我从 2023 年开始用 Obsidian 整理知识笔记，至今约两年。目前知识库有近 3000 条笔记，这是除了我的大脑之外的一个强大外脑：只要是我学习过并且认为会终身受用的知识，我都会创建一条知识笔记。

一开始选择用 Obsidian 作为知识笔记管理工具，有以下原因：

• 笔记格式全部为 markdown，并且本地储存。记录过程流畅、专注于内容，而不需要反复调整样式；体积小、不占空间，也不用担心云服务器突然关停或离线无法操作。

• 支持内链。做笔记时，除了将参考资料的外链作为索引，更重要的是让笔记之间建立语义关联。因为知识体系本质上是一个网络：链接越多、越密集，学习、思考和推理的速度就越快。

• 笔记模板。我用统一模板 2w2h 来记录，确保每条笔记都能反映“来龙去脉 / 是什么 / 为什么 / 怎么做”。

但当笔记越来越多，就出现了问题：

• 关键词搜索时常找不到。比如我最近看《卓有成效的管理者》中提到“反面意见”，我想到《原则》也多次出现这个观点，但无论怎么搜都搜不到——因为记不起来《原则》里对应的原词是什么，而且分散在多个章节。
• 内链利用率低。除了写笔记时顺手加几条，平时检索时很少真正发挥“跨笔记联想”的价值。

在 AI 覆盖生活的方方面面的同时，个人知识库也需要一种全新的方式来管理和调用，让“知识之间的语义关联”真正得到体现。在这里，我推荐 Obsidian 插件——Smart Connections。

什么是 Smart Connections

它是 Obsidian 的语义联想 / 检索插件：会给你的笔记做向量索引（embeddings），然后按“语义相似度”而不是关键词去找“看起来相关”的卡片。它的 Smart Chat 还能在库内做聊天问答（RAG：检索增强生成）、自动给出链接/标签建议、生成摘要与问题清单。

什么是 embeddings（嵌入）？

把自然语言切分为 token（词元），再映射成高维数字向量，放入一个语义空间里；在这个空间中，语义越接近的文本，向量距离越近，因此可以更像人脑那样“按意思”找资料，而不是死盯关键词。

什么是 RAG？

对你的 Obsidian 本地知识库进行向量检索，并将检索到的内容作为上下文输入给 LLM，然后生成答案。RAG 的检索，本质上是在理解语义的情况下进行的搜索，是语义层面的匹配。而不是单纯的搜索引擎式的「关键词」匹配。

如何安装

安装 Smart Connections

设置 → Community Plugins（社区插件）→ 关闭 Restricted mode（受限模式）→ 搜索 Smart Connections 并安装、启用。

选择模型后端

• Smart Connections 里分成两类模型：嵌入（Embeddings）与聊天（Chat）。
  • 嵌入（Embeddings）用于建索引与相似度检索：
    • 本地（默认，内置 / built-in）：插件自带基于 transformers.js 的本地向量引擎，下载好模型后可断网使用。中文库建议：
      • jina-embeddings-v2-base-zh（≈8K tokens，上下文更从容，中文表现稳定）
      • 或 bge-micro-v2（轻量开箱、性能要求更低）
    • 远程（OpenAI 生态）：选择 OpenAI 或 OpenAI-兼容端点（如 Azure / OpenRouter）提供的嵌入模型，例如 text-embedding-3-small/large（效果强、需 API 费用）。
  • 聊天（Chat）用于 Smart Chat 回答生成：
    • 本地：Ollama / LM Studio 等（隐私好、零成本，效果视机型和模型而定）。
    • 云端：OpenAI、Claude、Gemini、DeepSeek 等。DeepSeek Reasoner非常够用，可到DeepSeek 开放平台获取 API Key。

建索引

• 初次安装后，插件会对全库自动嵌入与索引；看到系统通知 “Embedding complete” 就能开始使用。
• 需要重建时，在命令面板运行 Smart Connections: Rebuild embeddings（库很大时首次会慢些，此后为增量更新）。
• 索引存放位置：默认写在你的库根目录 .smart-env/multi/；插件本体在 .obsidian/plugins/smart-connections。删除索引目录会触发重建。

开始用（Connections 面板）

• 在任意笔记右侧打开 Connections 面板，查看 Related notes：按相似度排序的相关卡片。相似度分数越接近 1，语义越相近。

配置Smart Chat（库内 RAG 问答）

• 配置：插件设置里选择聊天模型（可用 DeepSeek Reasoner 等）→ 添加 API Key（可在DeepSeek 开放平台获取，或使用 OpenRouter 等 OpenAI-兼容端点）。

• 使用技巧：

  • 在提问中加入“基于我的笔记 / based on my notes”提示，Smart Chat 会先检索相关块再回答。
  • 用 @ 文件名 直接点名某条笔记作为上下文。
  • 善用自动链接/标签建议、摘要与问题清单，把一次问答变成“复盘—回写”的闭环。

AI 时代，为什么更需要知识管理？

随着 AI 大模型的快速发展，当下的 AI 已经阅读并理解了几乎所有公开的人类知识，我们自己再去费力地记忆和整理知识，是否还有意义？

有意义，且更有意义，AI 时代才更需要我们建立属于自己的知识体系。

AI 消除了信息优势，知识管理转向个体深度整合

过去我们可以靠掌握某种独特信息或技能，就拥有相对竞争优势；然而今天，ChatGPT 等 AI 工具迅速拉平了这种优势。

在知识变得“廉价而易得”的环境下，竞争的重心不再是你知道多少知识，而是你能否快速整合、重构知识，并且在面对新问题时迅速调用、迁移与应用这些知识。换句话说，知识管理从过去的信息积累，转向了整合与应用的能力。

外脑的本质是增强人脑，而非取代人脑

ChatGPT 等大语言模型能帮我们快速地从庞杂的信息中找到答案；但 AI 始终缺乏一个关键要素：个体语境（personal context）。你的职业、生活、兴趣和过去经历，决定了你关注的信息与知识构成，而这些是 AI 无法替代的。

而个人知识库（例如用 Obsidian、logseq 等工具构建），本质上是学习、思考、经历的外在投射，是我们大脑的一种延伸。当 AI 与你的私人知识库结合时，这种“增强版外脑”能够真正发挥作用，帮助我们高效地解决问题。

AI 是启发工具，深刻的思考依旧来自个人知识体系

与 AI 互动的过程中，通常会经历这样几个阶段：

• 探索阶段：当首次接触一个陌生领域时，可以借助 AI 快速建立初步认知框架。

• 深化阶段：随后，需要将学到的内容记录下来，并建立自己的知识体系，以方便日后随时调用。

• 应用阶段：遇到新问题时，需要迅速从自己的知识库中调出已有知识，与新情境结合，迅速作出判断和决策。

AI增强了第一个环节——快速探索与初步认知，而接下来的实际应用与反馈，更加依赖的是自己所构建的知识体系。

建立知识体系的过程也是锻炼“深层次思考能力”的过程

为什么一定要自己动手整理知识体系，而不是简单依赖 AI 问答？原因在于：

构建知识体系本身即是一种深度学习行为，这个过程中，你的大脑需要主动提炼、总结、分类、链接信息，这正是高阶思考能力——分析、归纳、推演能力——的训练方式。

每次调用知识库，都是一次对个人知识结构的复盘与检验，强化对知识的深刻理解，也让你更敏锐地察觉到知识间的关联、冲突、空白与机会。

而正是对知识的深刻理解与主动调用，才能在解决实际问题时迅速应对。

知识库＋AI：形成个人竞争力的复利效应

每个人的知识体系就像一个私域语境（Private Context）。AI 模型能回答绝大部分通用问题，但只有你的知识库能深刻反映你的思考方式与关注点。

当你用 Smart Connections、Smart Chat 等工具时，能快速从庞大的知识库中，按语义关联而非关键词，找到最相关的知识笔记；

AI 又基于你自己的知识库内容，给出个性化的答案，帮助你更高效、更精准地解决问题；

这种调用和反馈又会不断强化你的知识体系，让你未来调用知识的过程更加流畅、高效。

长此以往，你的知识库不断变得更加精准有效，AI 与你的互动效率也不断提升，从而形成个人知识管理的复利效应，这种复利效应是传统的“随手记录笔记”不能比拟的。

总结与启发

AI 的普及，带来的并非知识管理的弱化，反而是对我们每个人建立个人知识管理体系的更高要求。

• 过去靠信息优势，现在靠知识整合与迁移能力；

• AI 强在启发，而思考和深度学习依靠的是个人知识体系；

• 知识管理不仅管理知识，更是在锻炼你的思考与判断能力；

• 个人知识体系与 AI 结合形成个人效率与洞察力的复利。

因此，在 AI 时代，打造一个真正属于你自己的、持续进化的知识体系，才是你能获得长期竞争力的关键所在。