告别笔记收藏夹，用 Obsidian + Codex 打造一个能自我生长、直接输出的智能知识循环系统。
核心内容：
1. 传统知识库的局限与自生长系统的循环理念
2. 利用AI实现从原始资料到结构化知识的自动化处理流程
3. 将沉淀的方法论转化为可复用的技能并直接生成各类成果

很多人的笔记系统看起来很充实，真正要用时却很难派上用场：文章收藏了一大堆，截图占满相册，写方案时仍然要重新搜索资料，过去整理过的笔记也很难在输出时被想起来。

问题往往不在于不够勤奋，而在于知识库只承担了“存放”的功能，没有形成“处理”和“调用”的机制。它更像一个收藏夹：信息不断进入，却很少被消化、关联和复用。

这套方案的目标，是用 Obsidian + Codex 搭建一个能持续运转的知识系统：信息进入后，由 AI 帮你整理、归类、提炼；方法论被沉淀为可复用的 Skill；最后再从知识库直接生成文章、报告、PPT 或视频脚本。

1. 先搭好思路：知识库不是仓库，而是循环系统

传统知识库通常只有一个动作：保存。网页、论文、截图、会议纪要都被塞进去，时间一长，资料越积越多，检索和复用反而越来越困难。

自生长知识库的关键，不是“存得更多”，而是形成循环：

1. 原始资料进入系统；
2. AI 定期消化和提炼；
3. 有价值的信息沉淀为概念、案例、方法论；
4. 可复用的方法变成 Skill；
5. 输出成果再回流，继续成为新的知识养分。

可以把整个系统拆成 4 个核心文件夹：

┌─────────────────────────────────────────────────┐
│  文件夹 A：原料库（未处理的原始资料）              │
│  网页、论文、截图、视频字幕、会议纪要……           │
└─────────────────┬───────────────────────────────┘
                  ↓ AI 定期消化复盘
┌─────────────────────────────────────────────────┐
│  文件夹 B：概念库（处理后的结构化知识）            │
│  核心观点、数据、案例、方法论……                   │
└─────────────────┬───────────────────────────────┘
                  ↓ 根据任务/场景调用
┌─────────────────────────────────────────────────┐
│  文件夹 C：Skill 库（可复用的方法论模板）          │
│  选题判断标准、写作风格、周报模板、分析框架……      │
└─────────────────┬───────────────────────────────┘
                  ↓ 输出成果
┌─────────────────────────────────────────────────┐
│  文件夹 D：输出库（文章、报告、方案、PPT、视频）   │
│  这些输出会被 AI 定期复盘，重新回流到知识库        │
└─────────────────────────────────────────────────┘

这个结构的重点在于：每一次输出都不是终点。文章、报告、方案、PPT 也会被重新复盘，反过来补充概念库和 Skill 库。系统因此会越用越贴近你的工作方式，而不是越积越乱。

2. 为什么用 Obsidian + Codex 作为组合

这套组合适合做自生长知识库，主要因为它解决了两个关键问题。

2.1 笔记文件能被 AI 直接读取和修改

Obsidian 的底层是本地 Markdown 文件。也就是说，你的笔记不是被锁在某个封闭数据库里，而是以普通文本文件的形式存在本地文件夹中。

Codex 可以直接读取、修改、整理这些 Markdown 文件。这样一来，你不需要每次把资料复制到 AI 对话框里，也不需要手动搬运 AI 生成的内容。

2.2 可以把重复动作交给自动化

Codex 的 Scale 和定时功能，可以让很多整理动作周期性执行。比如每天整理当天资料、每周生成复盘、定期扫描选题库等。

这意味着知识库不再完全依赖手动维护，而是可以按照你设定的规则持续运行。

3. 基础安装与连接流程

下面是最小可用配置，目标是先让 Obsidian 和 Codex 能互相连通。

3.1 安装 Obsidian 并创建 Vault

1. 打开 obsidian.md，下载适合自己系统的版本；
2. 安装后新建一个 Vault；
3. 这个 Vault 对应的本地文件夹，就是后续知识库的根目录。

建议一开始不要把结构设计得过于复杂，先能跑起来，再逐步细化文件夹。

3.2 安装 Codex CLI

Codex CLI 是连接 Obsidian 与 AI 工作流的关键。

获取方式可以直接在 Codex 桌面客户端中询问：

复制得到的密钥，后面会填入 Obsidian 插件配置中。

3.3 连接 Obsidian 与 Codex

在 Obsidian 中进行如下设置：

1. 打开「设置」；
2. 进入「第三方插件」；
3. 关闭安全模式；
4. 在插件市场搜索并安装「Obsidian Codex」插件；
5. 在插件设置中粘贴刚才复制的 Codex CLI 密钥；
6. 回到 Codex 桌面端，打开「项目工作」按钮；
7. 将项目链接到你在 Obsidian 中创建的 Vault 文件夹。

完成后，Codex 对文件的处理结果会同步出现在 Obsidian 中；你在 Obsidian 中新增或调整的资料，也能被 Codex 读取和使用。

4. 第一阶段：把信息稳定收进“原料库”

知识库的第一步不是整理，而是让信息进入同一个入口。所有未处理资料都先进入「文件夹 A：原料库」，后续再由 AI 统一消化。

4.1 方案 A：自动抓取行业资讯

如果你是内容创作者、分析师，或需要长期关注某个领域动态，可以让 AI 帮你搭建资讯抓取流程。

第一步：让 AI 协助部署工具

把 GitHub 上的开源资讯聚合项目链接发给 Codex，让它帮助部署。原文中的这个项目可以从 Twitter、GitHub、Reddit、RSS 等平台抓取内容，并完成去重、打分、分类，最终生成结构化日报。

第二步：按提示配置 API 密钥

部署过程中，AI 会提示你需要哪些密钥，例如 DeepSeek、GitHub 或某些平台的 API Key。

如果不知道去哪里申请，可以继续问 AI：

它会根据所需平台告诉你具体路径。

第三步：明确你的订阅需求

你可以直接告诉 AI 自己的角色和目标，例如：

配置完成后，Obsidian 中会定期出现一份行业日报。它可以帮助你判断：

• 哪些信息值得继续跟进；
• 哪些内容可以发展成选题；
• 每条内容对应的参考来源是什么。

这种方式适合持续追踪行业资讯、政策变化、竞品动态、岗位信息等内容。

4.2 方案 B：日常碎片内容一键导入

如果你平时更多是在手机或网页上看到零散内容，可以用手动收藏的方式进入原料库。

重点是不要让信息分散在截图、收藏夹和稍后阅读里，而是统一进入「原料库」。只要入口统一，后续 AI 才能集中处理。

4.3 方案 C：把飞书文档纳入知识库

如果团队资料主要沉淀在飞书中，可以通过 Codex 将文档导入 Obsidian。

操作路径如下：

1. 让 Codex 安装飞书 CLI 客户端；
2. 把飞书文件夹链接提供给 AI；
3. 由 AI 自动将文档导入知识库；
4. 使用 Pandoc 插件将文件转成 Markdown 格式；
5. 打开 Obsidian，检查飞书文档是否已经同步进来。

此外，Obsidian 的 Importer 插件还支持 Notion、Apple Notes、Evernote 等平台。如果你原来已有其他笔记库，可以用这种方式迁移到新的知识系统中。

5. 第二阶段：让 AI 消化资料，而不是只保存资料

信息进入原料库之后，如果不处理，它仍然只是堆积。第二阶段的目标，是让 Codex 帮你完成清洗、归类、提炼和连接。

5.1 搭建知识叠带结构

你可以直接把“卡牌系的自生长理论”告诉 Codex，并提出请求：

随后让 AI 按照你的实际资料，建立多层结构。一个可参考的目录如下：

? 原料库 (A)
  ├── 网页文章
  ├── 论文
  ├── 截图
  ├── 视频字幕
  └── 会议纪要
? 概念库 (B) ← AI 消化后的精华
  ├── 核心观点
  ├── 数据/案例
  ├── 方法论
  └── 概念卡片
? Skill 库 (C) ← 可复用的工作模板
  ├── 选题判断标准
  ├── 写作风格指南
  ├── 周报模板
  ├── 分析框架
  └── 决策 checklist
? 输出库 (D) ← 最终成果
  ├── 文章
  ├── 报告
  ├── 方案
  ├── PPT
  └── 视频脚本

在整理过程中，可以让 AI 重点检查三类问题：

• 是否有重复内容需要合并；
• 是否有过时内容需要更新；
• 是否有内容值得沉淀为 Skill 或方法论。

这种结构适合不同人群：

• 学生可以用来叠带学习笔记，并辅助复习；
• 职场人可以用来管理项目资料和沉淀业务案例；
• 创作者可以用来积累选题、素材和表达风格。

5.2 设置定时整理任务

如果仍然依赖手动整理，知识库很容易再次荒废。可以把高频重复动作交给 Codex 的自动化功能。

示例一：每日资料整理

可以按这个流程配置：

1. 让 AI 先写出每日整理任务的提示词；
2. 将提示词放入 Codex 自动化功能中；
3. 设置为每天下午 5 点自动执行。

执行后，AI 会整理当天进入原料库的资料，生成复盘文档，并放回 Obsidian。文档中还可以关联相关笔记链接，方便之后追溯。

示例二：每周复盘

如果团队资料来自飞书会议纪要和项目文档，可以让 AI 定期汇总这些内容，生成周报。这样从信息收集到阶段性输出，就形成了一个闭环。

示例三：可视化看板

还可以做一个 HTML 复盘看板的 Skill，用来展示生活数据、项目进展、阅读记录等内容。打开看板后，进度和状态会更直观。

还可以考虑自动化的任务包括：

• 每周材料整理；
• 每月汇总；
• 权力/责任清单更新；
• 选题库定期扫描。

一个简单原则是：凡是重复三次以上的工作，都值得考虑自动化。

6. 第三阶段：把经验沉淀成 Skill

整套系统中，最有长期价值的部分是 Skill。

Skill 可以理解为：把你反复使用的方法论、工作流、判断标准，变成 AI 可以调用的“工作插件”。

当下次出现同类任务时，你不用重新解释背景、口径和标准，只要调用对应 Skill，AI 就能按照既定方式执行。

6.1 案例一：选题价值判断 Skill

做内容时，经常会遇到一个问题：一条信息到底有没有选题价值？应该从哪个角度切入？

过去这类判断更多依赖经验，新人很难快速掌握。现在可以把判断标准交给 Codex，让它生成一个「选题价值判断 Skill」。

当新信息进入知识库时，直接调用这个 Skill，让 AI 输出：

• 选题价值评分；
• 可利用的亮点；
• 潜在机会；
• 可能风险。

这样，原本需要资深编辑判断的内容，可以被流程化地生成判断报告，并自动归档到知识库中。

6.2 案例二：文风 Skill

如果你长期写作，通常会形成固定表达习惯，例如：

• 更偏好短句还是长句；
• 常用什么文章结构；
• 习惯使用哪些过渡词；
• 更喜欢什么类型的案例。

做法是把你过去写过的内容，以及围绕写作风格讨论出的规则，一起放入知识库，让 AI 总结并沉淀为「文风 Skill」。

之后让 AI 协助写稿时，就可以调用这个 Skill，让输出更贴近你的表达方式。

6.3 更多可沉淀的 Skill

只要某个工作方法会反复出现，就可以考虑把它沉淀成 Skill。它本质上是在把你的经验变成一套可调用、可复用、可持续更新的工作插件。

7. 第四阶段：从知识库直接生成成果

知识库最终要服务于输出。资料整理得再好，如果不能帮助你更快完成文章、报告、方案、PPT 或视频，就还没有真正形成生产力。

7.1 输出文章

可以先调用整理好的 Skill，再让 AI 结合 Obsidian 中的素材生成文章草稿。你可以提供大纲，也可以让 AI 基于资料先给出结构。

如果生成内容的“AI 味”过重，还可以单独做一个「去 AI 味 Skill」，用于调整口吻、节奏和用词，让表达更接近真人写作。

7.2 生成配图方案

如果公众号文章或长文需要配图，可以做一个「配图 Skill」。它可以帮助判断文章中哪些位置需要配图、适合生成什么风格的图，并将图片插入到对应位置。

这样能让整篇内容的视觉风格更统一，图片也会保存到本地附件中，方便后续复用。

7.3 转成 PPT

在 Codex 中调用 Presentations 插件，可以把文章或报告转换为 PPT。

适合的场景包括：

• 每周工作复盘；
• 项目方案汇报；
• 课程讲义制作。

当资料、结构和输出都在同一个知识库里时，从长文到演示文稿的转换会更顺畅。

7.4 制作视频

还可以调用 Hyperframes 插件，让 AI 将文章转换为视频。原文中提到的效果是：风格简洁大气，动画效果高级，重点突出，适合快速消费。

8. 这套系统真正解决的问题

单次使用 AI，像是临时找外包：你需要反复交代背景、补充资料、说明口径，下一次任务又要重新开始。

而把资料、方法论、输出成果都沉淀在 Obsidian 中后，AI 可以直接读取过去的积累，并把新的产出继续放回系统里。

这时，你不是在单纯让 AI 写一篇稿子，而是在逐步培养一个越来越理解你资料、标准和工作习惯的助手。

9. 起步建议：先做一个最小闭环

不要一开始就追求完美结构。更推荐用 4 周做一个小型验证：

1. 第 1 周：安装 Obsidian + Codex，每天把 3 条有用信息放进原料库；
2. 第 2 周：让 AI 整理一次资料，观察分类和提炼效果；
3. 第 3 周：沉淀第一个 Skill，例如「周报模板」；
4. 第 4 周：调用 Skill 完成一次自动输出。

只要这个系统帮你减少了一次从零开始找资料、搭框架、写初稿的时间，就说明它已经开始产生价值。后续再逐步扩展自动化、Skill 和输出形态即可。