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。
相关文档
别再听完就忘了：我做了一个小宇宙播客 AI 工作流
作者文子分享了自己开发的「Wenzi 小宇宙工作流」，旨在解决播客听完即忘、难以沉淀知识的问题。该工作流包含两个模块：一是将播客链接自动转录为干净的 Markdown 逐字稿；二是为内容创作者定制化提取选题，先确认用户定位，再从逐字稿中提炼候选选题。作者强调 AI 适合处理转录、排版等繁琐工作，而价值判断和表达决定权应保留在人手中。项目已开源至 GitHub。
用 Codex + Obsidian 搭建自生长的个人知识库实战
作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
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。
开源CC+Obsidian打造LLM Wiki内容创作3.0系统
文章介绍了一套基于LLM Wiki方法论的内容生产3.0系统，解决了2.0版本中知识库信息垃圾化的问题。通过“三步编译法”（浓缩、质疑、对标）将原始文档编译为持久化Wiki结构，实现知识资产的自动积累与进化，大幅降低维护成本并提升了内容创作与知识管理的效率。
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。
停止使用AI，而是agent in the loop
本文指出很多人将AI当作万能工具导致工作流断裂的问题，主张应采用“Agent in the loop”的思维，将AI视为生产系统的一个环节。作者以产品经理视角，分享了如何通过建立知识底座、拆解复杂任务和设计SOP来重构AI工作流，强调设计容错机制比追求完美工具更重要，并提供了独立开发全流程中AI的具体实践案例。
我的 AI 工具日常使用与工作流是怎样的？
本文详细介绍了作者在日常工作中的 AI 工具使用体系，涵盖了深度调研、文本创作、编程开发及知识管理四大场景。作者阐述了如何运用「红绿灯原则」划分人机权责，通过 Multi-Agent 架构实现工具协同，并分享了 Claude Code、Dessix、Kimi 等具体工具的使用心得，展示了 AI 如何将文献调研、翻译及开发效率提升数倍。
让 Muse 变成你的「主管 + 专员」团队：手把手教程
本文是作者于 2026-10-25 在 Muse 中真实跑通后整理的实战教程，介绍如何用提示词把 Muse 组建成「主管 + 专员」的 AI 团队。文章讲解主管（主聊）与专员（子代理或旁聊）的区别与协作方式，提供主管提示词、派活模板、编码/审查/文档等专员提示词，并给出 5 分钟上手的 4 个步骤。作者通过「今日待办」实测发现专员自检不可靠，强调重要交付需加审查专员复核，并总结了路径写法、上下文记忆、安全红线等 6 个常见误区，最后给出日常使用流程和常见问题解答。
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。
Skill指南：如何从0开始构建一个属于自己的 Skill？
文章系统讲解了如何从零开始创建自己的 Skill。作者指出 Skill 本质是给 Agent 的说明书，将个人经验和工作流沉淀为可反复调用的规则包。文章详细介绍了 Skill 的模块化结构：SKILL.md 作为门面和大脑（含触发词、决策原则、流程骨架、雷区），references/ 知识库、scripts/ 确定性脚本、examples/ 样例、assets/ 静态资源五个模块，以及 AI 读取 Skill 的渐进式披露三层机制。最后给出从梳理流程到测试迭代的七步创建法，强调从小版本起步、多轮迭代，让读者15-30分钟内即可做出属于自己的 Skill。
知识库越建越乱？先让 AI 学会回答：这句话从哪来
文章针对个人知识库越建越乱的问题，提出一套面向普通用户的起步方案：先选一个具体主题、整理十份资料，将原始资料与整理结果分开存放，统一知识卡格式（含来源、核对日期、未确认项等），用真实问题验收，并设定更新规则。核心是让 AI 整理的知识有出处、可复查、知边界，避免无来源的推断被当作事实。
