claude-obsidian ：你不需要整理知识，你只需要喂入知识

Module 5｜claude-obsidian

你不需要整理知识，你只需要喂入知识

大多数人的知识管理系统，最终都死在"整理"这个环节。这一讲，我们来根治这个问题。

写在前面

我认识一个人，他的 Notion 里有一个文件夹叫"待整理"。

里面有 847 条笔记。

最老的一条是三年前的。

他说，他一直计划找个周末，把这些东西"好好整理一下"。

那个周末，从来没有到来。

我不评判他。

因为我自己的 Obsidian 里，也有一个文件夹叫"inbox"。

在我学会这套系统之前，那里面躺着大概 200 个文件。

我每次打开都会心虚一下，然后关掉。

后来我想了一件事：

为什么整理这件事会让人拖延？

不是因为懒。

是因为整理需要做一系列消耗认知资源的决策：

这条笔记应该放在哪个分类？它和另外一个笔记有关系吗？应该打什么标签？这两个概念应该合并吗？

每一个决策都需要判断，每一个判断都需要上下文，每一次你打开那个"待整理"文件夹，你面对的是 200 个独立的判断。

大脑说不。

于是那个文件夹继续长大。

这就是为什么 claude-obsidian 的设计思路，是从根本上绕过这个问题。

不是帮你整理得更快，而是让整理这件事不再需要你亲自来做。

你负责决定读什么、喂什么。

AI 负责所有的分类、关联、归档、维护。

这不是偷懒，这是正确的分工。

人类应该做判断，机器应该做执行。

我们在知识管理上大量的痛苦，来自把这两件事搞混了。

5.1 先理解：claude-obsidian 在做什么

在动手之前，我需要你理解一件事——

claude-obsidian 不是一个插件，不是一个 AI 助手，它是一个持续运行的知识引擎。

区别在哪里？

普通 AI 工具的工作方式

你有一篇文章，你问 AI："帮我总结这篇文章。"

AI 读，总结，给你。

你把总结存进笔记。

这篇文章和你其他的笔记，没有任何关系。

它就是一个孤立的存在，等待遗忘。

claude-obsidian 的工作方式

你把同一篇文章放进 raw/，运行 /wiki-ingest。

AI 读这篇文章，做的不只是总结——

它提取这篇文章里的每一个重要概念，为每个概念独立建档。

然后它扫描你整个 wiki/ 目录，看看这些新概念和已有的哪些页面有关系。

它建立链接，标注关联，更新索引。

如果新内容和某个已有页面有矛盾，它在那个页面上标注。

处理完，它在 wiki/log.md 里写一条记录：做了什么，触及了哪些页面，发现了什么新连接。

你看到区别了吗？

普通 AI 工具处理的是这一篇。

claude-obsidian 处理的是这一篇和你已经积累的所有东西的关系。

前者是一次性的消费。

后者是在往一个复利账户里存钱。

一个更直觉的比喻

把你的知识库想象成一座城市。

普通 AI 工具：你每次建一栋房子，建完就结束了。城市里有很多孤立的房子，但没有道路连接它们。

claude-obsidian：每次建一栋新房子，它同时修建从新房子到已有建筑的道路。道路越来越多，城市开始有了结构，有了区域，有了功能。

城市里的每个人（每个概念），都认识其他人。

新来的人（新概念），会被介绍给所有相关的人，很快融入这个社区。

这个网络效应，就是知识复合增长的本质。

5.2 系统运行的三层架构

在开始操作之前，先把 claude-obsidian 的内部结构看清楚。

它的设计围绕三层：

text

第一层：raw/
─────────────────────────────
不可变的事实来源。
你喂进来的原始内容在这里。
AI 读它，但永远不修改它。
第二层：wiki/
─────────────────────────────
AI 生成和维护的知识库。
概念页面、案例页面、书籍页面……
所有结构化的知识在这里。
你读它，但几乎不直接写它。
第三层：CLAUDE.md
─────────────────────────────
系统规则。
告诉 AI 怎么处理从第一层到第二层的转化。
这是你和 AI 之间的协议。

三层的分工，是整个系统稳定运行的基础。

raw/ 是你的输入层。wiki/ 是系统的输出层。CLAUDE.md 是转化规则层。

任何时候系统出了问题，先想想是哪一层出了问题：

• 喂进去的东西质量不好 → raw/ 层的问题
• 生成的 wiki 页面质量差 → CLAUDE.md 规则不够精确
• wiki 页面互相孤立，没有连接 → 链接规则缺失

5.3 知识摄入的三条路径

内容进入系统，有三条路径。

每条路径适合不同类型的内容和不同的工作场景。

路径一：Obsidian Web Clipper

适合什么：

你在浏览器里看到一篇文章，觉得有价值，想进入知识库。

安装：

在你的浏览器扩展商店里搜索"Obsidian Web Clipper"，安装（支持 Chrome、Firefox、Safari）。

安装完后，配置它的默认保存位置：

打开扩展设置 → 保存路径设为 raw/ → 格式选 Markdown。

使用：

浏览器右上角，点击 Web Clipper 图标。

它会把当前页面的正文（去掉广告、导航栏这些噪音）转成 Markdown，一键保存到你的 raw/ 文件夹。

你不需要复制粘贴，不需要打开 Obsidian，不需要创建新文件。

从"看到好文章"到"进入知识库"，一次点击，三秒钟。

一个细节：不要剪藏所有东西。

Web Clipper 让剪藏变得太容易了。

很多人装完之后会进入一种"剪藏强迫症"——看到什么都剪，因为"说不定以后有用"。

结果 raw/ 文件夹里几百篇文章，大部分再也没有被处理过。

剪藏的标准：这篇文章里有没有一个我以前没有的思维方式？

有 → 剪。

没有，只是"写得不错" → 不剪，或者分享给别人。

路径二：/wiki-ingest 命令

适合什么：

raw/ 里已经有文件，你想让 AI 处理它并摄入知识库。

基本用法：

Bash

cd ~/knowledge/vault
claude
# 处理单个文件
/wiki-ingest raw/article-name.md
# 处理整个 raw/ 目录里所有未处理的文件
/wiki-ingest raw/

它运行的时候在做什么：

不只是总结。

1. 读取文件内容
2. 提取关键实体（人物、公司、概念、框架）
3. 为每个重要实体，检查 wiki/ 里是否已有页面
4. 有 → 用新信息更新现有页面
5. 没有 → 创建新页面，按 CLAUDE.md 定义的格式
6. 识别新页面和现有页面的关联，建立 wikilinks
7. 标注矛盾（如果新内容和现有内容有冲突）
8. 更新 wiki/index.md 和 wiki/log.md

一篇 2000 字的文章，这个过程大约 30-60 秒。

结束后，你的 wiki/ 里可能多了 3-5 个新页面，现有页面可能有 2-3 个被更新。

观察 log.md 的习惯

每次 wiki-ingest 完成之后，打开 wiki/log.md 看一眼。

格式大概是这样的：

text

## 2024-03-15 14:32
来源：raw/article-on-feedback-loops.md
新建页面：
- wiki/concepts/feedback-loop.md
- wiki/concepts/balancing-loop.md
- wiki/cases/toyota-production-system.md
更新页面：
- wiki/concepts/systems-thinking.md（新增案例引用）
- wiki/books/thinking-in-systems.md（新增关联案例）
新建链接：
- [[feedback-loop]] → [[systems-thinking]] （反馈回路是系统思维的核心机制）
- [[toyota-production-system]] → [[balancing-loop]] （案例体现此模式）
标注矛盾：无

这个日志是你理解"AI 做了什么"的最直接窗口。

当你发现某个 wiki 页面的内容不对，来 log.md 找——哪次摄入改了它，依据是什么。

路径三：直接文件摄入

适合什么：

不是网页文章，而是其他格式的内容：

• 会议录音的转录稿
• 书摘或手写笔记的数字化版本
• 播客的文字版
• 你自己写的思考文档

做法：

直接把文件放进 raw/，然后运行 /wiki-ingest。

文件格式不限——Markdown、纯文本、甚至是你从语音转录工具导出的 .txt 文件，都可以。

一个特别有用的场景：会议后的知识沉淀

你开完一个重要的会议，有大量信息需要处理。

以前的做法：整理会议记录，写到某个笔记里，然后也许就这样了。

用 claude-obsidian 的做法：

1. 开会时用录音软件录音（或者直接做粗糙的文字记录）
2. 会后把文字版本放进 raw/meeting-YYYY-MM-DD.md
3. 运行 /wiki-ingest
4. AI 从会议记录里提取讨论到的概念、提到的相关案例、出现的问题——全部关联进知识库

你参与的每一次重要会议，都在给你的知识库施肥。

5.4 摄入时发生了什么：拆开看清楚

我想让你对"摄入"这个过程理解得更深一点。

因为只有你理解它在做什么，你才能在它出错的时候知道为什么出错。

一篇文章的摄入之旅

假设你剪藏了一篇关于"产品与工程团队协作"的文章。

Step 1：实体提取

AI 扫描文章，识别出需要建立独立页面的实体：

• "产品路线图规划"（一个实践框架）
• "工程估时偏差"（一个已命名的现象）
• "On-call 文化"（一个团队实践）

Step 2：存在性检查

对每一个实体，AI 查询 wiki/ 目录：

wiki/concepts/product-roadmap-planning.md 存在吗？

• 存在 → 不创建新文件，而是把新文章的洞见合并进去
• 不存在 → 创建新文件，按照 CLAUDE.md 的格式填充

Step 3：关联发现

文章处理完，AI 扫描新创建和更新的页面，检查它们和 wiki/ 里现有页面的关系。

发现：

• "产品路线图规划"和"优先级排序"有紧密关联
• "工程估时偏差"和"项目管理"相关
• "On-call 文化"和"工程团队健康度"相关

建立对应的 wikilinks，并在注释里说明关联原因。

Step 4：矛盾检测

文章里提到"最好的路线图是每周更新的"，但 wiki/ 里已经有一个页面说"路线图更新频率不应低于一个月"。

AI 在两个相关页面顶部都加上 [!contradiction] 标注：

Markdown

> [!contradiction]
> 这个观点与 [[product-roadmap-frequency]] 中的说法有矛盾：
> 本文认为每周更新最佳，彼处认为不应频于一月。
> 来源：raw/product-eng-collaboration.md

它不做的事： 自动决定哪个说法"正确"，删除任何一方。

矛盾的解决，需要你来判断。AI 只是帮你发现。

Step 5：更新索引

处理完成，AI 更新：

• wiki/index.md：添加新页面条目
• wiki/hot.md：更新近期处理内容的热缓存
• wiki/log.md：写入本次操作记录

这个过程，是 claude-obsidian 和普通"AI 总结"工具最本质的区别。

它不是在处理一篇文章。

它是在用这篇文章更新一座持续生长的知识城市。

5.5 wiki/hot.md：理解系统的记忆机制

这是一个很多人忽视但非常重要的文件。

AI 没有跨会话记忆

这是一个必须面对的现实：

每次你关掉 Claude Code，打开新的会话，AI 不记得上次聊了什么。

你三天前处理了十篇文章，今天打开新会话——AI 不知道。

它看到的只是 CLAUDE.md 和你 wiki/ 里的文件。

hot.md 是怎么解决这个问题的

每次 wiki-ingest 结束，AI 会更新 wiki/hot.md。

这个文件记录：

• 最近处理的内容是什么
• 最近频繁被更新的概念是哪些
• 最近发现的矛盾是什么
• 最近建立的最重要的新连接

hot.md 是会话之间的记忆桥梁。

下次你打开 Claude Code，AI 在读 CLAUDE.md 之后会读 hot.md，知道"最近这个用户在关注什么、处理了什么"。

hot.md 的格式

大概长这样：

Markdown

# Hot Cache
> 上次更新：2024-03-15
## 近期处理内容
- raw/product-eng-collaboration.md（2024-03-15）
- raw/decision-making-under-uncertainty.md（2024-03-14）
- raw/team-psychological-safety.md（2024-03-13）
## 当前活跃概念
- [[feedback-loop]]：3天内被更新4次
- [[psychological-safety]]：刚创建，尚未与其他概念充分关联
- [[product-roadmap-planning]]：存在未解决矛盾
## 待解决矛盾
- [[product-roadmap-frequency]]：两个来源对更新频率的观点相反
  → 需要人工判断
## 近期重要新连接
- [[decision-making]] ↔ [[psychological-safety]]
  （在不确定环境下，心理安全感影响决策质量）

你应该对 hot.md 做什么

读，不要写。

hot.md 是 AI 维护的文件，不是你的笔记。

但你应该定期读它，因为它会告诉你：

• 你的知识库最近在"往哪个方向长"
• 有哪些矛盾等待你来判断
• 有哪些新连接可能值得深入

把 hot.md 当成你的知识库状态仪表盘。

5.6 Graph View：看见你知识的形状

Obsidian 有一个功能叫 Graph View——可视化展示所有页面之间的链接关系。

在你的 wiki/ 里页面少的时候，Graph View 很无聊，看起来就是几个孤立的点。

但当你有了 20+ 个页面，Graph View 开始变得有趣。

怎么打开

在 Obsidian 左侧工具栏，找到图形图标（或者用快捷键 Ctrl+G / Cmd+G）。

选择"打开图谱视图"。

建议的设置：

• 过滤器里只显示 wiki/ 目录的文件
• 节点大小：按连接数量
• 颜色：按标签类型

怎么读图

节点大小

节点越大，这个概念的连接越多。

大节点是你知识库的核心概念——它们是连接其他一切的枢纽。

如果一个你认为很重要的概念节点很小，说明你还没有充分建立它和其他知识的关联。

孤立节点

没有任何连接的节点，通常意味着：

• 这个概念太新，还没有足够的相关内容
• 或者这个概念其实没有那么重要，不值得单独建页面

孤立节点是 /lint-wiki 需要处理的候选。

密集区域

某些节点之间连接特别密集，形成"簇"。

这些簇往往对应你真正的核心知识领域。

看看这些簇，问自己：

这些密集区域，反映的是我真实的专业深度吗？ 还是只是因为我最近读了很多这个方向的文章？

一个你现在就可以做的发现实验

当你的 wiki/ 里有了 20 个以上的页面，打开 Graph View。

找到最大的那 5 个节点。

这 5 个概念，是你的知识库认为你最核心的知识枢纽。

问自己：

你同意吗？

如果你同意——说明你的阅读和摄入，忠实地反映了你真实的知识结构。

如果你不同意——说明你的摄入有偏差。可能某个领域你读了很多但实际不够重要，或者某个你认为重要的领域还没有足够输入。

Graph View 是你知识结构的一面镜子。

有时候照出来的结果，会让你感到意外。

5.7 /process-inbox：零摩擦输入的闭环

inbox/ 的设计原则是零摩擦输入。

想法来了，先扔进去。

不需要想格式，不需要想分类，不需要想标题。

就是一堆碎片。

但碎片不能永远待在 inbox/ 里。

/process-inbox 命令，就是把这些碎片转化成结构化知识的工具。

运行方式

Bash

cd ~/knowledge/vault
claude
/process-inbox

它会做什么

扫描 inbox/ 里的所有文件，对每一个文件：

1. 判断内容类型（是一个想法？是一条信息？是一个问题？是一篇文章摘抄？）
2. 决定去向：
• 有价值的概念或洞见 → 创建或更新 wiki/ 对应页面
• 项目相关的内容 → 移到 projects/ 对应目录
• 只是临时记录、处理完就没用的 → 标记为已处理，可以归档
3. 建立和 wiki/ 现有内容的关联
4. 处理完的 inbox 文件，移到 inbox/archive/ 或删除（根据你的 CLAUDE.md 规则）

一个实际的例子

你在开会时，在 inbox/ 里快速记了这么一段：

text

inbox/quick-note-0315.md
做产品规划的时候不能只看用户说了什么，要看他们做了什么
行为数据比问卷更可信
张总今天说的，他们的转化率之所以上来，不是因为改了页面
而是因为发现了用户真正的使用路径

你运行 /process-inbox，AI 处理这段内容：

• 提取核心洞见："行为数据优先于用户自述"→ 更新 wiki/concepts/behavioral-data.md
• 提取案例：公司 X 转化率优化案例 → 创建 wiki/cases/conversion-rate-behavioral-data.md
• 建立关联：和已有的 wiki/concepts/user-research.md 建立链接
• 处理完：把 quick-note-0315.md 移到 inbox/archive/

你原来的粗糙记录，变成了两个结构化的知识页面，并且和你现有的用户研究知识关联上了。

这就是零摩擦输入的完整闭环。

关于 inbox/ 的一个重要提醒

inbox/ 是临时停靠，不是永久仓库。

如果你的 inbox/ 里积累了超过 30 个未处理的文件——说明你的输入速度超过了处理速度。

这时候有两个选择：

选择 A：运行 /process-inbox，一次性清空

通常 30 个文件的处理时间在 10-15 分钟。

选择 B：降低输入标准

不要什么都往 inbox/ 扔。

只放"我三天后还会想到它"的内容。

两个选择都可以，但你需要做出一个选择。

inbox/ 长期积压，会让你对整个系统产生一种模糊的焦虑感，最终影响你对系统的信任和使用频率。

5.8 /lint-wiki：知识库健康管理

你的知识库用久了，会出现各种"亚健康"状态：

• 断链：某个页面被删了，但其他页面还在引用它
• 孤立页面：没有任何页面链接到它，也没有任何链接出去
• 空壳页面：只有标题和几个字的定义，没有实质内容
• 过时内容：某个概念的描述和你现在的理解已经不一致
• 未解决矛盾：被标注了 [!contradiction] 但从来没有处理

这些问题积累到一定程度，会让你的知识库变成一个不可信任的系统。

你开始不确定里面的内容是否准确，于是越来越少依赖它。

/lint-wiki 就是你的知识库体检工具。

运行方式

Bash

cd ~/knowledge/vault
claude
/lint-wiki

它检查什么

运行完之后，你会得到一份健康报告：

Markdown

# Wiki 健康报告
生成时间：2024-03-15
## 🔴 需要立即处理
- 断链（3个）：
  - wiki/concepts/agile.md → [[scrum-framework]]（目标页面不存在）
  - wiki/cases/startup-x.md → [[product-market-fit]]（目标页面不存在）
- 未解决矛盾（2个）：
  - wiki/concepts/product-roadmap-frequency.md（已标注 14 天）
  - wiki/concepts/mvp-definition.md（已标注 21 天）
## 🟡 建议处理
- 孤立页面（5个）：
  - wiki/concepts/jobs-to-be-done.md（0个传入链接）
  - wiki/concepts/north-star-metric.md（0个传入链接）
- 空壳页面（8个）：
  - wiki/concepts/systems-thinking.md（只有定义，缺少核心原则）
  - wiki/concepts/dunning-kruger.md（缺少应用场景）
## 🟢 状态良好
- 总页面数：47
- 平均链接数：3.2
- 最近 30 天更新：23 页

怎么处理报告

红色问题：立刻处理

断链和长期未处决的矛盾，是影响系统可信度的直接因素。

对于断链，让 AI 帮你修复：

text

/lint-wiki fix-broken-links

对于未解决矛盾，你需要亲自来判断：

打开那个页面，阅读两个冲突的观点，做出你的判断：

• 哪个更准确？为什么？
• 还是两个都有道理，但适用场景不同？

然后更新页面，删除 [!contradiction] 标注，写下你的结论。

黄色问题：每月处理一次

孤立页面和空壳页面不是紧急问题，但会降低知识库的密度和可用性。

每月一次，花半小时处理：

• 孤立页面：想想它和哪些现有页面应该有关联，让 AI 帮你建立链接
• 空壳页面：找到对应的来源，补充内容

建立月度健康检查习惯

把 /lint-wiki 加入你的月度日历。

不需要很正式，每月最后一个周五，花 30 分钟：

1. 运行 /lint-wiki
2. 处理红色问题
3. 处理 2-3 个最重要的黄色问题
4. 在 CLAUDE.md 的版本记录里写一行："知识库健康检查完成，发现 X 个问题，处理了 Y 个"

这个习惯，是你的知识库保持长期可信的关键。

5.9 七天知识摄入挑战

这一节不是在讲工具。

这是本讲最重要的实践——

你需要连续七天把系统跑起来，才能真正体会到知识复合增长是什么感觉。

挑战规则

每天至少：

• 摄入 1-2 篇文章（Web Clipper 剪藏 + /wiki-ingest）
• 把当天产生的想法和笔记碎片放进 inbox/
• 每天结束前运行一次 /process-inbox
• 看一眼 wiki/log.md，了解今天知识库发生了什么

七天结束时：

• 打开 Graph View，截图
• 统计：新建了多少页面，更新了多少页面，建立了多少链接
• 找出最令你意外的一个新连接

为什么要连续七天

知识复合增长的效果，在第一天几乎感觉不到。

第三天，你开始注意到一些关联。

第七天，你会第一次体验到那种感觉——

你在处理今天的一篇文章，突然发现 AI 把它和你三天前摄入的一个概念连接起来了。

那个连接，你自己当时没有想到。

但它是真实的，有道理的，而且有用的。

那一刻，你会真正理解什么叫"知识库在帮你思考"。

这个体验，是这一讲所有文字都无法替代的。

每天摄入什么

不要专门为了"喂知识库"而找内容。

把你本来就要读的东西，改变一个处理方式——

以前：读完，关掉，忘了。

现在：读完，剪藏，摄入。

你的阅读习惯不需要改变，只是加了一个"顺手的动作"。

七天后的 Graph View

七天的摄入，你大概会得到：

• 20-40 个新的 wiki 页面
• 50-100 个 wikilinks
• 3-5 个"意外的新连接"

打开 Graph View，你第一次看到你知识库的形状。

有些地方密，有些地方稀。

那个形状，就是你现在知识结构的真实写照。

密的地方，是你真正的专业深度所在。

稀的地方，是你的知识盲区或者待发展区域。

没有判断，只是观察。这就是你现在的起点。

5.10 常见错误：为什么你的知识库会慢慢死掉

我见过很多人建了知识库，用了两三个月，然后就不用了。

原因不是"系统不好用"。

是几个可以避免的错误，累积在一起，让系统失去可信度。

我来逐一说清楚。

错误一：摄入太多，查询太少

这是最常见的错误。

知识库越来越大，但你从来不问它问题。

你只是在往银行里存钱，从来不取出来用。

修复方式：

每次摄入完，至少问系统一个问题。

不需要是大问题。

"你刚才处理的文章，和我之前积累的关于 X 的内容有什么关联？"

让系统开始工作。

错误二：CLAUDE.md 写了就不改

你在 Module 3 写了第一版 CLAUDE.md。

用了两周之后，发现很多生成结果不够好。

但你没有更新 CLAUDE.md，你只是接受了"AI 就是这样"。

修复方式：

每次你对系统的输出不满意，问自己：CLAUDE.md 缺少哪条规则？

然后加上去。

你的知识库的质量，是你的 CLAUDE.md 版本号的函数。

错误三：让 AI 写的内容污染了 raw/

有时候你会想："让 AI 帮我总结这本书，然后把总结放进 raw/ 让系统处理。"

不对。

raw/ 是事实来源，只放外部世界的原始信息。

AI 生成的内容，是基于你知识库的二次产物，不能作为"新的输入"重新喂进去。

那会形成一个自我强化的回路——AI 生成的内容，被系统当成事实来源，然后用来生成更多内容。

质量会迅速下降。

修复方式：

raw/ 只放来自外部的内容：

• 你读的书
• 你剪藏的文章
• 你的会议记录
• 别人写给你的东西

AI 生成的内容，放进 projects/ 或者 inbox/ 等待你验证，不放 raw/。

错误四：忽略矛盾标注

系统在一个页面上标注了 [!contradiction]，你看到了，但没有处理。

一周后你又看到了，还是没有处理。

两个月后，那个页面上有三个未解决的矛盾。

你开始不信任这个页面，然后开始不信任整个 wiki/。

修复方式：

把 [!contradiction] 当成一个"紧急任务"对待。

每次运行 /lint-wiki，把红色的矛盾问题列出来，当天或者第二天处理完。

矛盾不是问题，放着不处理的矛盾才是问题。

错误五：期待"建好就有价值"

你花了一周建了一个还不错的知识库，然后等着它给你带来价值。

等了两周，感觉"好像也没什么用啊"。

于是放弃了。

错误在于期待的时间框架。

知识库的价值，是随着使用时间指数级而不是线性增长的。

前两周，你能感受到的价值是很小的。

三个月之后，你开始依赖它。

六个月之后，你意识到没有它你的工作质量会大幅下降。

一年之后，它是你最重要的工作工具之一。

修复方式：

把"这个月知识库给我带来了多少价值"换成"今天我有没有往里面存入任何东西"。

前三个月，只问输入，不问回报。

模块作业

作业一：完成七天知识摄入挑战（必做）

严格按照 5.9 节的规则，连续七天执行。

每天花 10-15 分钟。不多，但必须连续。

七天结束，截图 Graph View，统计数据，找出那个最令你意外的新连接，写 100 字描述它。

作业二：运行第一次 /lint-wiki + 处理报告（必做）

七天挑战结束后，运行 /lint-wiki。

把红色问题全部处理完。

把处理过程和结果写进你的 inbox/——"发现了什么问题，怎么处理的，为什么这么处理"。

作业三：wiki/hot.md 观察实验（选做但推荐）

连续七天，每天结束前打开 wiki/hot.md 读一遍。

观察：

• 这个文件每天变化了什么？
• 它对你"最近在关注什么"的描述，准确吗？
• 有没有你自己都没意识到的关注点，被它发现了？

用一段话写下你的观察，放进 inbox/。

本讲总结

text

这一讲你做了什么：
□  理解了 claude-obsidian 和普通 AI 工具的本质区别
□  配置了三条知识摄入路径
□  理解了摄入时 AI 在做什么
□  学会了读 wiki/log.md 和 wiki/hot.md
□  打开了 Graph View，看见了知识库的形状
□  运行了 /lint-wiki，做了第一次健康检查
□  开始了（或完成了）七天摄入挑战
这一讲你应该建立的认知：
知识管理最大的敌人，不是缺少工具，
是"整理"这件事本身的认知成本。
claude-obsidian 解决的，
不是"如何整理得更好"，
而是"如何让整理这件事不需要你来做"。
你的工作是决定读什么、喂什么。
AI 的工作是把它连接成一个越来越有价值的整体。
知识的复合增长，不是比喻。
是当你第一次看到 AI 把今天的文章
和三周前的一个概念连接起来——
那个你自己没有想到的连接——
你会感觉到的一种真实的惊喜。
那个惊喜，值得等待七天。

下一讲，我们讲 Claudian——不离开 Obsidian 完成一切。

你刚刚建立的知识库，在下一讲会被直接带进你的写作和思考现场。

你会第一次体验到：写一段笔记，旁边的 AI 可以直接从你的知识库里拉出相关内容来扩展它。

那个"不需要切换工具"的感觉，也许比你想象的更重要。

Module 5 完 预计阅读时间：40-45 分钟 动手时间（七天挑战 + 第一次 lint）：7 天 × 15 分钟/天 认知破点：知识管理的敌人不是缺少工具，是整理本身的认知成本；复合增长不是比喻，是一个你第一次体验到时会感到真实惊喜的时刻