AI 第二大脑搭建指南：从 Wiki 到知识图谱
文章探讨了 AI 第二大脑的演进，指出简单的 Wiki 模式无法适应工作中不断演变的上下文，并推荐了基于知识图谱的开源工具 Rowboat。文中详细介绍了 Rowboat 的安装配置、本地化部署（支持 Ollama/OpenAI）、与 Obsidian 的集成，以及如何通过连接 Gmail、日历和会议记录，自动提取决策、承诺和截止日期，构建一个完全本地化且具备上下文感知能力的智能工作系统。
相关文档
Obsidian 新手抄作业指南：不用自己配置，照着这份清单搭就行
本文汇总了作者两个月来分享的 Obsidian 用法，为新手提供一份开箱即用的搭建清单。内容涵盖：All-in-One 个人工作台（Life OS、向阳乔木工作台、FLO.W、Apex Dashboard 等）；高颜值皮肤与模板；AI 驱动的任务管理插件 FlowNote 及手机快捷输入；内容创作插件（微信读书、公众号发布助手）；基于 LLM 理念的知识库插件；Claudian Agent 插件；AI RSS 信息订阅（向阳乔木订阅、张咋啦 AI Builder、YouTube RSS）；以及 Obsidian CEO 出品的 Kepano Skills。帮助新手快速将 Obsidian 打造成第二大脑和个人工作台。
2026 我的 Obsidian 完整分享
作者 Jackywine 基于六年重度使用经验，全面分享 Obsidian 知识管理体系的万字长文。文章回顾了自己从疯狂装 47 个插件、反复删库重建的「工具崇拜」弯路，到形成成熟使用方法的历程；汇总并点评了多篇入门教程与论坛精华；介绍了 Obsidian 的创始人故事、本地 Markdown 数据持久性理念、双链优先于分类的核心思想、2500+ 插件生态，以及与 Notion、Logseq、Roam 的对比；最后结合 Karpathy 用 LLM 构建知识库的实践，探讨了 AI Agent 时代 LLM-Wiki 的知识管理新范式。
AI界天花板ponytail：让AI学懒人工程师思维，代码量砍半
本文介绍了开源项目ponytail，该项目在GitHub上拥有91.6k star，其核心哲学是让AI模仿资深工程师的“懒人思维”，优先寻找现成方案或修改配置，避免不必要的代码编写。作者实测发现，ponytail能让AI先思考再动手，自动拆分复杂需求为最小改动，重构老模块时代码量减少近一半。此外，它强制AI编写“为什么这么改”的注释，相当于免费代码审计，对维护老项目尤其有用。作者认为该项目思路独特，不追求跑分，专治AI写码落地难的问题，并推荐给AI方向的开发者。
构建 24/7 运行的 AI 智能第二大脑
本文介绍了如何利用 Obsidian 和 Claude 构建一个无需编写代码的智能第二大脑系统。文章提供了详细的分步指南，包括设置文件夹结构、创建核心模板、建立日常记录习惯以及利用 Claude 进行笔记总结和关联，旨在帮助用户建立一个能持续增值的个人知识管理系统。
Graph Engineering 101: 30分钟构建个人知识图谱指南
文章介绍了如何在30分钟内从零开始构建一个个人知识图谱。作者认为知识图谱不仅适用于大公司，个人也可以通过简单的工具（如Obsidian）和清晰的结构来实现。文章详细规划了从选择工具、定义实体、创建节点、建立连接到添加查询和习惯的每一步，强调了 intentional connection（有意图的连接）比复杂性更重要。
Graph Engineering: The 11-Step Roadmap From Obsidian Vault to Graph
文章指出仅使用 Obsidian 构建笔记库效率低下，AI 读取所有笔记导致成本高昂且速度慢。作者提出了 11 步图谱工程路线图，通过构建路由、索引、节点和边，将“杂乱的文件堆”转化为结构化的知识图谱。这种方法将检索过程从模型调用转变为逻辑匹配，大幅降低 Token 消耗并提升响应速度，实现真正的“第二大脑”。
我停止管理笔记，开始使用第二大脑 (Claude + Obsidian)
文章介绍了一种结合 Claude 与 Obsidian 的 LLM Wiki 模式，通过 AI 自动整理、链接和维护笔记，构建自我组织的知识库。相比传统方法的低效与 Notion 的限制，该方案能大幅提升研究效率，让知识随使用积累，实现真正的“第二大脑”。文章还提供了具体的安装步骤和使用技巧。
Horizon：开源 AI 新闻雷达，打造你的专属双语日报
介绍了一款名为 Horizon 的开源 AI 新闻雷达工具。该工具支持抓取 HN、Reddit、GitHub 等多平台一手信息，利用大模型自动打分、去重、总结，并生成中英双语日报。支持 Docker 一键部署及多种订阅方式，旨在解决信息过载和二手信息泛滥的问题。
AI 算命技术解析：从出海百亿赛道到 Claude Code 本地部署
文章分析了海外 AI 算命市场（如 FateTell、Astrotalk）的高利润率与高复购率，指出普通 AI 因缺乏专业知识导致的“废话”和排盘错误是产品失败的主因。作者展示了如何利用 Claude Code 构建基于 17 部经典古籍（如《滴天髓》）和 44MB 知识图谱的专业系统，通过“四家投票”机制和双系统验证，将准确率提升至六七成，并提供了完整的提示词和本地安装方案。
AI Knowledge Layer (and why your agents are useless without it)
本文提出了一种让 AI 智能体变得更聪明的双层系统：AI 知识层。它包含动态的知识库层（KBL）和静态的品牌基础层（BF），通过编译而非检索（RAG）的方式，让智能体在执行任务前拥有上下文记忆。文章介绍了该系统的概念、与传统 RAG 的区别、以及如何利用开源框架 LLM Wikid 构建个人或企业的知识图谱，从而解决 AI 输出同质化、缺乏个性化的问题。
Karpathy 的 LLM Wiki 改造版：打造更实用的 AI 个人知识库
本文针对 Andrej Karpathy 提出的 LLM Wiki 方案，结合作者自身的 Obsidian + OpenClaw + Claude Code 实践经验进行了优化。作者提出了从三层架构升级为五层架构（增加行动层与产出层），并强调人工确认机制，避免 AI 自动分类的偏差。文章详细介绍了入库、查询和健康检查的具体流程，分享了构建个人知识库的原则，旨在实现知识积累与内容产出的高效闭环。
Karpathy 最新分享：用 LLM 搭建个人知识库，告别 RAG 的低效循环
文章介绍了 Karpathy 提出的 LLM Wiki 方法，旨在解决传统 RAG 检索缺乏知识沉淀的问题。作者详细演示了如何在 Obsidian 中落地该方案，包括使用插件采集素材、配置图片本地化、利用图谱视图发现盲区、结合 Dataview 生成报表、使用 Marp 制作幻灯片，以及通过 Git 进行版本管理。核心思想是让 AI 承担繁琐的整理与维护工作，人类专注于思考与决策，从而构建持久增殖的个人知识库。
