4.2 KiB
4.2 KiB
title, type, tags, date
| title | type | tags | date |
|---|---|---|---|
| 养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统 | source | 2026-04-09 |
Source File
Summary（用中文描述）
- 核心主题：使用 Obsidian + Gitea 构建 AI 助手的持久化笔记系统，解决 AI 输出随对话结束而丢失的核心问题
- 问题域：AI Agent 的"记忆缺失"——对话结束后所有分析、结论、操作步骤全部消失，无法复用
- 方法/机制：Gitea 做版本控制 + Obsidian 做知识库 + OpenClaw Obsidian Skill 做写入接口 + iCloud Drive 多端同步
- 结论/价值：把 AI 变成"会自动整理笔记的实习生"——做完事顺手更新记录，知识越积越厚
Key Claims（用中文描述）
- OpenClaw Agent 将输出直接写入 Obsidian 笔记，工作笔记在 Mac mini、Laptop、iCloud Drive 三端同步，历史版本在 Gitea 中完整保留
- 研究过程写入 Agent Archive，经过验证可复用的知识沉淀到 Knowledge Base，实现知识的分类管理
- Git 版本管理让"任何时候都能回溯"，commit message 记录每次变更的来源和内容
- Obsidian Git 插件设为 Auto commit-and-sync interval（如 10 分钟），自动 commit + push，完全无需手动操作
- AI 在执行任务过程中"顺手维护链接、更新摘要、添加 Tag、标记新旧矛盾"，实现被动更新而非被动等待查询
Key Quotes
"一句话概括：用 Obsidian 做知识库，用 Gitea 做版本控制，用 OpenClaw 做写入接口。" — 核心系统架构总结
"RAG 模式是'每次从零检索'，知识不积累；而 LLM Wiki 是让 AI 增量构建和维护一个持久化的 Wiki，页面之间互相链接，知识越积越厚。" — Karpathy LLM Wiki 核心洞察
"本质上是把 AI 变成了一个'会自动整理笔记的实习生'——它做完事，就会顺手把记录更新好。" — 系统本质定位
Key Concepts
- Agent Archive：单一 Agent 的私有笔记目录（如 openclaw/xingshu/），用于记录研究过程和工作输出
- Knowledge Base：跨 Agent 共用的知识库目录（如 openclaw/knowledgebase/），存放经过整理的公共知识
- LLM Wiki：让 AI 增量构建和维护持久化 Wiki 的方法论，区别于 RAG 的"从零检索"，Wiki 知识越积越厚
- Obsidian Web Clipper：浏览器插件，快速将网页文章剪藏为 Markdown 并自动下载图片到本地 attachments/
- Graph View：Obsidian 内置图谱视图，用于发现孤岛页面和知识盲区
- Obsidian Git：社区插件，支持设置 Auto commit-and-sync interval 实现笔记的自动版本控制
- QMD：纯本地运行的 Markdown 搜索引擎，当 Wiki 规模达到几百个页面后接入使用
Key Entities
- Obsidian：笔记管理工具，提供双链、Graph View、多端同步能力，是系统的知识库前端
- Gitea：自建 Git 服务，作为笔记的版本控制后端，保留所有历史版本
- OpenClaw：AI Agent 框架，通过 obsidian skill（write/append/read/search/update）作为写入接口
- iCloud Drive：云同步服务，确保笔记在 Mac mini、Laptop、iPhone 多端保持一致
Connections
- Second Brain ← related_to ← 养虾日记3
- knowledge-base-rag ← related_to ← 养虾日记3（两者均涉及知识管理，但本文强调持久积累 vs RAG 的从零检索）
- karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环 ← related_to ← 养虾日记3（本文是 Karpathy LLM Wiki 思路的具体实践）
- obsidian-高效指南-我常用的插件与实用技巧 ← extends ← 养虾日记3（Obsidian 插件配置的具体实操参考）
Contradictions
- 与 knowledge-base-rag 冲突：
- 冲突点：RAG 模式每次从零检索，知识不积累；LLM Wiki 增量积累知识
- 当前观点（本文）：LLM Wiki 优于 RAG——AI 在执行任务过程中顺手维护链接、更新摘要，知识越积越厚
- 对方观点（knowledge-base-rag）：RAG 模式通过向量语义搜索实现知识复用，适合快速检索场景
- 评估：两者可互补——Wiki 负责长期积累，RAG 负责快速检索入口