基于Obsidian与本地AI模型的个性化知识库构建与应用🧣
摘要
本地知识库代表了当前最值得尝试的AI工具之一，其核心优势在于能够基于用户所有的本地文件资料，结合提示词向AI大模型提供上下文信息，从而获得更精准和个性化的反馈。这种体验显著优于直接在互联网上与通用大模型对话。本文详细介绍了一种利用强大的开源本地Markdown笔记工具Obsidian，接入本地部署的Dipsea聊天模型和BGM3嵌入模型，构建完全免费、无需联网且保障敏感数据安全的本地知识库（RAG）的实施方案。通过结构化步骤部署Ollama并配置插件，实现了针对笔记内容的精准问答、私人写作辅助以及日常工作流（如周报、日报撰写）的自动化融合。实验结果表明，该方案能大幅提升资料检索和内容创作的效率，实现了“丝滑”的工作体验。
关键词： 本地知识库，Obsidian，RAG，Dipsea，Ollama，写作辅助。
1. 引言
在日益增长的数字化办公和创作需求中，对AI工具的依赖性持续增强。然而，传统的AI大模型通常依赖于通用知识，难以对用户的私人或专业文档进行深度整合与分析。本地知识库的建立，正是为了解决这一痛点，它能够高效管理如合同文件、法律文书、参考资料等海量文档，并实现精准搜索。我们选择Obsidian作为构建本地知识库的基石，因为它作为最强大的开源本地MD笔记工具，拥有强大的插件生态，几乎可以满足用户所有的笔记需求。本研究采用Obsidian接入本地大模型，目标是搭建一个完全免费、不依赖网络、且无数据泄露风险的本地AI系统。
2. 方法与实施：本地AI知识库的结构化部署
本地知识库的搭建主要分为两步：部署Dipsck模型和配置向量化嵌入模型BGM3，并在Obsidian中完成集成。
2.1 工具选择与准备
| 序号 | 步骤 | 提示词/关键操作 | 目的/说明 | 来源 |
|---|---|---|---|---|
| I | 安装Obsidian | 官网下载安装 | 核心笔记和知识管理工具，具备强大的插件生态。 | |
| II | 安装Ollama | 在摩大社区下载客户端 | 模型管理工具，集成了IPlm加速库，方便在Intel芯片上运行大模型。解压后运行startolama.bed即可免安装启动。 |
2.2 本地模型的部署与执行
模型部署是实现本地问答功能的核心环节。此方案需部署一个聊天模型（负责生成回答）和一个嵌入模型（负责向量化知识）。
| 序号 | 步骤 | 提示词/关键操作 | 目的/说明 | 来源 |
|---|---|---|---|---|
| III | 部署Dipsea（聊天模型） | 在终端（刚解压文件的目录）输入：olama run deepseek-coder:14B | 选择14B版本的Dipsea模型。运行进度条完成后，显示success即下载完成。该模型速度已达到每秒9个token，能满足多线离线问答需求。 | |
| IV | 部署BGM3（嵌入模型） | 在命令窗口输入：BGM3 | BGM3模型负责将笔记内容转化为知识点，即向量化，使Obsidian拥有**RAG（检索增强生成）**能力。RAG机制的核心是将参考资料全部提供给大模型进行“开卷考试”。 | , |
2.3 配置与集成（Obsidian Copilot插件）
完成模型部署后，需在Obsidian的Copilot插件中进行配置。
| 序号 | 步骤 | 关键配置操作 | 目的/说明 | 来源 |
|---|---|---|---|---|
| V | 配置聊天模型 | 打开Copilot设置→Models选项卡→添加常规模型。模型名称/提供商填入Dipsck，点击verify成功后添加。 | 使Obsidian能够调用本地部署的Dipsea模型。 | |
| VI | 配置嵌入模型 | 打开Embedding Models嵌入模型卡。模型名称填入BGM3。 | 使笔记内容能够被向量化，用于RAG检索。 | |
| VII | 设置默认模型 | 返回Copilot Basic设置页面，将默认问答模型与嵌入模型修改为刚部署的本地模型。 | 完成配置，即可在Copilot对话页面使用本地知识库进行问答。 |
3. 应用与效益分析
该本地知识库方案的应用极大地优化了传统办公和创作的工作流，提供了定制化的辅助能力。
3.1 个性化写作辅助
本地知识库能够深入分析用户所有的笔记内容（例如视频脚本），学习用户的写作习惯、逻辑思路和视频风格，并生成私人定制的改进建议。
例如，AI可以建议创作者平衡工具推荐和概念讲解，并强调工具背后的核心问题或通用方法论。同时，它还能识别出用户自己未察觉的隐藏优势，如视频内容结构化能力强、层次分明等。拥有这个本地AI，就像拥有了一位随时提供量身定制改进方向的私人教练。
3.2 文档与信息管理
在信息收集阶段，Obsidian的网页插件能大幅提升效率。用户看到有用的网页时，只需点击插件按钮，即可高亮重点内容，并将页面的文字、图片、链接等按照原有排版顺序爬取到个人知识库中。
高效信息收集的特征：
- 自动翻译： 如果是英文网页，保存时可自动翻译成中文。
- 元数据记录： 自动记录网址、作者、时间、描述等关键信息。
- 标签化整理： 自动为笔记贴上标签，方便后续整理和检索。
信息收集完毕后，可以使用Copilot预设的终结指令（如简化、语法修复、翻译）或自定义指令，快速生成内容总结。此外，可以针对整个文件集（如30多个博客）进行提问，让AI提取关键洞察和亮点内容，将零散知识系统性地串联起来，激发写作灵感。
3.3 工作流自动化与无缝融合
与通用AI写作工具不同，Obsidian的插件能理解整个知识库的内容，并将AI能力无缝融入写作流程。
- Smart Composer插件： 能够理解整个知识库的内容，即使没有明确标记文件，它也能自动从知识库中查找相关索引并进行回答。它可以帮助解释名词、检查逻辑，提供精准智能的辅助，体验比网页端更顺滑。
- 周报/日报自动化： 结合Template插件和AI4 Template插件，可以创建统一格式的汇报模板。AI4 Template能够基于大模型，从用户快速记录的关键信息笔记中提取数据，自动填充模板，帮助用户写出完整的、格式统一的周报或日报。然后，可以通过Copilot插件对这些日报进行总结，生成周报或月报，进一步实现办公自动化。
4. 经验总结与展望
4.1 经验总结分享：本地知识库的价值与核心
本地知识库的价值核心在于“数据私有”与“深度定制” 。通过Obsidian构建的这套方案，将AI能力无缝融入日常写作和文档管理，真正实现了“用了就回不去”的丝滑工作流。尤其对于大量依靠私人文档进行创作或管理工作（如视频脚本、报告）的人来说，这种基于自己数据的**“开卷考试”模式（RAG）**提供的答案的精确度和参考价值是通用AI难以比拟的。它能够随时随地，甚至在不联网的情况下，调用定制化的AI能力，极大地提升了效率和数据的安全性。
4.2 踩坑避坑指南：性能与模型选择
【避坑点一：模型运行速度的平衡】 虽然Dipsea 14B模型（9 token/秒）的速度已能满足多数离线问答和写作辅助需求，但如果对实时响应速度有极高要求，建议考虑参数量更小的7B版本，其运行速度会更快。用户需要根据自身的硬件条件和对速度的要求来权衡模型的选择。
【避坑点二：初始配置的耐心】 初始部署Ollama、下载模型，以及在Obsidian Copilot插件中配置模型（包括聊天模型Dipsea和嵌入模型BGM3）时，务必确保模型名称和提供商填写正确，并等待verify（验证）成功。这是实现知识库问答功能的关键步骤。
4.3 展望
随着用户在Obsidian中笔记内容的不断积累和增加，这个本地知识库将持续学习用户的私人信息和知识体系，从而变得越来越“懂你”，越来越好用。它将不再是一个简单的工具，而是一个真正个性化的智能编辑助手。
