[插件发布] 我做了一个本地优先的 Obsidian AI 插件：在知识库里直接问答、定位文档和复盘学习

经验分享
, ,
1

我做了一个本地优先的 Obsidian AI 插件：Vault Coach，欢迎大家试用和提建议

大家好，我最近开发并发布了一个 Obsidian 插件，叫 Vault Coach。

GitHub 地址：

这个插件的目标是：把你的 Obsidian 笔记库变成一个本地优先的 AI 知识助手 / 学习教练。

为什么要做这个插件

很多 Obsidian 用户已经积累了大量 Markdown 笔记，包括课程笔记、论文笔记、项目文档、读书笔记、技术知识库、日常思考等等。

但是当我们使用通用 AI 工具时，仍然会遇到一些问题。

如果使用网页版对话式 AI，最大的问题是：AI 并不知道我们的本地笔记内容。我们经常需要手动复制上下文，反复解释背景，而且回答不一定能追溯到具体笔记来源。对于注重隐私的用户来说，把大量私人笔记直接上传到云端也并不一定能接受。

现在很多极客用户已经不只使用网页版聊天 AI，而是开始使用 Claude Code、Codex 或其他 AI Agent。这类工具非常强大，尤其适合代码修改、项目任务执行、文件批量处理和自动化工作流。但在我看来，它们并不能完全替代 Obsidian 内部的知识复盘体验。

当我复习自己的笔记时，我并不总是想打开一个外部 Agent，让它去理解我的 vault 结构，再让它帮我搜索文件。我更希望直接留在 Obsidian 里，围绕自己的知识库提问，快速定位具体文档，查看原始笔记片段，然后继续阅读、复盘和整理。

这就是我做 Vault Coach 的原因。

Vault Coach 能做什么

目前 Vault Coach 已经支持：

  • 本地优先：默认支持 Ollama，本地运行大模型

  • 基于 Obsidian 笔记库问答：让 AI 根据你的 Markdown 文件回答问题

  • 引用来源：回答会尽量给出相关笔记片段和来源，方便用户核查

  • 混合检索：结合关键词检索和向量检索

  • 增量索引：笔记变化后可以同步更新索引

  • 流式输出：回答可以逐步显示，而不是一次性卡住

  • 低成本记忆能力：不需要搭建复杂 Agent 系统，也可以保留一定的上下文和交互记忆

  • 可选云端模型：如果用户愿意，也可以配置 OpenAI-compatible API

  • 中英文界面：目前支持英文和中文界面

它主要解决什么痛点

Vault Coach 主要面向这类用户：

  • Obsidian 笔记很多，但经常找不到以前写过的内容

  • 想用 AI 问答自己的笔记，但不想默认上传整个 vault

  • 希望 AI 的回答能追溯到具体 Markdown 文件

  • 希望在 Obsidian 内部完成沉浸式知识复盘，而不是频繁切换工具

  • 希望通过问答快速定位相关文档和原始笔记

  • 用 Obsidian 学习课程、整理论文、维护项目文档或写技术文章

  • 希望低成本获得一定的记忆能力，而不是自己搭建完整 Agent 框架

  • 关注隐私，希望优先使用本地 AI 工作流

举个例子，普通 AI 聊天工具只能回答：

“什么是 tRPC？”

但如果你的笔记里记录了自己对 tRPC、Next.js、项目 API 层的理解，你可以问 Vault Coach：

“根据我的笔记，我之前是如何理解 tRPC 在 Next.js 项目中的作用的？”

这样得到的回答就不只是泛泛而谈，而是尽量基于你自己的笔记内容进行总结，并附带来源，方便你继续回到原文查看。

相比通用 AI Agent，它的价值在哪里

Vault Coach 不是为了取代 Claude Code、Codex 或其他 Agent 工具。它更关注的是另一个场景：在 Obsidian 知识库内部进行学习、复盘、检索和知识整理。

相比通用 AI Agent，Vault Coach 更强调：

  • 不需要离开 Obsidian

  • 不需要每次解释 vault 背景

  • 可以直接围绕 Markdown 笔记问答

  • 可以通过问答快速定位具体文档

  • 回答尽量附带来源，方便回到原文核查

  • 以较低成本实现一定的记忆能力

  • 更适合长期知识复盘，而不是一次性任务执行

换句话说，Vault Coach 不只是一个 AI 聊天窗口，而是围绕 Obsidian 知识库构建的检索、问答和复盘层。

目前还在持续改进

这个插件目前已经可以使用，但仍然处于持续迭代阶段。

我会长期维护这个项目。后续我正在开发 考试模式，希望让 Vault Coach 不仅能回答问题，还能帮助用户进行主动回忆、自测和结构化复习。

这是我第一个公开发布的 Obsidian 插件，所以我尤其希望获得真实反馈，而不只是单纯推广。

我非常欢迎大家反馈这些问题：

  • 第一次安装和配置是否顺利

  • Ollama 配置是否清楚

  • 首次索引是否容易理解

  • 回答是否真的引用到了有用的笔记

  • 检索结果是否准确

  • 记忆能力是否符合预期

  • 大型 vault 下是否存在性能问题

  • UI / UX 是否有不顺手的地方

  • 哪些设置项让人困惑

  • 是否遇到 bug 或边界情况

  • 你希望后续考试模式支持什么功能

适合哪些使用场景

我认为 Vault Coach 比较适合：

  • 学生复习课程笔记

  • 研究生整理论文和研究笔记

  • 程序员查询项目文档和技术知识库

  • 自媒体作者从历史笔记中查找素材

  • Obsidian 重度用户整理长期积累的个人知识库

  • 关注隐私、希望优先使用本地 AI 的用户

  • 希望把 Obsidian 笔记库变成长期学习系统的用户

如果你也在使用 Obsidian，欢迎试用 Vault Coach。无论是 bug、建议、使用体验，还是你觉得不好用的地方，都欢迎在 GitHub issue 或评论区告诉我。

GitHub 地址：

非常感谢大家的测试和建议！

2

好棒 这个插件相比直接使用Claude code或者Codex 配合Skill进行提问有哪些优势呢？

1 个赞
3

很棒的问题 :smiley: ，我在做这个插件的时候也思考过。我认为这个问题的答案可以归纳为用户需求场景和工具使用门槛两个方面回答。

我做的这个插件的优势体现在以下几点：

1 工具使用门槛

1) Claude Code 和 Codex 存在使用门槛

在咱们国内的互联网环境，这两个 coding agent 的注册和订阅会阻拦大多数没有技术背景的用户。而使用 Obsidian 做知识管理的用户可能不想也不需要办理国外银行卡和手机号，从而注册 AI 工具。他们的需求场景决定了 这两个重量级工具是性能过剩的。

2) token 费用高

CC 和 codex 的原生模型能力强，费用高，我更倾向于用这些性能更强的工具完成复杂任务，而不是知识管理。我测试过，这个插件用本地 ollama 部署的4B 左右的小模型是够用的。因此我为用户提供了本地 LLM 和 API 调用两种方式。另外，通过 RAG 把现有知识库按照特定逻辑切分，然后每次只把和用户提问相关性最高的 top k 个文本块发给 LLM，可以省 token 并避免 LLM 的幻觉。

我也尝试过 CC 接入 deepseek v4，token 的确便宜，但是用户体验并不好，具体看下一点。

3) 一站式的知识管理方案

Vault Coach 可以让用户在 Obsidian 页面上直接实现知识点的查找，不需要切换到其他的命令行工具再去做检索。我的插件可以为用户提供一站式的知识检索以及理论/项目经历的学习，从而充分利用 Obsidian 的 UI。

另外，这个插件的前端风格和 Obsidian 一致，不仅支持 md 语法渲染，还会在回答的最后附上该回答的来源，用户可以点击该来源链接实现跳转，链接中的文档会直接被展示在主页面上。

4）Vault Coach也可以使用skills

作为一个专门帮用户辅助学习和知识管理的插件，未来也可以支持 skills （内置或用户自定义）以实现提示词工程做不到的功能。

2 Vault Coach面对的特定需求场景

1）构建知识库的目的是掌握知识，而不是存储知识

如果我们构建一个百科全书式的知识库，目的只是存储而非学习和复习，那么我们只需要像查字典那样去做关键字检索就能又准又快地找到我们想要的知识，不需要 LLM 的接入。

我在整理和复习某些知识库的时候，有时候会发现，我记得某个知识点的内容，但是这个知识点关联的代码、公式还有例子我记不清了，那么这时候我就可以用这个插件快速找到所有文件包含该知识点的文件。我甚至还可以直接在 Obsidian 中修改这些文件，这是外部的 agent 工具不具备的能力。

当然我们也可以让 CC 和 codex 修改，但是这两个工具喜欢长篇大论，把我的知识库写的又臭又长。比起让 agent 接管，我更愿意自己整理知识体系，因为我的目的是掌握知识。

2）Codex 和 Claude Code 可以与插件协作

Codex 和 CC 适合用来统一知识库的格式（引用、章节标题等），越整洁的格式越有助于 Vault Coach 的精确检索。

3）Vault Coach 支持考试模式

我写代码实现的考试模式能解决知识记不牢的问题。我们在学习的时候，如果只是一味地阅读整理后的笔记，那么学习效果可能不够好。根据费曼学习法，要想快速掌握某项知识，最好的办法是能给别人讲明白。在插件的考试模式，用户可以自定义考试涉及的目录范围以及题目数量。插件会自动生成考试题目，用户提交答案后，插件会给出一份评估报告，并允许用户保存到任意目录下。评估报告中也包含每道题目涉及的知识点所在的文档。

另外，插件已经支持的长期记忆功能还会根据用户对知识的掌握情况，定期为用户推送复习计划/相关知识点，从而实现差缺补漏。这些都是 CC codex 不能满足的。（该功能还在开发中）

4）与其他开源项目的联动

掌握知识并不是最终的目的，最终目的是应用知识，比如找工作/准备面试。我在换工作的时候看到 linkedin 内置了岗位匹配度分析功能，但是我感觉不好用，根本原因是，我们的简历/求职软件上写的能力不等于我们的真实能力，所以我自己用 typescript 做了一个开源的求职准备工具 AI Career Agent，已经完成了简历管理和岗位管理功能，agent 功能目前还在开发中，感兴趣的读者可以看一下我的 github 仓库（求个星 :glowing_star: ）

在AI Career Agent 中，agent 可以通过简历和真实知识背景双通道的匹配度获得每个岗位更精准的匹配分析，从而帮用户做好求职规划。

4

这是 Vault Coach 项目现阶段的 issues 页面，其主体功能已经开发完成，但是每个功能都需要更进一步的优化。欢迎各位试用我的插件，如果有宝贵意见或者新的需求场景，欢迎大家在论坛或者 github issues 交流，我将会长期维护这个项目。

也欢迎大佬们提 PR，不胜感激！

image
image1370×928 111 KB

5

感觉没什么优势，鸡肋

6

也不是完全没优势，至少能省点token

7

我感觉挺有优势的，也并不鸡肋

8

关于这点，我已经说过我这个项目的优势了：