如何使用 Obsidian 和 Vellum 构建 24/7 运行的第二大脑
本文介绍了一套基于 Obsidian、Vellum AI、Readwise 和 N8N 的个人知识管理系统（PKM）。通过构建特定的文件夹架构、安装 Templater 等插件、配置自动抓取与 Telegram 机器人采集工作流，实现信息的自动化汇集与整理。核心在于编写 VELLUM.md 文件为 AI 提供上下文，使其成为能够全天候思考、发现笔记间隐含联系并辅助决策的“私人幕僚长”。
相关文档
如何构建每日自动进化的 Obsidian 知识库
文章介绍了一种利用 Obsidian、Readwise、Telegram Bot 和 Claude 构建自动化知识库的系统。该系统通过四层架构（采集、管道、存储、智能）实现信息自动入库与关联，解决了传统知识库“只进不出”和缺乏反馈的问题，让 Claude 成为你的思考伙伴，将 Vault 从档案柜转变为能主动提供洞察的第二大脑。
如何构建一个自我维护的第二大脑
文章介绍了一套结合 Obsidian 和 AI 的“自我维护第二大脑”系统。通过设置特定的文件夹结构、AI 提示词模板（CLAUDE.md）和五个核心工作流（摄入、查询、清理、热缓存），该系统能自动阅读资料、更新知识库并保持逻辑一致性，解决了 AI 对话历史丢失的问题，将外部 AI 转化为个人的全职图书管理员。
从0到1 构建AI知识工作流，Obsidian笔记入门
一篇详尽的 Obsidian 入门教程，介绍了如何将本地 Markdown 文件夹打造为「第二大脑」。文章对比了 Obsidian 与 Notion 等云笔记的区别，强调本地纯文本文件对 AI 的可读性是关键分水岭。内容涵盖安装建库、双链/标签/搜索三大核心功能、frontmatter 笔记规范、插件选择策略、目录结构与日记模板，并重点讲解如何让 AI 接管笔记整理，包括三层架构和日记周报、读书笔记、调研、写作等可直接使用的 AI 工作流，最后总结了常见坑与答疑。
在 Obsidian 中创建你的第二个自我
本文介绍了如何将 Obsidian 从简单的笔记应用转变为 AI 可读写的记忆层，从而构建一个“第二个自我”系统。作者提出了双层记忆架构：一层为人类保留原始、混乱的思考，另一层为 AI 提供结构化、机器可读的上下文。文章详细展示了文件夹结构（如 00_inbox、01_self 等）以及五个核心提示词，用于将杂乱想法转化为笔记、生成每日记忆日志、更新项目记忆、创建决策记录以及向第二个自我提问。核心观点是：AI 的智能取决于其可访问的上下文，通过自动化笔记维护，Obsidian 能成为真正的工作记忆系统。
Give Hermes A Second Brain With Obsidian
本文介绍如何利用 Obsidian 为 AI 助手 Hermes 构建一个“第二大脑”，使其能够访问工作所需的全部上下文。文章详细说明了从创建空 vault、让 Hermes 自动搭建结构，到通过访谈填充身份文件、设置上下文规则、建立路由表，以及实现捕获模式和夜间编译的完整流程。核心思想是区分原始素材（Raw）和编译知识（Wiki），让 AI 在回答前先读取相关文件，从而减少重复解释、提高回答质量。
发现一个比 Obsidian AI 更适合当第二大脑的工具叫remio
作者介绍了名为 remio 的工具，称其比 Obsidian + AI 更适合作为第二大脑。remio 能同步飞书、微信等平台内容，支持本地存储并集成 Agent，可自动调用知识库生成 PPT 等工作成果，显著提升效率。
Claude + Obsidian，你数百条死笔记，瞬间变成帮你思考的第二大脑
本文介绍了一种结合 Claude 和 Obsidian 的知识管理方案，通过自动化提取、链接和归档，将死笔记转化为可交互的第二大脑，支持全文检索和引用，帮助知识复利增长。
如何用 Obsidian 和 Claude 构建永久记忆系统
文章介绍了一种结合 Claude Desktop 和 Obsidian 的 AI 工作流，通过构建本地知识库和配置 MCP，实现一次输入、永久记忆。这不仅解决了重复向 AI 解释背景的痛点，还能自动整理笔记、链接知识，并通过定时任务实现信息管理的自动化。
利用 Obsidian 和 Claude 替代高薪内容团队的实战指南
文章阐述了如何构建“四区域”知识库系统，通过 Obsidian 管理知识资产，利用 Claude 进行内容自动化生成。文中详细介绍了 3 个信息捕获面、5 个工作流引擎（如夜间处理器、简报生成器）以及包含 N8N、Cursor 在内的技术栈。核心观点在于从“只收集不产出”转变为以交付为导向的资产复用，将笔记转化为高价值的内容产品，从而实现个人商业收益的最大化。
十分钟搭建 Codex Research Agent：自动化信息筛选工作流
文章介绍了一套由 Codex CLI、MCP 和 n8n 组成的自动化工作流，旨在解决信息过载问题。通过配置 CODEX.md 设定关注上下文，系统能自动监控来源、过滤噪声、综合分析并生成晨间简报送至 Obsidian。文中详细讲解了搭建步骤、Prompt 编写及通过反馈回路优化信息质量的技巧，帮助读者实现从 45 分钟信息搜集到 5 分钟高效阅读的转变。
一键盘活你的收藏夹！我搭了一个全平台自媒体选题库
作者分享了一套基于“Get笔记 + Codex + 飞书 + Obsidian”的自媒体选题管理工作流。通过Get笔记将多平台视频及图文内容转为文字，利用AI提炼选题并自动写入飞书表格，最后沉淀至Obsidian。该方案有效解决了收藏夹内容利用率低的问题，实现了从素材收集到内容产出的自动化闭环。
保姆级：用AI搭建选题流水线，从信息源到入库全流程
本文分享了如何利用 AI 构建自动化的内容选题系统。作者提出“选题是信息处理问题而非灵感问题”，通过确立“四层水源”（快、深、慢、反）、撒下“关键词渔网”、AI 初筛信息、人工做四维判断以及入库排期这五个步骤，实现每天自动生成 10 个带数据和角度的选题，从而告别创作焦虑，提升内容生产效率。
