10 个命令，一套完整知识工作流：claude-obsidian 技能图谱全拆解

10 个命令，一套完整知识工作流：claude-obsidian 技能图谱全拆解

作者：一只阿木木

很多人装上 claude-obsidian 之后，只用了 /wiki-ingest 一个命令。

就像买了一台专业相机，只用自动模式拍照。

这套系统真正的威力，藏在 10 个命令构成的完整技能图谱里。每一个命令，都在解决一个具体的、真实的知识工作痛点。

今天把它彻底拆开给你看。

0. 在看命令之前，先理解这套系统的设计哲学

claude-obsidian 用 10 个技能实现了 Karpathy 的 LLM Wiki 模式，包含热缓存系统和自主研究循环。

但这句话背后的设计哲学，值得单独讲清楚：

这不是一个"AI 帮你搜索"的工具，而是一个"AI 帮你维护知识资产"的系统。

两者的本质区别：

理解了这个哲学，10 个命令的设计逻辑就会豁然开朗：每一个命令，都是在维护这个知识资产的某一个维度。

1. 全局技能图谱：10 个命令的"作战地图"

在逐个拆解之前，先建立全局视图：

text

claude-obsidian 技能图谱
│
├── 【输入层】把外部世界的知识引进来
│   ├── /wiki-ingest      ← 把单个文件编译进 wiki
│   ├── /ingest-url       ← 把 URL 直接抓取并编译
│   └── /process-inbox    ← 批量清空 raw/ 收件箱
│
├── 【研究层】主动探索未知领域
│   └── /autoresearch     ← 多轮自主研究循环
│
├── 【提取层】从 wiki 里把知识调出来
│   └── /wiki-query       ← 带来源引用的精准问答
│
├── 【维护层】保持知识库健康
│   └── /lint-wiki        ← 仓库体检（断链/矛盾/缺口）
│
├── 【记忆层】解决会话失忆问题
│   └── /save             ← 保存上下文到热缓存
│
├── 【输出层】把知识转化为产出物
│   ├── /canvas           ← 生成可视化知识画布
│   └── /wiki-update      ← 把当前项目洞察提炼回 wiki
│
└── 【自动化层】让知识库在后台自动生长
    └── [夜间 Agent]      ← 定时任务，无需手动触发

下面按照"最高价值 → 被低估 → 后台自动化"的顺序，逐一深度拆解。

2. 三个最高价值命令（每天必用）

命令一：/wiki-ingest — 知识编译器

解决的痛点：把原始资料（文章/PDF/笔记）转化成结构化的、互相链接的 wiki 页面

内部运行的 5 个步骤：

wiki-ingest agent 不只是摘要一个来源——它创建实体页、概念页，将它们与每一个已有页面交叉引用，用 [!contradiction] callout 标记矛盾，并更新索引。

具体来说，每次 /wiki-ingest 执行时，Agent 做这 5 件事：

text

Step 1：理解（Understanding）
  → 阅读全文，识别核心主张、关键术语、提到的人物/机构/工具
Step 2：讨论（Discussion，仅首次）
  → 询问你：用什么视角构建 wiki？有没有特定的框架偏好？
Step 3：规划（Planning）
  → 决定要创建哪些页面，更新哪些现有页面
Step 4：写入与整合（Writing & Integration）
  → 创建新页面，在现有页面里追加 wikilink
  → 发现矛盾时，打上 [!contradiction] 标注
Step 5：归档与报告（Archiving & Reporting）
  → 把原始文件归档
  → 更新 wiki/index.md 和 wiki/log.md
  → 报告：创建了几个页面，更新了几个页面

实测数据：

跨 30+ 来源（研究论文、会议纪要、技术文档）的测试中，每个来源稳定产出 8–15 个 wiki 页面，平均每页 12 个 wikilink。由 25 份来源构建的 200 页 vault，94% 的页面连接到至少 2 个其他页面——零手动链接。

使用时机：每次添加新的原始资料时

最容易忽视的细节： /wiki-ingest 处理的是已经在 raw/ 目录里的文件。如果你直接给它一个 URL，用 /ingest-url 更高效（它会先抓取，再 ingest）。

命令二：/autoresearch — 自主研究循环

解决的痛点：对一个主题做全面调研，但不知道自己不知道什么（未知的未知）

三轮工作机制：

运行自主研究循环：第一轮，网络搜索，抓取顶级来源，提取关键发现；第二轮，识别覆盖缺口，搜索遗漏的角度；第三轮，综合发现，解决矛盾，以 wiki 页面形式归档。

这三轮的价值不是平均分配的：

• Round 1（30%价值）：你自己也能找到的信息
• Round 2（50%价值）：你不知道自己不知道的盲区——这是真正的价值所在
• Round 3（20%价值）：把矛盾和分歧结构化，供你做判断

可配置项（写在 skills/autoresearch/references/program.md 里）：

Markdown

研究深度：
  - light（1 轮）：快速概览，适合熟悉领域
  - medium（2 轮）：标准深度，适合大多数场景
  - deep（3 轮）：全面调研，适合重要决策
来源优先级（按你的领域定制）：
  - 学术型：优先 PubMed / arXiv / Google Scholar
  - 商业型：优先市场报告 / SEC 文件 / 行业白皮书
  - 技术型：优先官方文档 / GitHub README / 技术博客
  - 内容型：优先头部 Newsletter / 行业媒体 / 案例研究

使用时机：

• 进入新领域的第一次系统性了解
• 做重要决策前的背景调研
• 需要找到话题的独特切入角度时

实测数据：用 /autoresearch 构建 AI 营销自动化 wiki，三轮后产出 23 个涵盖工具、工作流、定价模式和竞争定位的 wiki 页面，原来需要花一整个周末的调研，现在只需 15 分钟监督。

命令三：/wiki-query — 带引用的知识提取

解决的痛点：从知识库里提取洞察，但需要知道"这个结论来自哪里"

与普通 AI 问答的本质区别：

text

普通 ChatGPT 问答：
  你问 → AI 用训练数据回答 → 你不知道信息是否过时或准确
/wiki-query 问答：
  你问 → AI 读 hot.md（热缓存）
        → 扫描 index.md（全局索引）
        → 深入相关 wiki 页面
        → 综合出答案
        → 每个论点标注来源 wiki 页面（可点击验证）

你提问，Claude 读取热缓存（最近的上下文），扫描索引，钻入相关页面，合成出一个答案。它引用的是具体的 wiki 页面，而不是训练数据。

三种高价值用法：

用法 A：回忆型（我之前积累了什么）

Bash

/wiki-query "我对 gRPC vs REST 了解多少？有哪些已有的判断？"

用法 B：综合型（把分散的知识串联起来）

Bash

/wiki-query "把我 wiki 里所有关于'内容创作者变现'的页面综合成一个观点"

用法 C：缺口型（我还不知道什么）

Bash

/wiki-query "关于[主题]，我的 wiki 里有哪些明显的知识缺口？"

使用时机：写作前、做决策前、需要从知识库里"调用"积累时

3. 两个被严重低估的命令

命令四：/save — 热缓存管理（会话记忆工程）

大多数人知道这个命令的存在，但不知道它解决的是一个多么严重的系统性问题。

它解决什么问题？

每次开启新的 Claude 对话，AI 对上次会话毫无记忆，你需要花 5–10 分钟重新解释上下文。这是一个没人谈及的问题：每次开启新的 Claude 对话，你需要重新解释所有上下文，对话结束，一切消失。

这不是 Claude 的问题，而是 LLM 的架构特性——每个会话都是独立的上下文窗口。

/save 的工程解法：

text

会话结束时运行 /save：
  Agent 读取这次会话
    → 提炼：当前项目进度、关键决策、未解决的问题
    → 压缩成约 500 词的摘要
    → 写入 wiki/hot.md
下次会话开始时：
  CLAUDE.md 指令："先读 wiki/hot.md"
    → Agent 在第一条消息之前已恢复上下文
    → 无需重新解释，直接继续

解决方案是：每次会话后写入结构化摘要，下次会话开始前先读取——这创造了真正的连续性，Agent 不再每次从头开始，它知道你昨天在做什么，记得你偏好简洁的要点而非长段落。

跨项目使用的终极配置：

在 ~/.claude/CLAUDE.md（全局层）里写：

Markdown

## 跨会话记忆规则
每次会话开始，必须先读 ~/my-vault/wiki/hot.md
每次会话结束，询问是否运行 /save

你的个人知识库就成了跨所有 Claude Code 项目的共享上下文——唯一的事实来源。

使用时机：每次有实质性进展的会话结束后

一个容易犯的错误：不是每次会话都要 /save，那样 hot.md 会被低价值信息稀释。只在"这次会话里发生了值得下次记住的事"时才保存。

命令五：/lint-wiki — 知识库健康体检

解决的痛点：知识库越来越大，但开始出现"知识腐烂"——过时内容、断链、逻辑矛盾

它检查什么：

text

/lint-wiki 的 5 项检查：
1. 断链检测
   → 找出所有指向不存在页面的 [[wikilink]]
   → 标注：是页面被删除了，还是该页面还没被创建？
2. 孤立页检测
   → 找出所有没有任何入链的页面（没有其他页面指向它）
   → 这些页面是"知识孤岛"，价值极低
3. 矛盾检测
   → 扫描所有 [!contradiction] 标注
   → 报告：哪些矛盾还没有被解决？
4. 缺口检测
   → 基于现有页面的链接分布，推断"应该有但还没有"的知识
   → 给出推荐：接下来应该研究哪些主题来填补缺口？
5. 索引完整性
   → 检查 wiki/index.md 是否完整收录了所有页面
   → 修复遗漏的条目

lint 的建议频率：每 ingest 10 次，或每月一次，取先到者。在任何重大查询或综合工作前也要先运行。

最有价值但最容易忽视的输出——"缺口检测"：

这不只是告诉你"哪里有问题"，而是告诉你"下一步应该学什么"。当 lint 说"你有大量关于 tokio 的内容，但几乎没有关于 async trait 的内容"，这不是一个错误提示，而是一个学习方向建议。

使用时机：

• 每 10 次 ingest 之后
• 每月月底一次全面体检
• 在做重要决策（技术选型/内容选题）之前

4. 完整命令速查手册（可截图收藏）

5. 最被忽视的功能：夜间 Agent（你睡觉时，它在工作）

这是整套系统最接近"自动生长"字面意思的功能，也是最少人深度配置的部分。

夜间 Agent 运行 5 个阶段：收尾当天、调和矛盾、综合跨来源模式、修复孤立笔记、重建索引。你醒来时，vault 变得更聪明了。

5 个阶段的具体工作：

阶段一：收尾当天

• 整理当天所有碎片输入（quick notes、process-inbox 的残留）
• 把未分类的内容归入正确的 wiki 页面
• 更新 log.md 的时间线

阶段二：调和矛盾

• 扫描所有 [!contradiction] 标注
• 针对每个矛盾，生成"矛盾调和建议"（不是自动解决，是给你看的判断参考）
• 标注哪些矛盾是"新矛盾"（这次新 ingest 带来的）

阶段三：综合跨来源模式

• 扫描本周所有新增的 wiki 页面
• 识别多个来源里反复出现的共同主题
• 在 wiki/synthesis/ 里创建新的综合页面（如果有值得综合的发现）

阶段四：修复孤立笔记

• 找到所有孤立页面
• 分析其内容，寻找现有页面中可以建立连接的锚点
• 自动添加 wikilink（保守策略：只在关系明确时才添加）

阶段五：重建索引

• 确保 wiki/index.md 完整准确
• 按主题分类更新目录结构
• 生成一份"本周 vault 变化摘要"供你早上查看

如何配置夜间 Agent：

Bash

# 在 CLAUDE.md 里添加
## 定时任务
夜间维护：每天 02:00 运行
  - 运行顺序：collect → reconcile → synthesize → link → reindex
  - 报告：生成摘要存入 wiki/daily-reports/[日期].md
  - 安全约束：不删除任何页面，只添加内容

新的一天开始：Claude 把你的日历事件、过期任务和夜间变化拉进今天的笔记，你的早晨从信息充分开始。

实际效果：早上打开 Obsidian，不只是"昨天的东西还在"，而是"昨天的东西被进一步组织了，而且 vault 根据新的连接变得更加完整"。

6. 命令的正确使用节奏（一周工作流示例）

光知道每个命令的功能还不够，它们该如何组合成一个完整的工作节奏？

text

周一-周五（日常节奏）：
  09:00 │ 查看 wiki/daily-reports/昨日.md（夜间 Agent 的报告）
        │ 有新的资料 → /ingest-url 或 /wiki-ingest
  随时  │ 需要查找知识 → /wiki-query
  工作  │ 结束有价值的会话 → /save
  结束  │
周末（维护节奏）：
  土    │ /process-inbox（清空本周积累的 raw/）
  日    │ /lint-wiki（仓库体检）
        │ 查看缺口建议 → 规划下周的 autoresearch 主题
每月月底（复盘节奏）：
  最后  │ 完整 /lint-wiki
  一天  │ 检查 wiki/log.md：本月 ingest 了多少来源？
        │ 打开 Graph View：图谱密度是否在增长？
        │ 更新 wiki/hot.md：这个月最重要的认知升级是什么？

7. 看到图谱，理解复利

经过一个月的正常使用，你的 Obsidian Graph View 应该开始呈现出一个可见的知识网络。

高数量的内部链接（平均每笔记约 8 个）说明重点不在收集，而在连接；每条新笔记的价值不只来自内容，而来自与已有信息的关系。

图谱的三种"读法"：

• 枢纽节点（Hub）：连接最多的节点 = 你的核心概念，深化它
• 桥接节点（Bridge）：连接两个不同簇的节点 = 你最有独特价值的跨域连接
• 孤立节点（Isolated）：没有连接的节点 = 你的知识盲区，lint 会帮你找到它们

当你添加第 50 份来源时，系统产出的不是 50 个孤立笔记，而是 50 个编织进整个知识网络的节点——每一个都和之前的内容产生了新的连接。这就是知识复利的可视化表达。

在 AI 时代，工具的上限，不是功能，而是你有没有把它用到极限。