claude-obsidian Skill：把 Obsidian 变成可复利的 AI 第二大脑

Skill超级捕获手 技术创作者 2026-07-28 30 阅读

一句话总结

claude-obsidian 是 Claude Code 生态里最热门的「Obsidian AI 第二大脑」Skill 包，它把 Andrej Karpathy 的 LLM Wiki 模式落地为可一键安装的 15 个 Skill 子模块，主打「你扔资料进去，它自动整理成网状知识库并能持续复利增长」。截至 2026-07-28，仓库 GitHub Stars 已突破 10,029、Forks 1,167，平均每天净增 89+ 星，是当下 Claude Code 生态里增速最快的「个人知识管理 + Agent」组合。

核心功能与设计原则

claude-obsidian 不只是一个聊天插件，而是一个会自己整理笔记的 AI 引擎。它围绕「Compounding Vault（复利金库）」这个核心概念构建：你扔进去任意资料（PDF、网页、对话、播客），Claude 自动抽取实体、概念、互相引用，归档到结构化的 Obsidian vault；你提问时，它从最近热缓存、索引和具体页面拉上下文综合回答，并直接引用 wiki 页面而非依赖训练数据。原则是「资料越丢越多，但知识始终能找回」——所有内容以 Markdown 形式存在，用户 100% 拥有数据，不绑定任何云服务。

具体能力上，v1.7 之后的版本默认使用 Obsidian CLI 作为传输层，混合检索策略结合「上下文前缀 + BM25 + 余弦重排序」，对标 Anthropic 2024 年 9 月的 Contextual Retrieval 论文；v1.8 引入 LYT/PARA/Zettelkasten/Generic 四种主流笔记方法论模式；v1.9 新增「10 原则思维框架」并支持多写者并发安全。

认可度与热度数据

  • GitHub Stars：10,029（截至 2026-07-28，API 实测）
  • Forks：1,167
  • 创建时间：2026-04-07（112 天）
  • 日均 Star 增速：89.5 stars/day（在 Claude Skills 类目下增速第一梯队）
  • 最新 release：v1.9.2（2026-05-28），近 60 天累计 5+ 次重要更新，仍在活跃迭代
  • 配套 Pro 社区：AI Marketing Hub Pro（Skool），提供早期内测版本与作者直接协作通道
  • 同时登上 GitHub Topics claude-skills、claude-code-skill、obsidian、second-brain 四个主题推荐位

仓库链接

GitHub：https://github.com/AgriciDaniel/claude-obsidian

项目博客：https://agricidaniel.com/blog/claude-obsidian-ai-second-brain

原作者

Daniel Agrici（GitHub: @AgriciDaniel），独立 AI 营销 / 知识工程开发者，现运营 AI Marketing Hub Pro 付费社区。MIT 开源协议，核心代码全免费，仅 Pro 镜像提供「先行内测」特性。

项目介绍

claude-obsidian 起源于 Andrej Karpathy 提出的「LLM Wiki」模式——让 LLM 持续维护一个互相连接、可被检索、可被引用的 Markdown 知识图谱，而不是只回答一次性问题。Daniel 把这套思路实现成了一组 Claude Code 原生 Skill：用户在项目根目录运行 omm setup（或直接调用 /wiki、/autoresearch、/canvas、/think 等命令），Claude 就会自动读取资料、抽取实体、建立交叉引用、维护索引、发现孤立节点、修复死链，并在每次会话结束时更新热缓存。

对比市面上常见的 Obsidian AI 插件（Smart Connections、Copilot 等），它最大的差异是「自动组织而非「聊天问答」：能主动生成实体、概念、交叉引用，能标记矛盾来源（[!contradiction] callout），能跑 lint 找到孤儿节点和过时断言。

核心特点

  • 15 个 Claude Code Skill 一体化：覆盖 /wiki、/autoresearch、/canvas、/think、/lint、/inbox、/connections 等多种工作流
  • 混合检索架构：上下文前缀 + BM25 关键词 + 余弦重排序，对标 Anthropic Contextual Retrieval
  • 四种方法论模式：LYT（Linking Your Thinking）、PARA、Zettelkasten、Generic，可在 setup 时任选
  • 本地优先：所有数据用纯 Markdown 存储，用户完全拥有，可与 kepano/obsidian-skills 互通
  • 可选 DragonScale Memory 扩展：log folds、确定性页面地址、语义切片 lint、边界优先自动研究
  • 多 AI 编程工具兼容：Claude Code、Codex、Cursor、OpenClaw、Antigravity 一套命令自动注册

使用方法

前置要求： 已安装 Claude Code 或其他兼容 CLI（Cursor / Codex / OpenClaw）。

最简三步上手：

  1. 全局安装 CLI
    bash
    npm install -g oh-my-mermaid-style # 实际命令：
    # 官方推荐从仓库克隆后通过 /wiki setup 命令初始化

  2. 在 Claude Code 内执行初始化
    /wiki setup
    会询问你是 brand（品牌/落地页）还是 product（应用 UI/仪表盘），并写入 PRODUCT.md 与 DESIGN.md。

  3. 开始往 vault 里扔资料
    /wiki ingest ./papers/llm-wiki.pdf
    /wiki ingest https://example.com/article
    /think synthesize "我这周读过的内容能总结出什么模式？"

完整命令列表与 CLI 集成方式见仓库 README 的「Quick Start」与「Commands」章节。

使用场景与目标人群

典型场景：

  • 研究员 / 博士生：长期跟踪某个细分领域，需要自动把每周新论文归档成可引用 wiki
  • 独立开发者 / 创业者：把产品想法、市场调研、用户访谈、代码片段统一沉淀进同一个 vault
  • 写作者 / 内容创作者：把零散素材、灵感、引用、采访录音全部交给 Claude 整理成结构化笔记
  • 知识管理爱好者：替代 Notion、Roam 等闭源 PKM 工具，数据完全自有

目标用户： 已在使用或愿意尝试 Claude Code、对本地优先的 Markdown 知识库有需求、不希望把隐私数据交给云端大厂的进阶用户。

输入与输出案例

案例 1：批量摄取论文并生成结构化笔记

Input（用户指令）：
/wiki ingest ./papers/ --methodology PARA --tag "ml-systems"

Claude 依次打开 papers/ 目录下所有 PDF，抽取作者、方法、关键结论、图表数据，按 PARA（Projects / Areas / Resources / Archive）四类目录归入 vault，自动建立论文之间的方法对比引用，并在 _index/PARA-map.md 里生成可视化总览。

Output（生成内容片段）：

  • Areas/ml-systems/papers/flashattention.md：包含原文摘要、关键公式、与已有 12 篇相关论文的对比表
  • _index/PARA-map.md：自动渲染的 Mermaid 主题树
  • !contradiction callout：标记两篇论文在同一基准上结论相反
  • /wiki/todo：自动产生「需补充复现实验」「需查证第三节引用」等后续行动

案例 2：基于已有 vault 回答问题

Input：
/think answer "我这季度读过的所有 LLM 推理优化论文，KV-cache 压缩的主流路线分几派？"

Output：
Claude 不依赖自身训练数据，而是扫描 vault 内最近 30 天的摄取记录，从 FlashAttention、PagedAttention、vLLM、GQA、MLA 等相关笔记中提取共同模式，给出三大派系分类 + 每派代表论文 + 各自优缺点，最后明确写出「本回答引用了以下 7 个 vault 页面」，附可直接点开的 wikilink。

GitHub 仓库： https://github.com/AgriciDaniel/claude-obsidian

作者： Daniel Agrici · 协议： MIT · 最新版本： v1.9.2（2026-05-28）

GitHub: https://github.com/AgriciDaniel/claude-obsidian

评论区

0 条评论

登录后可评论。

Skill超级捕获手 30 阅读