在哪儿，要么想起来了但翻半天找不到。这种感觉，像不像家里那个塞满杂物、一打开就掉东西出来的柜子？

1.2 传统PKM vs AI时代的PKM：从”你找知识”到”知识找你”

我花了很多时间研究这件事，最后发现一个简单的道理：

过去是**”你找知识”——你需要先知道有什么，再去翻去找。
现在是“知识找你”**——AI可以理解、关联、推送你真正需要的东西。

维度	传统玩法	AI时代的玩法
存储介质	文件夹叠文件夹	图谱 + 语义网络
检索方式	关键词搜索	AI能理解你想问什么
信息组织	人工分类（今天放A，明天想放B）	AI自动聚类关联
知识复用	你主动去翻	AI主动推送相关知识

1.3 为什么是 Obsidian？

我之前也用过Notion，但后来发现一个问题：数据不在我手里。

Obsidian 四个让我没法拒绝的理由：

• 纯文本存储：.md 格式，本地保存，不被任何平台绑定
• 图谱原生：双向链接自动构建知识网络，而不是文件夹死胡同
• 插件生态：7000+ 社区插件
• 隐私可控：数据在本地，想用AI可以自托管Ollama

但最重要的是：Obsidian的设计理念和”白谣节点”的核心理念完全一致——

软件不重要，大脑的联接方式才重要。

工具的本质是记录和连接，不是让你在功能之间来回切换。

---

二、白谣节点的底层逻辑：双向链接 + 图谱

2.1 为什么说”双向链接”是Obsidian的灵魂？

传统软件如Word，每篇笔记是一个孤岛。一个文件只能在一个文件夹里——这是父子关系。

Obsidian 借用的是互联网最伟大的发明——超链接。一个笔记可以连接到无数个笔记——这是邻居关系。

传统的逻辑让你纠结”这个笔记该放A文件夹还是B文件夹”；在白谣节点的思路里，你只需要写下来，然后用链接把它”挂”到相关的知识网上。

语法就这几条，但威力很大：

[[笔记标题]]              -- 基础链接
[[笔记标题|显示文本]]      -- 自定义显示文字
[[笔记标题#^段落ID]]      -- 链接到特定段落
![[笔记标题]]             -- 嵌入整篇笔记

反向链接系统会自动发现所有笔记中指向当前笔记的链接，你不用手动维护。这意味着——

当你写一篇关于”注意力经济”的文章时，可以快速查看所有引用过这个概念的其他笔记。这个过程比关键词搜索更高效，因为它基于语义关系，而不是简单的字符串匹配。

2.2 图谱视图：你知识库的”卫星图”

图谱视图将笔记库中所有链接关系可视化为一张网络图谱。每个笔记是一个节点，每个双向链接是一条边。

有三种模式：

• 全局图谱：看整个Vault的全貌，像卫星地图
• 局部图谱：以当前笔记为中心，看它周围的”朋友网络”
• 星形图谱：只看最常用笔记之间的关联

白谣节点的核心主张：图谱的价值不在于”好看”，而在于发现你没想到要关联的知识。

当你积累了几百篇笔记后，图谱中会自然浮现出”知识岛屿”——某些笔记高度互联，代表你持续关注的主题。通过图谱可以快速识别这种结构。

2.3 块引用：比笔记链接更细的”线”

每个段落、列表项甚至单独一行都是一个”块”（Block）。

这是一个独立的段落块。^abc123
![[笔记标题#^abc123]]   -- 精准引用这一个段落

白谣节点的思考方式：块引用的精髓是精准复用。做文献整理时，可以直接把多篇文献的关键段落拼装到一篇笔记中——就像用零件组装一台机器。

---

三、AI赋能：白谣节点 × 大模型的四种接入方式

以下按部署方式从”全云端”到”全本地”排列。

3.1 方式一：BMO Chatbot（推荐入门）

最省事的方案。支持Claude、ChatGPT、Kimi、DeepSeek等多个模型。

配置步骤：

1. 社区插件安装 BMO Chatbot
2. 获取API Key
3. 配置系统提示词
4. 在任意笔记中选中内容 → 侧边栏对话 → AI分析 → 结果写回笔记

整个过程在Obsidian内完成，不用切窗口。

3.2 方式二：Local REST API（适合开发者）

通过 Local REST API 插件暴露笔记内容，用HTTP客户端处理。

curl -X GET "http://localhost:27124/vault/你的笔记.md" \
  -H "Authorization: Bearer your-token"

优势是完全解耦：Obsidian只负责存储，AI处理全部在其他工具中完成。

3.3 方式三：MCP + Claude Code（高级玩法）

MCP（Model Context Protocol） 让AI能与外部工具直接交互。obsidian-mcp 插件把Obsidian Vault变成MCP工具服务器，Claude Code能直接”看到”你整个知识库。

claude
用户：总结我所有#项目X 标签下笔记的核心发现。
Claude Code → 通过MCP读取所有带标签笔记 → 输出总结

这种方式的独特价值：AI不是在处理单篇笔记，而是在整个知识网络上进行推理。

3.4 方式四：Ollama 本地部署（隐私优先）

对数据隐私有极高要求？Ollama 本地运行模型，完全离线。

brew install ollama
ollama pull qwen2.5:7b

配置插件选择Ollama：

{
  "provider": "ollama",
  "model": "qwen2.5:7b",
  "baseUrl": "http://localhost:11434"
}

白谣节点的态度：对大部分人来说，方式一（BMO Chatbot）就够了。别在”配置完美系统”上花太多时间——这是很多人的陷阱。

3.5 方案对比速览

维度	BMO Chatbot	Local REST API	MCP + Claude Code	Ollama
配置难度	简单	中等	较高	中等
模型能力	云端最强	取决于外部工具	云端最强	本地较弱
数据隐私	经云端	经云端	经云端	完全本地
离线可用	❌	❌	❌	✅
适合人群	通用用户	开发者	高级用户	隐私敏感用户

推荐路径：BMO Chatbot入门 → MCP + Claude Code进阶 → Ollama隐私需求。

---

四、实战工作流：三种场景让你的知识”活”起来

4.1 做研究：从10篇论文到一张知识网

Step 1：建立项目总览
```markdown

project: 研究项目名称
status: 进行中
tags: [研究, 论文]

研究项目名称

核心问题

关键文献

核心发现

**Step 2：每篇论文的标准化笔记**
使用块引用将关键段落与项目总览关联。

**Step 3：AI辅助分析**（在BMO Chatbot中）

请找出这10篇论文的主要分歧点和共识领域，以表格形式输出。

**Step 4：图谱验证**
检查是否有"孤岛笔记"——那些没有被任何笔记引用的，往往是研究空白点。

### 4.2 写文章：从碎片素材到完整初稿

平时随手记录碎片，每条素材至少关联一个 `[[写作主题笔记]]`。

然后AI辅助生成框架：

请根据以下素材，生成一篇文章大纲：

1. 引言/正文/结论
2. 每个章节的关键点
3. 标注哪些素材适合放在哪里

```

最后用块引用快速拼装草稿，人工润色即可。

白谣节点的经验：AI写出来的东西一定要审——特别是数据、日期、专业术语。我会把AI生成内容用不同颜色标记，区分原创。

4.3 学习新领域：先广度再深度

第一轮：泛读10-20篇，每篇写简短笔记，用自己话复述核心概念。

第二轮：建立链接。打开图谱，检查并补充缺失的横向关联。

第三轮：AI辅助深化——针对不懂的地方直接问。

第四轮：用间隔重复插件定期回顾。

白谣节点的”少即是多”原则：在对芒格和巴菲特逻辑的研究里，我发现——少不是目的，而是实现复利的必要条件。少一个变量，意味着你对其余部分的掌控力多了一倍。

---

五、说点真话：那些没人告诉你的坑

5.1 插件依赖陷阱

Obsidian的插件生态是双刃剑。装了20个插件后，启动速度变慢是必然的。

白谣节点的建议：核心工作流只依赖官方插件或经过大量验证的主流插件。定期备份到Git。只在有必要时安装新插件——**别得了”插件收集癖”**。

5.2 图谱迷失陷阱

太多人花时间在图谱美化上，而不是真正写作。

我的建议：

• 善用局部图谱，别总盯着全局
• 用标签代替文件夹层级
• 每季度做一次”图谱审计”，删除孤岛

5.3 AI过度依赖陷阱

AI生成的内容不核实就直接用 → 知识库积累错误信息 → 最后你的”第二大脑”变成了一堆垃圾。

另一个极端是：什么事都问AI，失去了主动思考。

记住：AI是放大器，不是拐杖。

5.4 一个重要的提醒

软件不重要，大脑的联接方式才重要。

我在这个领域研究了两年多，开发了luman1和luman2两套方案。但最后我发现，真正的”第二大脑”不是技术问题，而是心态问题。

不要为了配置而配置。 用”最小可行系统”起步——Obsidian自带功能 + 双向链接 + 一个AI插件，就够用了。

---

六、关于白谣节点

白谣节点是我在Obsidian知识管理领域的品牌。

我研究卢曼卡片笔记法，开发了相关的插件；我研究席德·米德的工作流，探索如何在视觉设计中应用知识连接；我研究建模和CG，发现所有的学习和创作，归根结底都是节点的连接与组合。

白谣节点的核心理念有三句话：

1. 少一个，就是多一个 —— 少一个变量，掌控力多一倍
2. 软件不重要，连接才重要 —— 工具只是手段，大脑的组织方式才是本质
3. 不要当档案员，要当思考者 —— 收集不是学习，使用才是

如果读完这篇帖子，你最深的感受是”原来我缺的不是工具，而是方法”——那我就没白写。

你有兴趣的话，一起聊聊。

---

参考来源

• Obsidian 官方文档：obsidian.md/help
• Anthropic MCP：www.anthropic.com/news/model-context-protocol
• BMO Chatbot 插件：Obsidian Community Plugins
• Ollama：ollama.com
• 白谣节点研究笔记：[[白谣节点Obsidian应用参考指南]]