骑士
1
先说问题：你的笔记，是不是也在"吃灰"？
我用了三年 Obsidian，攒了3000多篇笔记。但我发现一个问题：
笔记越来越多，但笔记之间是死的。
我有128本电子书的读书笔记，但它们各自躺在自己的文件夹里，互不认识。我明明读过《思考快与慢》和《影响力》，但从来不会用两个框架同时分析一个问题——除非我刻意去翻。
说白了，我的 Obsidian 是个仓库，不是个引擎。
我做了什么
我花了半年，做了一套东西，叫"认知透镜知识引擎"。
核心逻辑很简单——
把你的笔记做自动做化学反应。包括书籍 只要是知识库里的东西都能反应 产生新的火花
什么意思？举个例子：
你有一篇笔记写的是"我和领导吵架了怎么办"。系统会自动拉出《太白金星有点烦》（权力博弈）、《社会心理学》（基本归因错误）、《非暴力沟通》（共情框架）三个框架，从不同角度交叉分析你的问题，然后告诉你——你高估了领导的恶意，低估了情境因素，你的第一步行动应该是"会后约一个15分钟的一对一，开场问’我想确认我理解对了您的顾虑’"。
不是给鸡汤，是给具体行动。
它和现有插件有什么不同
Obsidian 社区有很多好插件。Dataview 能帮你查询、能帮你统计，但它们本质上都是"帮你找东西"。认知透镜做的是"让东西之间产生化学反应"。 其他插件能查找笔记 我现在做的能 自动发现笔记间隐藏关联 用多个框架交叉分析一个问题 上传你自己的电子书， 自动拆解消化 自动发生化学反应 给出具体行动建议 + 反馈追踪
目前插件还没做完，还在开发中…
但我这里的核心数据资产已经跑通了：
经典思维框架（从《道德经》到《穷查理宝典》，从《金刚经》到《思考快与慢》）
每个框架标注了5个维度坐标
自定义电子书上传后自动拆解、反应
我计划
免费版：基础引擎 + 10个框架，够日常用了
完整版（买断制299元）：全部78个框架 + 无限自定义电子书上传
我最想知道的
在花几个月把插件上线之前，我想先问问大家：
你会用这个功能吗？ 说实话就行，不用的也请告诉我为啥
你愿意为付299元买断吗？ 还是觉得应该有别的定价方式？
你最想用这个引擎碰撞什么？ 读书笔记？工作复盘？还是别的？或者在这个AI时代快人一步？
你遇到的最大障碍是什么？ 是不知道用什么框架？还是框架太多选不过来？还是别的？
这个帖子不是广告，是意向征集。如果大家觉得没用，我就不浪费时间开发了，回去继续干我的活。如果觉得有用，我这就开始写代码。
有什么说什么，谢谢各位。
我觉得你的想法是很有价值的，因为很多人（包括我）在使用 Obsidian 的时候都会无意识地囤积太多知识。但是囤积知识不等于掌握知识，所以我做了一个知识训练用的插件 Vault Coach。
我对你的想法很感兴趣，尤其是下面的功能：
我不清楚你用了什么技术实现这个功能，但是感觉有点知识图谱和推荐系统的意思了。或许可以交流一下想法。我挺想试试你的项目，不过定价有点高。
綾乃電気
3
3D Semantic Graph - Obsidian Plugin + ollama 随意开源模型 embedding 秒了，如果要重复造轮子并收费请想好自己的创新点
我看了一下semantic graph这个插件，作者只用了词嵌入+相似度匹配+PCA/umap，没做关系抽取和知识图谱，所以准确度上限不会太高。
但是关系抽取太复杂了，插件生态下实现起来有难度。
綾乃電気
6
我觉得楼主的想法非常奇怪，插件可以自动拆结合反应，所谓发现隐藏关联。发现文献之间的关联本身算是创作文献综述的过程。
而且他前面提到的痛点明明是——楼主有笔记，而且“读过”。
后来要解决的时候反而跳过了读的部分，变成「直接导入自动分析」。
很多用LLM处理文献综述的人也几乎只读了一个摘要，和楼主的场景几乎一致。而且Obsidian的数据量肯定不如Google Scholar Lab。
利用大语言模型（LLM）进行关系抽取构建知识图谱，核心是通过提示词工程（Prompt Engineering）将非结构化文本转化为结构化的三元组（Subject-Predicate-Object）并存入图数据库。主流实现包含三个阶段：文本切分、关系抽取与实体标准化。
綾乃電気
8
比如呢？有例子吗？什么样的Obsidian用户可能会需要这个功能？因为如果只是识别某种“关系”，并且以关系的类型作为Predicate去构建实体-关系-实体这样的图谱，信息密度应该会非常低。另外，如何控制LLM对于关系的理解呢？它本身就是不稳定的。
所以在插件生态下做图谱是很困难的，我也没见过类似的插件。
关于需求，原博主的描述太笼统了，我也不好判断潜在用户群体。但是图谱的信息密度未必会降低，比如把一本小说的人物关系以图谱的形式抽取出来，那么在后续的人物关系分析人物中，图谱的信息密度会比文本更高。也就是图谱如何构建取决于需求。
关于 LLM 对于关系的理解，你说的很对，本来就是不可靠的，不同的模型给出的结果差异会很大，越聪明的模型效果就越好。