企业官网建设流程全解析

看到这个标题别急着笑。用 AI 学会所有东西，这句话确实有点大，但如果你把它换成“让 AI 帮我整理、拆解、复盘我需要学的东西”，它就是一个完全能落地的目标。我最近一直在用 Obsidian 加 Claude Code 搭个人知识库，真实体验是：工具组合本身不神秘，真正值钱的是背后那套“把不知道变成知道”的流程。这篇文章会把我自己踩过的坑、验证过的方法、可以直接抄的配置都整理出来，适合正在做知识管理、准备用 AI 辅助学习的人参考。

1. 别急着喊“学会所有东西”，先把目标拆成三条线

1.1 “学会”的第一步永远是“先找个地方放问题”

很多人的学习失败不是智商问题，而是流程问题：看到好文章随手收藏，刷到好工具先码后看，报个课进收藏夹吃灰，几个月下来收藏几百条，能记住的不超过十条。我早几年也这样，后来想明白一个事——所谓“学会”，本质是把外部信息转化成自己能随时调用的结构化记忆。这不能只靠大脑，必须靠外部系统。

Obsidian 对我的意义就是这个“外部系统”。它不是又一个云笔记，它的底层就是本地文件夹加 Markdown 文件。每一条笔记都是纯文本，纯文本意味着三件事：第一，不会因为某个软件停止服务而消失；第二，可以被任意工具读取、批量处理；第三，可以被 AI 完整分析。这三点是后面所有玩法的基础。如果你还没建库，第一步不是去研究插件，而是先在本地新建一个文件夹，用 Obsidian 打开它，把它变成一个“知识仓库”，仅此而已。

1.2 Claude Code 不是“又一个大模型聊天框”

很多人把 Claude Code 理解成“在终端里跟 AI 聊天”，这是误区。它的典型使用场景不是问答，而是把一个复杂的多步骤任务交给它，让它去读文件、改代码、跑命令、整理输出，最终给你可复现的结果。说白了，它是一个能“动手干活”的 AI Agent，不是只有“动嘴回答”的对话框。

放在知识库场景里，它能做的事情很具体：批量读取某个文件夹里几十篇笔记，总结它们之间的关联并生成索引；把一段零散的录音转写稿改写成结构化笔记；按我定义的模板，把网页内容转成带双链的 Markdown 文件。这些事情如果用聊天窗口来做，你得一遍遍复制粘贴，而 Claude Code 可以直接访问本地文件系统，一次性处理完。这就是我为什么在 Obsidian 之外又引入它的核心原因：Obsidian 负责“存”，Claude Code 负责“加工”。

1.3 我给“学会”定的三条检验线

在我的个人知识库里，一个知识点只有同时满足三条线，我才会把它标记为“已学会”。第一条是可解释：不看原文，能否用自己的话讲清楚；第二条是可调用：遇到实际问题时，能否主动想到用这个知识点；第三条是可迁移：它能不能解释另一个领域的现象。这三条线不是空话，它们会被我写进知识库模板里，AI 生成笔记时也会按这个标准去组织内容。

有了检验线，知识库就不是“收藏夹搬家”，而是变成了一个可以持续反馈的学习系统。你不需要学完所有东西，你只需要把当前想学的每个东西都走完这个闭环。

2. Obsidian 和 Claude Code 的最小可用配置，20 分钟搞定

2.1 Obsidian 端：只做三件事，别急着美化

我第一次用 Obsidian 时，花了一个周末挑主题、配插件、搞图标，最后真正写笔记的时间不到半小时。后来我极度简化流程，新机器上只做三件事：下载安装、打开一个本地文件夹作为库、创建三个常用目录。目录我建议这样建：00 Inbox放所有临时收集的内容，10 Projects放当前正在学的具体项目，50 Knowledge放已经整理过的长期知识卡片。数字前缀是为了排序，不是玄学。

如果你只是自己用，完全不需要一开始就配云端同步。Obsidian 的全部数据都在本地，先用 U 盘、移动硬盘或者你自己信任的同步方式备份即可。我见过太多人卡在“先搭好完美的同步方案”这一步，结果半个月还没开始记笔记。正确的顺序是：先写满 50 篇，再考虑同步。

2.2 Claude Code 端：装好环境、配好 Key、跑通第一条命令

Claude Code 本质上是一个命令行工具，它对机器的要求并不高，只要是能正常跑 Node.js 的环境就行。安装之前建议先确认 Node 版本，然后使用 npm 全局安装官方包，或者使用官方提供的自动安装脚本。安装完成后，在终端里运行 claude 命令，再配置好模型 API Key 的环境变量，就可以进入交互界面了。

第一次跑通时不要急着让它写大项目，先让它做一件小事：创建一个测试文档，写入一行文字，再读取出来。这一步能验证工具链是否完整，也能让你熟悉它的基本交互方式。很多新手在这一步就卡住，原因多半是环境变量没生效，或者版本太老。排查方法很简单，在终端里打印环境变量确认，升级到长期支持版的 Node，再重新安装一次依赖，大部分问题都能解决。

2.3 Obsidian 与 Claude Code 的三种协作姿势

第一种是“手动投喂”：把 Obsidian 里的一篇笔记复制出来，在 Claude Code 里让它改写、扩写、提取关键词，再把结果粘回 Obsidian。这种方式门槛最低，适合从来没写过脚本的人，但效率也最低。第二种是“文件直读”：用命令让 Claude Code 直接读取 Obsidian 库里的某个 Markdown 文件，修改后再写回原路径。这样能保留原本的双链格式，比较接近我平时的主力用法。

第三种是目前我觉得最理想的方式：把 Obsidian 的库目录当成一个普通项目目录，用 Claude Code 的 worktree 或文件操作能力，一次性处理整个库文件。比如让它分析50 Knowledge下所有笔记的主题分布，生成一张 MOC（内容地图）索引笔记，再写回库中。整个过程不需要把 Observable 切来切去，完全在命令行完成。三种方式适合不同阶段，建议从第一种开始，慢慢过渡到第三种。

3. 真正能跑起来的建库流程：从闪念到知识卡片

3.1 第一步：所有输入先进 Inbox，不许直接进“正式区”

很多人的知识库乱，就是因为把整理和收集混在一起。我的原则很粗暴：任何新想法、新资料、新摘抄，一律先进00 Inbox，文件名就是当天日期加一句话描述。比如2025-02-03-双链笔记的三个误区.md，正文可以非常乱，可以只有几个链接、几个关键词，完全没有结构。

这么做的原因是想清楚一件事：收集时追求结构化是反人性的，人会因为“整理成本太高”而放弃收集。先无脑丢进 Inbox，等积累了 10 到 20 条之后，再统一交给 Claude Code 做一次清洗整理。它一次能处理几十个文件，把里面的重复观点合并、提炼主线，再生成到对应的项目笔记或知识卡片。这样做既不会丢素材，也不会让正式目录变得脏乱。

3.2 第二步：给 AI 一份“笔记加工说明书”

我见过不少人让 AI 帮忙整理笔记，结果不满意，原因不是 AI 不行，而是他们没告诉 AI“什么是好笔记”。我建议在 Obsidian 库里专门建一个_templates/note-spec.md文件，里面写清楚你的偏好。比如：命名规范、开头要有问题意识、每个概念至少配一个生活化例子、结尾要有“我可以怎么用”的实践清单。

以我的模板为例，核心结构有四段：第一段是“要解决的问题”，用一句话说明这条笔记在回答什么；第二段是“核心概念拆解”，把关键术语用最简单的话解释一遍；第三段是“例证与反例”，至少要有一个例子和一个容易混淆的反例；第四段是“行动提示”，告诉未来的我该怎么用这条笔记。写好后，每次让 Claude Code 整理笔记时，都要带上这个模板文件作为参考。

实际执行时，我通常会让 Claude Code 用类似这样的思路跑一遍：先读取_templates/note-spec.md，再读取 Inbox 里那批原始文件，然后按照模板把每篇笔记改写生成到50 Knowledge/下的对应子目录中。你可以把这条指令保存成脚本或插件命令，以后每次只需要说“整理 Inbox”四个字，它就会自动执行这个流程。这就是用 AI 做知识管理的价值：不是替你思考，而是替你完成重复的格式劳动。

3.3 第三步：让 AI 把知识卡片串成“学习项目”

单张知识卡片是珍珠，知识库要的是项链。Obsidian 的双链能把文件串起来，但问题是：如果你只在写笔记时手动加链接，大概率坚持不了几天。我现在的方法是：每完成一个阶段的学习，就让 Claude Code 读一遍这个主题下所有卡片，找出彼此之间的逻辑关系，并把缺失的链接补上。

比如我在学习“注意力机制”时，Inbox 里同时有关于自注意力、Transformer、KV Cache 的多篇摘抄。AI 整理后，会在“注意力机制”的 MOC 笔记里自动汇总：哪些卡片讲基础、哪些卡片讲演进、哪些卡片来自同一篇论文。它还能帮我发现矛盾之处：“这篇笔记说 KV Cache 能大幅降低推理延迟，但另一篇笔记提到显存占用会上升”，这其实就是新的学习线索。

这种“项目式整理”比单纯写笔记更接近“学会”的状态。因为你在 AI 的辅助下，把碎片信息组织成了一个有结构的知识网络，而不是几十篇孤零零的文档。

4. 让知识库“长眼睛”：用 Dataview 构建个人学习看板

4.1 Dataview 是什么，什么时候值得装

Obsidian 官方社区里有大量插件，Dataview 是其中最能改变使用习惯的一个。它的作用简单说就是：不用手动维护目录，通过查询条件自动生成笔记列表。举个例子，你可以在某篇笔记里写一段查询语句，让系统自动列出所有标签为“#未掌握”的笔记。每当你新建一篇带这个标签的笔记，查询结果就会自动更新。

但我不建议第一天就装它。Dataview 的语法对新手有学习成本，如果连 Markdown 都不熟，很容易被劝退。我建议等你已经有 50 篇以上笔记，开始觉得“我找不到我想要的内容了”，再装 Dataview。它适合用来做信息筛选，不适合用来解决“没内容”的问题。

4.2 我日常最常用的两段查询

第一段是“今日待复习”列表。我要求每篇知识卡片 Frontmatter 里必须写status: learning / reviewing / mastered和next-review: 日期两个字段，然后用 Dataview 查询所有next-review小于今天且状态不是 mastered 的笔记，形成一个动态学习列表。

第二段是“未整理的 Inbox 数量”。用一段简单查询统计00 Inbox下的文件数量，如果我看到数字超过 30，就知道该安排一次 AI 清理了。这种反馈很重要，人脑很容易高估自己的勤快程度，但数字不会骗人。把知识库变成看板，本质上就是给自己装一个进度条，让学习过程可视化。

4.3 把 Dataview 与 Claude Code 结合起来维护状态

Dataview 负责“显示”，Claude Code 负责“更新”。我平时只需要在 Obsidian 里看看板，而每次学完一个知识点，就让命令行里的 Claude Code 把这个知识点的状态改成 mastered，同时把下一次复习时间设为一个月后。这操作听起来很简单，但它帮我解决了知识管理最容易失败的那个点：维护成本太高就坚持不下去。

以前我手动维护状态标签，经常忘，后来索性把更新任务丢给 AI。因为它能精确地修改文件里的 Frontmatter 字段，不会删错内容。你可以在 Prompt 里这样要求：读取某篇笔记的 Frontmatter，把 status 改成 reviewed，把 next-review 改成某个日期，保留其余内容不变。配合 Obsidian 的自动刷新，几秒钟内看板就会更新。整个过程很顺畅，知识库从“死文档仓库”变成了“活的任务系统”。

5. 踩坑记录：高频问题与避坑经验

5.1 工具层面的高频问题与排查办法

我把自己和身边朋友用得最多的问题整理成了一个表，如果你也遇到相同情况，可以先照着排查一遍。这些都是常规问题，不涉及任何特殊环境，只要你按正常流程安装，多数都能解决。

这里我想特别强调文件名规范。Obsidian 里很多功能都依赖文件名，如果你一开始用“2025/02/03 笔记”这种带空格的文件名，后面用命令行处理时会被路径问题反复折磨。我的习惯是：文件名只用中文或英文连字符，例如transformer-architecture.md或如何构建知识库.md，避免/和空格，能省掉大量麻烦。

5.2 内容层面的三个经验教训

第一，不要让 AI 生成“看起来很多但实际上没有经过你大脑”的笔记。我早期为了让知识库显得充实，让 Claude 生成过大量概念解释，后来发现这些内容只是把百科词条改写了。真正的笔记应该有你的疑惑、你的例子、你的应用场景，AI 只能帮你润色和执行，不能替代你思考。

第二，定期做“断舍离”。知识库不是越大越好，三个月后，我会让 Claude Code 找出那些从未被引用、状态长期是 learning 的笔记，逐条判断是继续学还是直接归档。归档不等于删除，只是把它们移到90 Archive目录，让主库保持清爽。这个动作最大的意义是逼自己面对现实：哪些领域你真的在学，哪些只是“收藏安慰”。

第三，双链不要滥用。早期我每篇笔记都加十几个链接，看起来网络很丰富，实际上很多链接没有意义。后来我给自己定了规矩：一篇笔记只链接 3 到 5 个真正有逻辑关联的笔记，链接必须代表“这篇和那篇在某个问题上是相关的”，而不是“它们出现在同一批导入文件里”。少而准的双链，比多而滥的网状图更有价值。

5.3 让知识库不烂尾的三个习惯

回头看我自己的经验，能坚持到今天，靠的不是意志力，而是习惯设计。第一个习惯是“每天只花五分钟收集”，不管多忙，看到一个好内容，就创建一个新笔记丢进 Inbox，不整理、不分类、不写完整句子，五分钟内结束。第二个习惯是“每周日做一次 AI 整理”，把 Inbox 里的内容批量处理，生成正式笔记，同时让 Claude Code 更新本周涉及的项目笔记。第三个习惯是“每月末做一次复盘”，单纯看 Dataview 看板，哪些主题进展慢，哪些卡片一直没复习，一目了然。

说到底，“用 AI 学会所有东西”并不是让 AI 替你学，而是让 AI 帮你把学习中最消耗意志力的环节自动化。Obsidian 负责保存，Claude Code 负责整理，Dataview 负责反馈，你只负责最重要的部分：提问、思考和验证。按照这套流程走下来，哪怕你最后没有“学会所有东西”，也能留下一个随时可以继续生长的个人知识库，这件事本身就值回所有投入了。