· OBSIDIAN-EVOLVED · 2026.05.10 · 16 MIN ·

Obsidian × AI 工作流 Cookbook:10 个可直接抄的配方

晨间日记 / Vault QA / RSS 批处理 / 写作改写 / 私密翻译 / Evergreen 化 / 双链候选 / 论文摘要 / 图片 OCR / 多 agent 辩论 — 10 个标了可信度等级 + 亲测状态的配方,挑你需要的抄。 · by 思扬

AI · HERO seed:2820260510 晨间日记 / Vault QA / RSS 批处理 / 写作改写 / 私密翻译 / Evergreen 化 / 双链候选 / 论文摘要 / 图片 OCR / 多 agent 辩论 — 10 个标了可信度等级 + 亲测状态的配方,挑你需要的抄。

FIG.00 — cover · ai-generated · placeholder

核心问题:22 / 23 讲了”该装什么、为什么装”,但实际怎么用?这一篇给 10 个具体可抄的配方。

使用方式:每个配方独立,挑你需要的抄。抄完按”模型选项”换成你能用的(Qwen / Llama / Claude / GPT 任选一)。

🔍 可信度声明(2026-05-10):每个配方开头标了 🟢🟡🔴(可信度)+ ✅🟦(亲测状态)— 详见下表。所有插件命令名 / 快捷键 / 默认模型均逐条对照插件 README 校验,仍可能过期:插件 1-3 个月迭代一次,语法 / 命令名会变,抄之前先看插件最新 README。

🔥 影响力卡片(可信度框架)

每个配方都标了可信度等级和亲测状态:

标记	含义
🟢 高可信	配方核心元素(插件名 / 命令 / 模型)在官方文档可查证
🟡 中可信	配方核心可信,但具体语法 / 参数可能因版本浮动
🔴 推测	我没亲测过,但根据插件文档推断可行;抄之前先验证
✅ 亲测过	译者本人在 2026-05 实际跑通过
🟦 未亲测	译者本人未在本地实际跑过,基于插件文档 + 社区报告整理

所有 prompt 模板均为译者起草,可自由修改使用。

🎯 为什么必读

如果你只读 22(格局)和 23(本地 LLM),你会知道”该装 Copilot 和 Smart Connections,本地用 Qwen 3 8B”,但第一周怎么真的把它接进日常工作流? —— 这一篇是答案。

10 个配方覆盖:

日记 / TODO 整理 ×2
RSS / Read-it-later ×1
写作辅助 ×3
Vault QA ×2
翻译 ×1
图片 OCR ×1

一句话总结

不要装 5 个插件然后什么都没用熟。装 2 个,深入用 6 个月,胜过装 10 个用 6 周。

配方 1:晨间日记 → 当天三重点(🟡 + 🟦)

场景:每天早晨打开 Obsidian,自动从昨日日记 + 未完成 TODO 中,提炼当天 3 个重点。

插件:Templater(模板自动化)+ Local GPT(pfrankov)接 Ollama 模型:Qwen 3 8B(中文) / Llama 3.2 3B(英文,速度更快)

Templater 模板(放在 Templates/morning-focus.md):

---
created: <% tp.date.now("YYYY-MM-DD HH:mm") %>
type: daily-focus
---

# <% tp.date.now("YYYY-MM-DD") %> 重点

## 昨日笔记摘要(待 AI 填充)
<%* /* 抓昨日日记 */
const yesterday = tp.date.yesterday("YYYY-MM-DD");
const note = app.vault.getAbstractFileByPath(`Daily/${yesterday}.md`);
const content = note ? await app.vault.read(note) : "(无昨日日记)";
tR += content.substring(0, 2000);  // 防超长
%>

## AI 提炼:今日 3 个重点
> 抄上面"昨日笔记摘要"内容,在 Local GPT 右键菜单选"提炼今日重点",或手动 prompt:
>
> ```
> 你是我的执行教练。基于上面的昨日笔记 + 未完成 TODO,
> 给我今天的 3 个重点,每个用一句话说清:
> 1. 是什么
> 2. 为什么是它(从昨日笔记里挖动机)
> 3. 完成判定标准(具体到我能勾掉的动作)
> ```

## 今日 TODO
- [ ] 

## 自由写

避坑:

Templater “user functions” 语法版本敏感,2026-04 的 Templater v2 改了 API(本配方用 v1.18+ 兼容写法)。先在 Templater 文档查最新写法(Templater README,GitHub SilentVoid13/Templater)。
直接在 Templater 里调 Ollama 是反模式 — Templater 是”生成模板”,不是”调 LLM”。第二步用右键菜单触发 Local GPT 才对。

配方 2:Vault QA — 我去年怎么决定的(🟢 ✅ 亲测过)

场景:你想问”我去年关于 X 决定背后的理由是什么”,AI 自动检索你的笔记并回答 + 引用源笔记。

插件:Copilot for Obsidian(logancyang) 模型:云 API 推荐 Claude Sonnet 4.x / GPT-4o;本地推荐 Qwen 3 14B(via Ollama)

操作:

Copilot 设置 → Vault QA → 启用语义索引(初次启动等 30 分钟到 2 小时,vault 大小依赖)
打开 Copilot chat,输入:

@vault 帮我找去年 4 月到 6 月关于"产品定价"决定的所有笔记,
按时间顺序列出,每条标:
- 笔记标题 + 日期
- 当时的决定
- 决定的理由(原文摘录,不要解读)
- 链接

Copilot 会自动:语义检索 vault → 读相关笔记 → 引用源笔记回答。

避坑:

“@vault” 是 Copilot 的语法标记,确认你用的是 Copilot 不是其他 chat 插件(BMO / Smart 2nd Brain 语法不同)
第一次答非所问通常是索引不够细;多写几篇 hub 笔记(MOC / 项目 README)能立刻提升 QA 质量(对应 Forte”PCM”论点)
Copilot 免费版即可用 vault QA;不需要 Plus

配方 3:RSS 文章批处理 → 笔记入 PARA(🔴 推测,🟦 未亲测)

场景:每天早 9 点自动拉 RSS,AI 批量摘要 + 分类 + 写入 PARA 对应位置。

插件:Web Clipper(官方)+ Cannoli(DeabLabs Canvas LLM workflow)+ Local GPT 模型:Qwen 3 14B(本地)或 Claude Sonnet 4.x(云)

Cannoli Canvas 结构(在 Canvas 中画):

[节点 A: RSS 源]
  ↓ (拉昨日所有未读)
[节点 B: prompt = 给每篇用 3 句摘要 + 1 个核心论点]
  ↓
[节点 C: prompt = 判断 P/A/R/A 类别 — Project / Area / Resource / Archive]
  ↓
[节点 D: 写入 vault 路径 = `${PARA类别}/${日期}-${标题}.md`]

节点 B 的 prompt:

你是知识管理助手。下面是一篇文章,请按下面格式输出:

## 摘要(3 句)
1. ...
2. ...
3. ...

## 核心论点
> 一句话,作者的中心立场

## 我的延伸问题(3 个,激发我自己思考)
- ...

避坑:

Cannoli 2025-11 后未更新,先验证仓库当前状态;若已停摆,改用 Templater + Dataview 串行(没 visual 直观,但更稳定)
RSS 拉取可能用 Obsidian 不擅长的能力 — 真正的 RSS reader 用 Inoreader / Feedly,Obsidian 只接收已 clip 的文章

配方 4:写作 — 选中段落让 AI 重写(🟢 ✅ 亲测过)

场景:写完一段觉得太啰嗦,选中让 AI 给一个紧凑版,看 diff 决定接不接受。

插件:Copilot for Obsidian(Composer 模式)或 Smart Composer 模型:Claude Sonnet 4.x(云,质量优)/ Qwen 3 14B(本地,够用)

操作(Copilot):

选中段落
用 Cmd/Ctrl + K(Copilot README 推荐快捷键 — “Select text and apply action without opening chat”)或命令面板查 Copilot 找到 “Apply custom prompt”
输入 prompt:

用更紧凑的句式重写选中的段落,要求:
- 每句不超过 30 字
- 保留我原有的语气和判断,不要改观点
- 删掉所有"实际上"、"事实上"、"基本上"等冗余词
- 删掉重复表达,保留信息

Composer 给 diff,接受 / 拒绝 / 重生成

避坑:

不要用云 API 改私密日记 / 治疗记录(走配方 5,本地)
AI 改写后至少自己读一遍,不然 vault 信息密度反而下降(22 §9 第 8 条)

配方 5:私密日记翻译(中→英 / 英→中,🟢 ✅ 亲测过)

场景:你想把私密日记 / 治疗记录翻译成另一种语言练习,绝不能让数据离开本机。

插件:Local GPT(pfrankov) 模型:Qwen 3 14B(中英双向都强)

操作:

Local GPT 设置 → Provider → http://localhost:11434/v1(Ollama 默认端口)
选模型 → qwen3:14b
选中段落 → 右键 → Local GPT → “Custom action”
prompt:

把选中段落翻译成英文,要求:
- 保留我原有的语气(如果是私密的就保留私密的语气,不要"商业化")
- 不要"修正"我的语法 — 即使我有中文式英文,翻译也要传达原意
- 中文比喻 / 谚语保留意思,加 [括号注] 给出本意
- 不要总结,逐句对照

避坑:

默认 Llama 模型翻译中文质量差(22 / 23 已强调),确认用 Qwen 系
如果 Ollama 在国内拉不动,用 hf-mirror.com 或预先 OLLAMA_MODELS=... 指环境变量到本地路径
DeepL Pro 翻译质量更高,但会上传到云;隐私敏感时不用

配方 6:Evergreen 化(把碎日记合并为长文,🟡 🟦)

场景:你最近 30 天有 12 篇关于”AI 产品定位”的碎日记。想 AI 帮你扫一遍,提炼成一篇 evergreen note。

插件:Smart Connections(找相关笔记)+ Copilot Composer(合成) 模型:Claude Sonnet 4.x(质量必须好,合成需要”读懂”语境)

操作:

创建一篇空的 evergreen/AI-产品定位.md
在 Smart Connections 侧栏看右侧 lookup 结果,记下 12 篇相关笔记的标题
Copilot chat:

@vault 我要把下面 12 篇关于"AI 产品定位"的碎日记合成一篇 evergreen note。

[列 12 篇标题]

要求(按 Matuschak Evergreen 12 准则):
1. 原子化:每个 evergreen 论点单独成段
2. 概念为先:按概念组织,不按时间顺序
3. 密集链接:相关概念要标双链 [[]]
4. 不要复制原文,要 distill 成你自己的话
5. 矛盾 / 不同角度的论点都保留,不要合并

输出 markdown,每段标记源笔记。

避坑:

这是配方里最容易”AI 替你思考”的一个(对应 Matuschak 担心)
AI 写的 evergreen 你必须再过一遍 — 不然你的 vault 看着丰富,但你脑子没动
概念不是 AI 决定的,是你决定的 — 让 AI 提供原料和草稿,你自己取舍

配方 7:双链候选生成(🟢 ✅ 亲测过)

场景:写一段后,想知道 vault 里哪些已有笔记可以双链。

插件:Smart Connections(brianpetro) 模型:本地嵌入(Smart Connections 默认即可)

操作:

写一段后 — 任何长度,从 1 句到 1 段
看右侧 Smart Connections 的 Connections view(Smart Connections README 实际命名)— 自动浮现 vault 中语义相关的笔记
点开候选,看是不是真的相关
是的话用 [[]] 链上

核心思想:Smart Connections 在你写的时候浮现,不在你查的时候浮现 — 这是它和搜索的根本区别。

避坑:

第一次开会全量索引,中型 vault 30 分钟 - 大型 1-2 小时;让它跑完再用
默认 384 维英文优;中文 vault 建议升级到 bge-m3(via Ollama,见 23 §4)

配方 8:论文 / PDF 摘要 + 双链笔记(🟡 🟦)

场景:刚下了一篇 50 页的论文,想 AI 帮你摘要 + 标注关键概念 + 与 vault 既有笔记建立链接。

插件:Copilot(支持 PDF) 或 Khoj(原生 PDF + RAG) 模型:Claude Sonnet 4.x(长上下文好)或 Khoj 本地 RAG + Qwen 3 14B

操作(用 Copilot):

把 PDF 拖进 vault,放到 attachments/papers/
Copilot chat:

读完 [[paper-name.pdf]],按下面格式输出一篇 README:

## 一句话总结(50 字内)

## 主要论点(3-5 点,每点 1 句)

## 方法论(简述)

## 我应该关注什么
> 基于我的 vault 已有笔记,这篇论文哪 3 个论点对我最相关?给出双链候选。

## 我的批判
> AI 给一个温和但具体的反对意见(找 1 个论点最弱的地方)

## 引用要点(直接选段,不要总结)
- "..." (page X)
- "..." (page Y)

避坑:

Copilot 处理 PDF / DOCX / EPUB / 图片确实是 Plus 层(README 隐私段直引):“File conversions (PDF, DOCX, EPUB, images, etc.) are processed by Brevilabs servers only when you explicitly trigger these features via @ commands”。免费层做不到
Khoj 原生 PDF 是开源支持的,但要先 self-host
长 PDF(>50 页)在 long context 下质量会下降(Forte 在 25 文中提到的”AI 记忆退化”现象);分章节调用比一次全塞更准

配方 9:图片 OCR + 关键词标注(🟡 🟦)

场景:vault 里有 100 张手机拍的白板照片 / 网页截图,想让 AI 给每张提取关键词,使可被搜索。

插件:AI Image Analyzer(Swaggeroo) 模型:llava-llama3(插件默认,via Ollama)/ llava:13b 或 llava:34b(高配,作者推荐)

操作(README 实际写法):

装 AI Image Analyzer + Ollama + 拉 ollama pull llava-llama3
右键图片 → “Ai analyze image”(README 直引)
或命令面板搜 “AI image analyzer”
插件自动给图片生成关键词列表 + 缓存到本地 JSON

避坑:

默认模型 llava-llama3 体感一般,作者明确推荐用 llava:13b / llava:34b(README 自述)
中文白板照片:llava 系英文场景训练为主,中文手写质量差;考虑临时切到云端模型(Claude Sonnet 4.x 中文 OCR 远更好)
隐私照片(身份证 / 个人合影)走本地路径,不上云
AI 关键词≠你的语义系统 —— 接受 AI 给的草稿,自己改一遍 标签系统才长出你的样子
与 OmniSearch 集成可让图片关键词被全文搜索捕获(README 自述)

配方 10:多 agent 辩论(🔴 推测,实验性)

场景:你纠结于一个产品 / 战略决策,想 AI 帮你跑一场”辩论”。

插件:Cannoli(DeabLabs)on Canvas 模型:Claude Sonnet 4.x(质量优)或 Qwen 3 30B-A3B(本地大模型)

Cannoli Canvas 结构:

[节点 A: 主题 = "我该不该接 X 客户"]
  ↓
[节点 B: 正方 = 你扮演 'aggressive growth coach,argue for taking the deal' 给 3 个理由]
[节点 C: 反方 = 你扮演 'cautious 1-person founder,argue against taking the deal' 给 3 个理由]
  ↓
[节点 D: 裁判 = 你是中立分析师,基于上面正反方,给我:① 双方各最强的 1 个论点 ② 我应该先弄清的 3 个问题 ③ 不直接给结论]

避坑:

裁判不要给结论 — 这是 Forte 25 文论点 3:“AI 是用来想得更清楚的,不是替你想的”
第一次跑出的辩论会很糟(立场太刻板);改 prompt 加约束:“argue specifically based on [我的具体业务]“,给上下文(Forte 25 文论点 2:PCM)
Cannoli 维护放缓,确认仓库状态;若停了用 Copilot agent mode 替代

🟢 译者总评

3 个 takeaway:

抄配方,但不要”all in”。10 个里挑 2-3 个先用熟。我自己常用的是 2(Vault QA)+ 4(改写)+ 7(双链候选),其他几个用过但没成日常。
本地 vs 云不是非此即彼。配方 5 必本地(私密),配方 6 / 8 必云(质量),配方 4 / 7 任选。真正的成熟用法是分场景用。
prompt 不是抄一次就完。每个 prompt 用一周后,你会改它 3-5 次,改完才真的”匹配你”。这是 Forte 25 文的核心论点 — PCM 不是一次完成的。

反共识结论:

不要追求 “全自动化” — Cannoli 多 agent 辩论看着炫,但日常 80% 用配方 4 / 7 这种”半自动”就够
不要换 prompt 的速度比改 vault 的速度快 — Forte”花最多时间的人收益最少”
配方是起点不是终点 — 抄完写到自己的 vault 后,改成你自己的措辞,这一步很关键

🔗 延伸阅读(本系列内)

22 Obsidian × AI —— 讲完整格局,本文是它 §7 的展开
23 本地 LLM 工作流 —— 配方 1 / 5 / 6 的本地基础
25 Forte《Introducing The AI Second Brain》选译 —— 配方 6 / 10 的方法论背书

🔗 调研来源(可校验)

插件文档:

Copilot — https://www.obsidiancopilot.com/en/docs(Vault QA / Composer 用法)
Smart Connections — https://smartconnections.app/smart-connections/(Connections / Lookup 用法)
Templater — https://github.com/SilentVoid13/Templater(模板语法)
Local GPT — https://github.com/pfrankov/obsidian-local-gpt(Ollama 接入 + 自定义 action)
Cannoli — https://github.com/DeabLabs/cannoli(Canvas LLM workflow)
AI Image Analyzer — https://github.com/Swaggeroo/obsidian-ai-image-analyzer

Prompt 设计参考:

Anthropic 官方 prompt engineering 指南 — https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
Forte《AI Second Brain》课程预热(本系列 25 文)