Obsidian Wiki知识库+AI 应用实操：一套系统搞定知识沉淀、选题、内容生成全流程

tonginy

824人浏览 · 2026-06-06 13:42:21

tonginy · 2026-06-06 13:42:21 发布

最近有读者私信问我：「你每周的文章选题从哪来？数据和案例都那么具体，是怎么找的？」

说实话，刚开始写公众号那会儿，我也是靠「刷头条/抖音、翻微信、盯热榜」来凑选题，每次开始写都要先花一两个小时翻资料。直到我把个人 Wiki 知识库和 AI 工具打通，这件事才发生了质变。

今天聊聊这套我自己在用的系统——用 Obsidian wiki 知识库，实现选题自动推荐、素材自动查询、数据自动统计，最后辅助生成文章和分析报告。

🤔 我的观察：大多数人的知识库是「信息坟场」

先说一个扎心的真相：大多数人的 Obsidian 知识库，本质上是个「高质量垃圾桶」。

剪藏了几百篇文章，用的时候根本找不到。笔记越来越多，但写作时还是一片空白。知识和内容生产之间，有一道很深的沟。

这道沟不是因为笔记不够多，而是因为——知识没有被结构化，也没有和写作流程打通。

我的做法是建一套「知识图谱+脚本驱动」的工作流。

💡 我的思考：知识库应该能「主动说话」

第零层：知识是怎么进来的？

先说一个常被忽略的前提：知识图谱再厉害，也是靠「持续喂料」撑起来的。

我的 wiki 知识库有五条持续输入的管道：

来源	频率	性质
数智日报	每日自动生成	AI哨兵抓取行业动态，51篇已归档
数智周报	每周五整理	精选日报TOP内容，形成周度快照
学习笔记	随课程进度	大模型开发课、读书笔记、技术专题
LLM问答记录	随时存档	和AI深度探讨某概念后的对话存档
素材收藏库	不定期整理	AI+工业、AI前沿的主动收藏

其中，数智日报是最核心的「喂料」环节——每天完全自动化，扫描、摘要、落地到 Obsidian，一条龙，不需要我手动操作。

LLM 问答记录则是另一种被低估的来源。每次和 AI 聊到某个话题有了新认识，我会把整段对话存成 MD 文件（copilot/conversations/）。这些记录里有推理过程，不是搜索结果，而是思考的轨迹——这才是写作最难替代的素材。

随着五条管道持续汇入，每周新增 10-15 个文件，知识库的「密度」才够让后面的图谱脚本找到有意义的关联。

图1：Obsidian Wiki 知识库持续积累信息流图——五大来源持续汇入，经脚本处理转化为知识图谱，最终驱动内容产出

第一层：让知识库知道自己有什么

我的 Obsidian wiki 库（路径 D:\mywiki\）目前有 146 个 MD 文件、447 张图片，涵盖 6 大分类：

分类	词条数	最高频词条	覆盖领域
概念	33	大模型（105次）	AI核心技术、工业场景
方法论	15	知识库建设（63次）	分析框架、工作流
工具	19	GPT（57次）	AI工具、开发框架
项目	10	方案官（52次）	客户项目、交付物
投资	12	基本面分析（13次）	股票研究
学习	6	课程笔记（45次）	技术课程

这些数字来自一个 Python 脚本 build_knowledge_graph.py，它全量扫描所有 MD 文件，统计每个关键词在多少篇文档里出现过，输出为 keyword_stats.json。

值得一提：「大模型」能出现105次，不是我写了105篇大模型文章，而是日报、学习笔记、LLM问答、素材收藏里都在不断提到它。 多来源共同印证的词条，才是真正值得写的话题信号——仅凭单一来源堆出来的频次，往往是偏科的结果。

脚本在统计词条频次的同时，也会建立词条之间的关联关系。比如「大模型」和「AI Agent」共现最强（60+篇文档），「RAG」和「向量数据库」次之。这些关联关系，是后续素材交叉查询的基础——找到一个词条，顺着关联链能挖出一整片相关素材。

图2：Wiki 知识图谱核心概念关联网络——节点大小=词条频次，连线=词条共现关系，19个核心词条的关联拓扑

脚本核心逻辑（简化版）：

# 扫描所有 MD 文件，统计关键词出现频次for file in all_md_files:    content = read_file(file)    for keyword in KEYWORD_RULES:        if keyword in content:            keyword_freq[keyword] += 1            keyword_articles[keyword].append(file)# 输出 JSONwith open('keyword_stats.json', 'w') as f:    json.dump({"categories": keyword_freq, "articles": keyword_articles}, f)

一次全量构建约 20 秒，增量更新（--update 模式）只处理有改动的文件，速度在 3 秒以内。

第二层：让频次数据驱动选题

知道了哪些词出现最多，下一步是判断「哪个词值得写」。

判断标准不只是频次高，还要看三个维度：

热度趋势：这个词在最近 14 天的日报里出现了几次？
关联深度：知识库里有没有至少 3 篇以上的关联文章可以当素材？
情绪价值：这个话题对读者有没有「焦虑、迷茫、渴望改变」的情绪钩子？

第一和第二点可以脚本化。第三点目前还是我自己判断，但可以给 AI 一个打分 prompt。

实际运行结果（2026年5月选题推荐示例）：

选题候选	命中关键词	关联文章数	最近14天日报提及	推荐指数
RAG已死是炒作吗？	RAG（73次）	48篇	12次	★★★★★
AI Agent在工业的演化	AI Agent（96次）	32篇	9次	★★★★☆
Obsidian+大模型重构知识库	知识库（74次）	15篇	7次	★★★★☆
工业AI落地概念重构	工业AI（90次）	27篇	8次	★★★★☆

图3：从「知识库词条热度」到「选题决策」的自动化推荐流程图

第三层：从词条页直接抽取素材

每个词条页面（比如 05-知识图谱/概念/RAG.md）会自动维护一个「关联文章」列表——因为脚本在构建图谱时，会把所有包含该词的文件路径写进去。

这意味着，当我决定写 RAG 相关的文章时，我直接打开 RAG.md，就能看到 60+ 篇关联文章的链接，涵盖日报资讯、学习笔记、课件、项目方案……

我再配合 AI，让它：

读取关联文章列表中的前 10 篇
提取关键论点和数据
按「背景→观点→反驳→结论」的结构整理素材框架

这样，一篇 1000 字的文章从「有选题」到「有素材框架」，大概只需要 10 分钟。

🎯 实操案例：《RAG已死是炒作吗？》是怎么出来的

这篇文章的诞生过程，完整走了一遍上面的流程：

Step 1：脚本扫描发现「RAG」关键词出现 73 次，最近 14 天日报提及 12 次——频次突然升高，说明这个话题有争议性热点。

Step 2：打开 RAG.md 词条页，关联文章 60+ 篇，其中有课程笔记（RAG高级技术）、多篇日报（20260429-20260510 集中讨论）、知乎对话记录（「RAG已死」论战梳理）。

Step 3：让 AI 读取这些素材，整理出三个观点：

一方：向量检索精度有上限，GraphRAG 才是方向
另一方：企业场景 80% 的需求普通 RAG 够用
我的判断：「RAG已死」是营销话术，问题是大多数人连「普通 RAG」都没做好

Step 4：按知客笔记结构写稿，全文 900 字，公众号版+知乎版各一篇，共用时约 40 分钟。

结果：该篇文章在知乎获得收藏 80+，公众号阅读完成率 72%（比平均值高 18%）。

📊 这套流程的核心价值，一张表说清楚

环节	传统方式	Wiki 知识库方式	时间节省
选题	刷热榜+凭感觉，30-60分钟	脚本推荐+数据支撑，5分钟	~90%
找素材	搜索引擎+收藏夹翻查，60-90分钟	词条页关联列表直取，5-10分钟	~85%
数据佐证	手动查报告，30-60分钟	keyword_stats.json直接引用，即时	~95%
文章框架	空白起稿，20-40分钟	AI读素材生成框架，10分钟	~70%
全流程合计	2.5-4小时	30-40分钟	~85%