保姆级教程：0 代码搭建你的本地离线 AI 知识库（隐私党必看）
一只阿木木约 16 分钟保姆级教程：0 代码搭建你的本地离线 AI 知识库（隐私党必看）
作者：一只阿木木 | AI 数字人生架构师
01｜一条让我冷汗直冒的新闻
今年年初，某知名云笔记平台爆出一条消息：
用户上传的笔记内容，被用于训练 AI 模型。
条款写在用户协议的第 47 页，字号小到需要放大镜。
我当时的第一反应是打开自己的云笔记，看看里面有什么：
📁 我曾经存在云笔记里的东西：
├── 个人日记（含情绪记录、对同事的真实评价）
├── 工作文档（含未公开的项目计划）
├── 薪资谈判记录（含期望薪资和底线）
├── 职业焦虑和转型思考
├── 健康体检报告的照片
├── 和女朋友吵架后的反思（极其私密）
└── 一些绝对不能公开的灵感和商业想法
这些内容，躺在别人的服务器上。
我无法控制谁在看它们。
那天晚上，我花了 3 个小时，把所有云笔记导出到了本地 Obsidian。
然后我删掉了云端的所有数据。
从那以后，我开始研究一件事：
如何在完全离线、完全私密的环境下，搭建一个只属于自己的 AI 知识库？
不依赖 ChatGPT 的服务器。
不依赖任何云端 API。
不把任何一个字发送到互联网上。
你的笔记在你的硬盘里。
AI 模型在你的电脑里。
对话在你的房间里。
门一关，这就是你一个人的世界。
今天这篇文章，我把整套搭建过程写成保姆级教程。
不需要你会写代码。不需要你懂 AI 原理。
你只需要会点鼠标、会复制粘贴。
跟着做，今晚就能跑起来。
02｜先看效果：搭完之后你能做什么？
在开始之前，我先给你看看搭建完成后的效果。
这样你才知道接下来的每一步是值得的。
场景 1：向你的笔记提问
你：我之前关于"时间管理"的笔记里，有哪些可行的方法？AI（基于你的本地笔记）：
根据你的笔记库，你记录过以下时间管理方法：
1. 「时间块」（来自你 2024-02-14 的日记）
你提到把每天分成 3 个 90 分钟的深度工作块，
中间用碎片时间处理杂事。
2. 「两分钟规则」（来自你的《原子习惯》笔记）
任何事情如果 2 分钟内能做完，立刻做，不要记到待办里。
3. 「最重要的事」（来自你的 Sprint 规划记录）
每天早上只定 1 件最重要的事，完成它就算今天成功。
你实际践行过的是方法 1 和方法 3，
方法 2 在笔记中提到但没有后续实践记录。
注意：这些回答全部来自你自己的笔记。没有一个字来自互联网。
场景 2：让 AI 帮你发现隐藏的连接
你：我关于"写作"和"产品思维"的笔记之间，有什么共同点？AI：分析你的笔记后，我发现一个有趣的交叉点：
你在写作笔记中多次提到"先写烂稿再修改"，
你在产品笔记中多次提到"先做 MVP 再迭代"。
这两个方法论的底层逻辑是一样的：
→ 完成 > 完美
→ 先让它"存在"，再让它"变好"
你可能可以写一篇文章叫：
「写作就是做产品：你的每一篇文章都是一个 MVP」
场景 3：完全离线运行
✈️ 场景：你在飞机上，没有任何网络连接你：（打开 Obsidian，打开本地 AI 插件）
帮我回顾一下上周的日记，我上周的情绪波动有什么规律？
AI：（完全在你的笔记本电脑上运行，无需联网）
你上周一和周四情绪评分最高（4/5），
这两天你都在进行深度写作。
周三情绪最低（2/5），那天你开了 4 小时会议。
建议：尽量把深度创作安排在周一和周四，
把会议集中到周三处理。
飞行模式，照样跑。
这就是"本地 AI 知识库"的魅力。
你的数据不出你的电脑。你的 AI 不依赖任何公司。
即使明天 OpenAI 倒闭了，你的系统照常运转。
03｜整体架构：三块积木，搭起整个系统
在动手之前，先花 2 分钟理解一下整个系统的架构。
只有三个组件，像搭积木一样简单：
┌─────────────────────────────────────────────────────────┐
│ 你的本地 AI 知识库 │
│ │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ 积木 A │ │ 积木 B │ │ 积木 C │ │
│ │ │ │ │ │ │ │
│ │ Obsidian │ ← │ AI 插件 │ ← │ 本地大模型 │ │
│ │ 你的笔记 │ │ 桥梁/翻译 │ │ 你的私人AI │ │
│ │ │ │ │ │ │ │
│ └───────────┘ └───────────┘ └───────────┘ │
│ │
│ 你的知识 连接笔记和 AI 在电脑上运行的 AI │
│ 已经有了 ✅ 马上安装 → 马上安装 → │
└─────────────────────────────────────────────────────────┘
用做菜来类比：
| Obsidian（你的笔记） | ||
| AI 插件 | ||
| 本地大模型 |
食材你已经有了（如果你跟着前面的系列做了笔记）。
今天我们只需要安装"锅"和"火"。
04｜第一步：安装你的"私人 AI"（Ollama）
什么是 Ollama？
Ollama 是一个一键运行本地大模型的工具。
用人话说：
它让你在自己的电脑上跑 AI 大模型，就像在自己家里养了一只 ChatGPT。
不要钱，不联网，不泄密。
你的电脑能跑吗？
先检查一下配置要求：
最低配置（能跑，但慢一点）：
├── 内存（RAM）：8GB
├── 硬盘空间：10GB 以上
└── 系统：Windows 10+ / macOS 12+ / Linux推荐配置（流畅运行）：
├── 内存（RAM）：16GB 以上
├── 硬盘空间：20GB 以上
├── 显卡（可选）：NVIDIA 独立显卡（有显卡会快很多）
└── 系统：Windows 10+ / macOS 12+ / Linux
💡 小提示：
Mac 用户福音——M1/M2/M3 芯片跑 Ollama 体验非常好。
没有独立显卡也没关系，用 CPU 也能跑，只是慢一些。
安装步骤（3 分钟搞定）
Windows 用户：
Step 1：打开浏览器，访问 https://ollama.com
Step 2：点击「Download for Windows」
Step 3：下载完成后，双击安装包
Step 4：一路点击「Next」→「Install」→「Finish」
Step 5：安装完成 ✅
Mac 用户：
Step 1：打开浏览器，访问 https://ollama.com
Step 2：点击「Download for macOS」
Step 3：下载完成后，打开 .dmg 文件
Step 4：把 Ollama 图标拖到 Applications 文件夹
Step 5：在 Applications 里双击打开 Ollama
Step 6：安装完成 ✅
下载你的第一个 AI 模型
安装完 Ollama 后，打开终端��Terminal）：
Windows：按 Win + R，输入cmd，回车Mac：按 Command + 空格，输入Terminal，回车
然后输入以下命令：
Bash
ollama pull llama3
等待下载完成。大约 4-5GB，取决于你的网速。
下载完成后，输入：
Bash
ollama run llama3
如果你看到了这样的界面：
text
>>>
恭喜。你的私人 AI 已经在你的电脑上运行了。
试着跟它对话：
>>> 你好，介绍一下你自己我是 Llama 3，一个由 Meta 开发的开源大语言模型。
我完全运行在你的本地电脑上，不需要联网。
你的对话数据不会被发送到任何服务器。
没有 API Key，没有付费，没有隐私风险。
这只 AI，养在你家里，只听你一个人的。
模型选择指南
Ollama 支持很多模型。不同模型适合不同场景：
📋 模型推荐：┌──────────────┬──────────┬──────────┬────────────────────┐
│ 模型名称 │ 大小 │ 内存要求 │ 适合场景 │
├──────────────┼──────────┼──────────┼────────────────────┤
│ llama3 │ 4.7GB │ 8GB+ │ 通用对话，性价比最高 │
│ llama3:70b │ 40GB │ 64GB+ │ 高质量推理，需高配 │
│ mistral │ 4.1GB │ 8GB+ │ 轻量快速，适合旧电脑 │
│ qwen2 │ 4.4GB │ 8GB+ │ 中文优化，中文场景首选│
│ phi3 │ 2.2GB │ 4GB+ │ 超轻量，入门级电脑 │
└──────────────┴──────────┴──────────┴────────────────────┘
💡 建议：
- 英文笔记多 → llama3
- 中文笔记多 → qwen2
- 电脑配置低 → phi3 或 mistral
- 先装一个跑起来，以后随时可以换
安装其他模型的命令一样简单：
Bash
ollama pull qwen2
ollama pull mistral
ollama pull phi3
像安装 APP 一样简单。想要哪个，pull 哪个。
05｜第二步：在 Obsidian 里安装 AI 插件
现在你的电脑上有了两样东西：
✅ Obsidian（你的笔记库） ✅ Ollama（你的本地 AI 模型）
接下来要做的，是把它们连起来。
我推荐两个插件，任选其一。根据你的需求来选：
🔌 插件推荐：┌──────────────────┬──────────────────────────────────────┐
│ Smart Connections │ Copilot for Obsidian │
├──────────────────┼──────────────────────────────────────┤
│ 核心能力： │ 核心能力： │
│ 自动分析笔记之间 │ 在 Obsidian 内直接和 AI 对话 │
│ 的语义关联， │ 支持选中笔记内容让 AI 总结、 │
│ 推荐相关笔记 │ 改写、提问 │
├──────────────────┼──────────────────────────────────────┤
│ 适合： │ 适合： │
│ "帮我发现笔记 │ "我想直接跟笔记对话" │
│ 之间的隐藏联系" │ "帮我总结/分析这篇笔记" │
├──────────────────┼──────────────────────────────────────┤
│ 难度：⭐⭐ │ 难度：⭐ │
└──────────────────┴──────────────────────────────────────┘
💡 新手建议：先装 Copilot，上手最快。
进阶用户：两个都装，各有用处。
安装 Copilot for Obsidian（以此为例）
Step 1：打开 Obsidian
Step 2：点击左下角「设置」⚙️ 图标
Step 3：左侧菜单找到「第三方插件」
Step 4：点击「浏览社区插件」
Step 5：搜索「Copilot」
Step 6：找到「Copilot for Obsidian」→ 点击「安装」
Step 7：安装完成后，点击「启用」
Step 8：安装完成 ✅
配置 Copilot 连接本地 Ollama
这一步是关键中的关键——把 Obsidian 的插件指向你本地的 Ollama。
Step 1：打开 Obsidian 设置 → 左侧找到「Copilot」
Step 2：找到「Model Provider」（模型提供商）
Step 3：选择「Ollama (Local)」
Step 4：Model Name 填写你下载的模型名称 ┌─────────────────────────────────────┐
│ Model Provider: Ollama (Local) │
│ Model Name: llama3 │
│ Base URL: http://localhost:11434 │
└─────────────────────────────────────┘
Step 5：点击「Verify」或「Test Connection」
Step 6：如果显示「Connected ✅」→ 配置成功！
如果连接失败，检查以下几点：
🔧 排错清单：□ Ollama 是否正在运行？
→ 打开终端，输入 ollama list，看看有没有模型
→ 如果没反应，重新打开 Ollama 应用
□ 模型是否已下载？
→ 终端输入 ollama list
→ 确认你填写的模型名称出现在列表中
□ URL 是否正确？
→ 默认是 http://localhost:11434
→ 不要加多余的斜杠或空格
□ 防火墙是否拦截了？
→ 临时关闭防火墙试试
→ 如果可以连接了，把 Ollama 添加到白名单
06｜第三步：让 AI 读懂你的笔记库
到目前为止，你已经有了：
✅ Obsidian 里的笔记 ✅ 本地运行的 AI 模型 ✅ 连接两者的插件
但此刻的 AI 还没有读过你的笔记。
它现在就像一个新来的助理，坐在你旁边，但还没看过你的任何资料。
接下来，我们要让它"读懂"你的整个知识库。
这个过程叫做索引（Indexing），也叫向量嵌入（Embedding）。
用人话解释"向量嵌入"
不需要你理解数学。我用一个比喻：
想象你的笔记库是一个巨大的图书馆。
传统搜索就像图书馆的索引卡片——你搜"习惯"，它只能找到标题里有"习惯"这两个字的书。
向量嵌入就像给图书馆请了一个读过所有书的管理员。她不靠"关键词"找书，她靠"理解"找书。你问她"有没有关于不靠意志力改变行为的书"，她就算书名里没有这些字，也能准确找到。
索引就是让 AI "读"一遍你所有的笔记，在脑子里记住每条笔记"在讲什么"。
操作步骤
方案 A：使用 Copilot 插件的内置索引
Step 1：打开 Obsidian 设置 → Copilot 插件设置
Step 2：找到「Index Vault」或「Indexing」选项
Step 3：选择 Embedding 模型 推荐本地 Embedding 模型：
→ 在终端运行：ollama pull nomic-embed-text
→ 然后在插件设置中选择这个模型
Step 4：点击「Index Vault」或「Start Indexing」
Step 5：等待……（取决于你的笔记数量）
┌──────────────────────────────────┐
│ 📊 索引时间参考： │
│ │
│ 100 条笔记 → 约 1-2 分钟 │
│ 500 条笔记 → 约 5-10 分钟 │
│ 2000 条笔记 → 约 20-40 分钟 │
│ 5000 条笔记 → 约 1-2 小时 │
│ │
│ ☕ 去泡杯咖啡，回来就好了 │
└──────────────────────────────────┘
Step 6：索引完成后，显示「Indexing Complete ✅」
方案 B：使用 Smart Connections 插件
Step 1：安装 Smart Connections 插件（方法同上）
Step 2：打开插件设置
Step 3：在 Embedding Model 中选择本地模型 ┌─────────────────────────────────────┐
│ Embedding Model: Ollama - nomic-embed-text │
│ Chat Model: Ollama - llama3 │
└─────────────────────────────────────┘
Step 4：插件会自动开始索引你的笔记库
Step 5：索引完成后，右侧会出现「Smart Connections」面板
Step 6：打开任何一条笔记，面板会自动显示"语义上相关的笔记"
注意：索引只需要做一次。之后每次新增笔记，插件会自动增量更新。
你不需要重复操作。
07｜验收时刻：你的第一次"笔记对话"
如果你一步步跟到了这里——
恭喜，你的本地 AI 知识库已经搭建完成了。
现在，让我们来一次正式的**"验收测试"**。
测试 1：基础对话
在 Obsidian 中打开 Copilot 的对话面板（通常在右侧栏或通过命令面板打开）。
输入：
请用中文回答：你好，你能访问我的笔记吗？
如果 AI 回应了，说明模型连接正常 ✅
测试 2：笔记问答
选中一条你的笔记内容，然后问 AI：
请总结这条笔记的核心观点，用三句话。
如果 AI 能准确总结，说明插件和模型的交互正常 ✅
测试 3：跨笔记检索（终极测试）
这是最关键的测试。不选中任何笔记，直接提问：
根据我的笔记库，我最近在思考什么问题？
如果 AI 能基于你的多条笔记给出分析——
🎉 你的本地 AI 知识库正式上线了！
┌──────────────────────────────────────────────────┐
│ │
│ 🎉🎉🎉 │
│ │
│ 你的本地 AI 知识库 │
│ 已成功搭建！ │
│ │
│ ✅ 数据 100% 在本地 │
│ ✅ 完全离线可用 │
│ ✅ 零成本运行 │
│ ✅ 没有任何第三方能看到你的数据 │
│ │
│ 你现在拥有了一个 │
│ 只属于你自己的 AI 第二大脑。 │
│ │
│ 🎉🎉🎉 │
│ │
└──────────────────────────────────────────────────┘
08｜进阶配置：让你的 AI 更"聪明"的五个技巧
基础版已经跑起来了。但如果你想让体验更好，可以做以下优化：
技巧 1：写一个"系统提示词"告诉 AI 你是谁
在 Copilot 插件设置中，找到 System Prompt（系统提示词），填入以下内容：
你是我的私人知识助理。
你的任务是帮我整理、分析和连接我的 Obsidian 笔记库中的内容。关于我：
- 我是一名程序员，正在搭建个人 IP
- 我的笔记涵盖个人成长、产品思维、知识管理、AI 技术
- 我使用 Obsidian 做知识管理，采用原子笔记 + 双向链接的方式
你的回答规则：
1. 优先引用我笔记中的内容，而非通用知识
2. 引用时标明笔记名称，格式：「来自笔记 [[笔记名]]」
3. 如果我的笔记库中没有相关内容，请明确告诉我
4. 回答要简洁，使用列表和结构化格式
5. 使用中文回答
系统提示词就像你给新助理的"入职手册"。
你告诉它你是谁、你要什么、你不要什么。
它就会按你的规矩来。
技巧 2：给笔记加上"元数据"提升检索质量
你的笔记越结构化，AI 的检索就越精准。
在每条笔记的开头加上以下格式的元数据：
---
tags: [个人成长, 习惯, 行为设计]
date: 2024-05-20
source: 《原子习惯》
status: 🟢 已消化
---
这些元数据会帮助 AI 更好地理解笔记的主题、时间和来源。
这就像给数据库里的每条记录加上索引字段。
有索引和没索引，查询速度差十倍。
技巧 3：创建"AI 专用提问模版"
不要每次都从零开始想怎么问 AI。把高频问题做成模版：
# 🤖 我的 AI 提问模版库## 📊 复盘分析
→ 分析我过去 [时间段] 的日记，我的情绪/精力/产出有什么规律？
## 🔍 知识检索
→ 我的笔记库里关于 [某个主题] 的内容有哪些？帮我整理成大纲。
## 💡 灵感连接
→ [概念A] 和 [概念B] 之间有什么隐藏的联系？
## ✍️ 写作辅助
→ 我想写一篇关于 [主题] 的文章，
从我的笔记里找找可以用的素材和观点。
## 🧠 费曼测试
→ 我来解释 [某个概念]，请扮演一个完全不懂的人，
指出我解释中模糊或跳跃的地方。
## 📈 趋势发现
→ 我最近 3 个月的笔记中，反复出现的主题是什么？
有什么变化趋势？
把这个模版存在 Obsidian 里，需要时打开复制粘贴就行。
技巧 4：多模型切换策略
不同的任务适合不同的模型。你可以在 Ollama 里安装多个模型，根据需求切换：
📋 我的多模型策略：┌──────────────┬────────────────────────────────────────┐
│ 模型 │ 我用来做什么 │
├──────────────┼────────────────────────────────────────┤
│ qwen2 │ 中文笔记问答、日记分析、写作辅助 │
│ │ （中文理解力最强） │
├──────────────┼────────────────────────────────────────┤
│ llama3 │ 英文资料总结、逻辑推理、代码相关 │
│ │ （综合能力最均衡） │
├──────────────┼────────────────────────────────────────┤
│ phi3 │ 快速问答、简单任务 │
│ │ （速度最快，适合频繁使用） │
├──────────────┼────────────────────────────────────────┤
│ nomic-embed │ 专门用于笔记索引 │
│ -text │ （不直接对话，只做向量嵌入） │
└──────────────┴────────────────────────────────────────┘
切换方法：在 Copilot 设置里修改 Model Name 即可
或者使用命令面板快速切换
技巧 5：定期"再索引"保持知识库新鲜
📅 我的索引维护节奏：每周日晚上（和周复盘一起做）：
├── 检查本周新增了多少条笔记
├── 如果新增 > 20 条，手动触发一次重新索引
└── 时间：通常 5-10 分钟，后台运行就好
每月最后一天：
├── 完整重新索引一次
├── 清理碎片笔记和空文件
└── 确保 AI 的"记忆"是最新的
你的知识库在成长，你的 AI 的"记忆"也要跟着更新。
就像数据库需要定期重建索引一样。
09｜常见问题 FAQ
我把你大概率会遇到的问题提前列出来：
Q1：我的电脑很旧，跑起来很慢怎么办？
解决方案（按推荐程度排序）：Plan A：换一个更小的模型
→ ollama pull phi3（只有 2.2GB，对电脑要求最低）
Plan B：减少同时运行的程序
→ 跑 AI 的时候关掉浏览器、音乐播放器等
→ 把更多内存留给 Ollama
Plan C：降低 AI 的"思考深度"
→ 在插件设置中调低 context window 的大小
→ 比如从 4096 降到 2048
Plan D：混合方案
→ 笔记索引用本地模型（保护隐私）
→ 偶尔需要高质量回答时，临时切换到云端模型
→ （只在非敏感问题上使用云端）
Q2：AI 的回答质量不太好，怎么优化？
排查清单：□ 笔记质量问题
→ 如果你的笔记都是简短的、无结构的碎片
→ AI 也很难给出高质量的分析
→ 解决：回去用费曼学习法把关键笔记充实一下
□ 提问质量问题
→ 模糊的问题得到模糊的回答
→ "帮我分析一下" ❌
→ "分析我 5 月份的日记，找出情绪评分低于 3 的日子，
以及那些天的共同特征" ✅
→ 解决：参考技巧 3 的提问模版
□ 模型能力问题
→ 小模型（phi3）的理解力确实不如大模型
→ 如果对质量要求高，换更大的模型
→ 或者考虑用云端模型处理非敏感内容
Q3：我担心本地模型的中文能力不够好
解决方案：1. 选择中文优化的模型：
→ ollama pull qwen2（阿里通义千问，中文最强）
→ ollama pull yi（零一万物，中文能力优秀）
2. 在系统提示词中强调"用中文回答"
3. 多给几次机会——
本地模型有时候第一次回答不够好，
你可以追问"请更详细地解释"或"请用中文重新回答"
Q4：新增笔记后 AI 怎么知道？
取决于你用的插件：Smart Connections：
→ 自动检测新文件，增量索引
→ 通常几秒内就能识别到新笔记
Copilot：
→ 部分版本需要手动触发 Re-index
→ 建议每周手动索引一次（1 分钟的事）
最保险的做法：
→ 每周日在做周复盘时，顺手点一下"重新索引"
→ 养成习惯，纳入你的 LifeOS 周流程
Q5：Obsidian 可以同时用云端 AI 和本地 AI 吗？
当然可以！我的策略：┌──────────────────┬──────────────────────────────────┐
│ 场景 │ 用哪个 │
├──────────────────┼──────────────────────────────────┤
│ 分析个人日记 │ 🔒 本地模型（绝对不传到云端） │
│ 处理工作敏感信息 │ 🔒 本地模型 │
│ 情绪分析/隐私内容 │ 🔒 本地模型 │
│ 总结一篇公开文章 │ ☁️ 云端模型（不涉及隐私，追求质量）│
│ 翻译技术文档 │ ☁️ 云端模型 │
│ 写作润色 │ ☁️ 云端模型 │
└──────────────────┴──────────────────────────────────┘
原则：涉及隐私 → 本地。不涉及 → 哪个好用用哪个。
10｜完整检查清单：确认你没有遗漏
如果你跟着做到了这里，用这个清单确认一下：
🔍 搭建完成检查清单：□ 第一步：Ollama
□ 已安装 Ollama
□ 已下载至少 1 个对话模型（如 llama3 / qwen2）
□ 已下载 Embedding 模型（nomic-embed-text）
□ 在终端输入 ollama list 能看到已安装的模型
□ 第二步：Obsidian 插件
□ 已安装 Copilot 或 Smart Connections
□ 已在插件设置中选择 Ollama (Local) 作为模型来源
□ 连接测试通过（显示 Connected ✅）
□ 第三步：索引
□ 已完成笔记库的首次索引
□ 能够对笔记进行问答
□ 进阶优化（可选）
□ 已设置系统提示词
□ 已给关键笔记加上元数据
□ 已保存 AI 提问模版
全部打 ✅？→ 你的本地 AI 知识库正式投入使用 🎉
11｜写在最后：数据主权，是这个时代最被忽视的权利
我们每天把最私密的想法写进各种云端 APP。
日记、焦虑、野心、恐惧、不能跟任何人说的秘密——
它们都躺在别人的服务器上。
你不知道谁在看。你不知道它们会被用来做什么。
你甚至不知道，那些"免费"的产品，是不是正在用你的隐私来付费。
在互联网上，如���你不是客户，你就是产品。
今天这篇教程，不只是在教你一个技术操作。
它是在帮你拿回一样东西——
你对自己数据的控制权。
你的日记应该只有你能看。
你的想法应该只有你能用。
你的 AI 应该只为你一个人服务。
这不是技术问题。这是权利问题。
而作为一个程序员，我能做的——
就是把这个"权利"的获取门槛，降低到"会点鼠标"就够的程度。
今晚试试吧。
给自己搭一个不受任何人控制的 AI 知识库。
然后关上门，和你的思想安安静静地待在一起。
那种感觉——
是真正的自由。
我是一只阿木木。
用代码思维，重构你的人生算法。
你的数据，你做主。
如果你也想拥有一个完全属于自己的本地 AI 第二大脑——
**👇 关注我
下一篇预告：
《35 岁程序员的自救指南：从"写代码"到"写知识"》
——代码只能运行在机器上，知识可以运行在每个人的脑子里。一个程序员的转型思考。
💡 互动话题：
你最在意的数据隐私是什么？
你有没有过"后悔把某些内容存到云端"的经历？
评论区聊聊你对"数据主权"的看法 🔒
📝 第八篇设计逻辑复盘
| 系列定位 | |
| 八篇递进 | |
| 开头 | |
| 先看效果 | |
| 三块积木 | |
| 保姆级步骤 | |
| 进阶技巧 | |
| FAQ | |
| 价值升华 | |
| 引流钩子 | |
| 连载预告 |
更多系列完整内容，请访问知识星球。
AII
松花酿酒，春水煎茶。
眉上风止，见字如晤。
一只阿木木