用 AI 弥合“知道”与“做到”的鸿沟：我的克劳德健康闭环系统
作者分享了如何利用 NotebookLM 和 Claude Code 构建一套个人知识管理系统。通过导入 300 集 Huberman 播客建立专家知识库，结合 Claude Code 进行日程安排、实验设计及晨间习惯追踪，成功将学习内容转化为具体的健康行动（如睡眠、运动），并量化了实践带来的积极效果。
相关文档
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。
Claude Code + NotebookLM + Obsidian：一套越用越懂你的 AI 研究机器
本文介绍了一套基于 Claude Code、NotebookLM 和 Obsidian 的自动化研究系统。文章详细阐述了如何利用 Skill Creator 为 Claude Code 安装 YouTube 搜索和 NotebookLM 技能，构建完整的研究流水线。该系统能自动抓取数据、生成分析并存储至本地知识库，随着时间推移，Obsidian 积累的数据能让 AI 更精准地理解用户思维。
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”。
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。
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。
从0到1 构建AI 知识工作流，Obsidian笔记进阶·高级玩法
本文是Obsidian进阶教程，接续入门篇，系统讲解了让笔记库真正好用的高级玩法。内容涵盖：块引用的链接与嵌入用法、Callout彩色提示块的语法与折叠技巧、按属性和路径的搜索进阶、Templater动态模板（日期变量、文件名、文件夹自动套模板）、Dataview将笔记库当数据库查询（LIST/TABLE/TASK三种查询）、Canvas白板理清笔记关系、MOC内容地图的构建方法，以及Linter批量维护等。作者强调规范frontmatter是发挥这些功能的前提，并提供了速查表与常见坑集锦，帮助读者构建可持续维护的AI知识工作流。
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。
我是如何"严肃听播客"，真正吸收一档自己喜欢的播客的
作者分享了自己深入学习英文播客的完整工作流：先通过 Scripod、开源 Skill 或自研 Obsidian 插件获取播客文字稿，再用 AI 提示词将英文口语稿重塑为保留完整论证的中文长文，随后花半小时逐字审阅改稿以真正理解内容，最后借助墨问、公众号等工具沉淀为合集并生成音频，在通勤和做家务时反复阅读收听。文章以 Morgan Housel 的播客为例，强调不追求全自动、保留人工深度参与，是继《严肃阅读工作流》后的姊妹篇。
我不再写日记了。现在，我跟 ChatGPT 聊天
作者分享了一套用 ChatGPT 语音输入替代传统日记的低摩擦记录流程：在 iPhone 上通过 ChatGPT 随时语音捕捉灵光一闪的念头，用约定的三层结构（原始记录、结构化整理、AI评论分离）让 AI 整理成 Markdown，再通过 iPhone Shortcut「Save The Journal」把内容存入 iCloud Drive 的 DiaryInbox 文件夹，最后由 Mac 上自动运行的 watcher 脚本（用 Codex 搭建）按时间戳排序、去重、追加到 Obsidian 的 Daily Journal 对应日期文件中。整套系统全部基于已有 Apple 生态工具，强调零摩擦、不覆盖、幂等处理。
用 WorkBuddy + 飞书，手把手搭一条 X Article 内容自动飞轮
作者针对素材散落各处、写作效率低的痛点，实操搭建了一条内容自动化流水线：公开视频经飞书妙记转写，素材存入飞书多维表格，WorkBuddy 每日定时读取表格并推荐选题，作者在 Obsidian 完成写稿与审校，再通过自制插件将文章送入 X Article 草稿箱。文章详细记录了飞书账号连接踩坑、多维表格字段设计、定时任务配置与权限最小化原则，并强调自动化只处理重复劳动，发布与最终决策仍由人完成。数据回写环节尚未实测。
Graph Engineering：为普通人打造AI可读的知识图谱
本文介绍“图工程”（Graph Engineering）概念，即通过构建文件间的连接关系，让AI系统能够有效访问和利用知识。作者以自身内容系统为例，指出78%的文档因缺乏指向而无法被AI或新成员发现。他提出用Claude Code生成MAP.md文件，绘制文件夹内文件的关系图，并分三步操作：绘制地图、解读结果、优化结构。文章强调文件夹结构应反映业务划分，而非照搬模板，最终实现团队共享和自动化更新。
