Claude Code + Obsidian，打造个人一站式内容创作管理引擎

来源：市场资讯

（来源：机器学习实验室）

最近Andrej Karpathy发了条帖子，说LLM的真正价值不是一次性问答，而是充当"知识编译器"，把原始素材喂进去，持续维护一个结构化的知识库，知识被编译一次然后保持更新，而不是每次查询时从头推导。

我看到这个说法的第一反应是：这不就是我一直在做的事吗？我早在去年12月份就全面使用Claude Code + Obsidian作为我个人内容管理工具了。虽然我一直没在公众号写过Obsidian方法论的内容。

不过对于Karpathy的一些观点，我还是非常认同的：人类放弃维护Wiki是因为维护成本增长得比价值快，LLM把维护成本打到接近零了，这件事终于能持续运转。

我写公众号都快10年了，老号【机器学习实验室】从2017年年初就开始写，虽然现在没啥流量和价值了，但却也沉淀了一些经验。新号【AI编程实验室】从去年10月份开始写，虽然目前已经过了平台的流量扶持期，但也曾出过10w+的技术爆款文章。

两个号加起来发了430多篇原创文章。早些年写文章的流程很原始：浏览器开十几个标签页做调研，Markdown编辑器或者直接公众号编辑器里写初稿，然后再做简单排版。素材散落在各种文件夹里，写过的文章查起来也费劲，更别提系统化管理了。

2021年那会我写过一篇一篇技术原创的产出始末，记录了当时的写作流程。现在回头看，简直是新石器时代的内容创作方式。

转折点是去年下半年，我开始把所有文章迁移到Obsidian vault里管理，同时用Claude Code作为主力写作辅助工具。这两个东西单独用都很强，但组合起来之后，我发现它们能覆盖内容创作的全部环节：从选题规划、素材调研、正文写作到发布管理，形成一个完整的闭环。

今天这篇就聊聊我是怎么把这套系统搭起来的，以及实际跑了几个月之后的真实体感。

0. 整体设计

我的Obsidian vault就是一个文件夹，路径在本地磁盘上。里面的核心结构很简单：两个文章目录（AI编程实验室/、机器学习实验室/），两个.base 数据库视图文件，两个canvas 选题规划文件，再加上_knowledge_base/ 素材库和 _briefs/等日常写作需求记录。

Claude Code通过Obsidian Skills插件集来操作这个vault。目前我装了5个Obsidian Skills：defuddle（网页抓取）、obsidian-cli（命令行操作）、obsidian-markdown（Markdown 语法）、obsidian-bases（数据库视图）、json-canvas（画布文件）。

简单来说就是，Obsidian负责存储和展示，Claude Code负责读写和智能处理。两者通过文件系统天然打通，不需要任何额外的API对接。

两个架构经验：第一，目录结构尽量扁平。我试过在_knowledge_base/下按主题分子文件夹，Claude Code在超过两层嵌套时搜索效率明显下降。现在就一层，靠文件名前缀区分，反而更好用。第二，vault一定用Git做版本控制，Claude Code偶尔会改错文件，有Git随时能回滚。

1. 选题规划：用Canvas做可视化内容矩阵

写公众号最怕的是选题重复和主题失衡。124篇AI编程实验室的文章，哪些话题写过了、哪些还没覆盖、各个系列之间是什么关系，光靠脑子记是不现实的。

我的做法是用Obsidian的Canvas文件做选题规划。每个号一个canvas，里面用分组节点把主题归类。比如AI编程实验室的canvas里，Claude Code核心是一个组（44篇），Vibe Coding生态是一个组（25篇），Vibe Researching科研线是一个组（9篇），Agent与OpenClaw是一个组（14篇）。

每个组里分两块：已覆盖主题和待填补选题。组与组之间用连线标注关系，比如Claude Code核心组到Agent组的连线标注了"Agent生态"，到工具基建组标注了"工具链"。

这个canvas不是静态的。每次写完一篇新文章，我会让Claude Code帮我更新canvas，把待填补里对应的选题移到已覆盖。每隔一两周我也会打开 canvas看一眼全局，判断下一步写什么方向。

实际体感：科研线的选题我一直知道该补，但没有canvas的全局视图，很容易被热点新闻带着跑，老写Claude Code更新之类的。有了这个视图之后，我可能能更有意识地平衡各个方向的产出。

2. 素材调研：defuddle + 素材沉淀

写技术文章最耗时间的环节其实不是写，是调研。以前我的调研素材用完就扔，下次写相关主题又得重新查。

现在的流程是：调研阶段用defuddle抓网页内容。defuddle这个工具的好处是它会自动去掉网页上的导航栏、广告、侧边栏这些杂七杂八的东西，只留下正文内容，输出成干净的Markdown。跟直接用WebFetch抓比，token消耗能省不少，并且能获取原文内容。

抓下来的素材我统一存到vault的knowledge_base/目录。文件名按（日期来源_主题）的格式命名。这样做的好处是，下次再写相关主题时，Claude Code会先搜一遍vault里有没有现成素材，经常能跳过一半的调研工作。

举个具体的例子。上周写Claude Code一周更新汇总那篇文章时，Anthropic官方changelog、GitHub releases页面、Fortune的报道我都用defuddle抓了一遍存到了素材库。这周写另一篇Claude Code短评时，这些素材直接复用，基本没花额外的调研时间。

如果defuddle抓不了的内容（比如需要登录的页面、动态加载的内容），我会切换到Agent Reach工具链，用xreach访问X推文，用Exa做语义搜索，用Jina Reader读取其他网页。关于Agent Reach 的具体用法，可以参考：Agent Reach，可能是Claude Code/OpenClaw最好的联网工具。

这里补一个踩坑经验：素材库里的原始抓取，最好不要改。早期我会顺手在素材文件里加批注，后来发现写另一篇文章引用同一份素材时，分不清哪些是原始数据、哪些是上次的主观判断。现在_knowledge_base/里的文件存进去就不动，需要加工就在_briefs/里单独记。原材料和加工品分开放，原始素材才能被不同文章反复干净引用。

3. 查重与引用：避免内容撞车

我两个号430多篇文章，虽然账号定位不同，但主题之间免不了有交叉。MCP这个概念我在至少4篇文章里介绍过，Skills的基础用法也重复写了好几次。读者看多了会觉得"又在讲这个"，对我自己来说也是在浪费篇幅。虽然每篇文章都可能触达到不同的读者群体，但保持内容的延续性和关联性也非常重要。

现在每次开始写新文章之前，Claude Code会先在vault里做一遍查重。搜索逻辑很简单：按关键词和标签搜索AI编程实验室/和机器学习实验室/两个目录，看有没有同主题的已发布文章。

如果搜到了，写作时的处理规则是：基础概念不再展开，一句话带过加一个旧文链接。比如这篇文章里提到Skills，我就不会再花三段话解释Skills 是什么了，因为之前那篇推荐我日常高频使用的8个Skills，产出效率翻一倍已经写得很详细。

旧文的微信原文链接可以从vault里每篇.md文件顶部的"原文地址"行直接提取。这个是之前批量迁移文章时就埋好的，现在写新文章引用旧文时非常方便。

4. 文章管理：用 Base 做数据库视图

Obsidian的Base功能（.base文件）可以把一个文件夹里的所有Markdown文件当作数据库来查询和展示。我给两个频道各建了一个base文件。

以AI编程实验室.base为例，它的配置很简洁：筛选条件是AI编程实验室目录下的所有.md文件，展示字段包括文章标题、发布日期、作者、状态、距今天数、预估字数和标签。

在Obsidian里打开这个.base文件，就能看到一个类似Notion数据库的表格视图。我按status字段分组，draft（草稿）排在最前面，published（已发布）排在后面。一眼就能看到每篇稿子的状态。

我还设了几个常用的筛选条件：按标签筛选某个系列写了多少篇，按日期排序看近30天的发文密度。如果发现某个标签（比如claude-code）近期出现太频繁了，也许就该写写其他方向的内容了。

5. 正文编排：louwill-tech-writer Skill

这是整个流程里最核心的环节。我专门开发了一个louwill-tech-writer的个人Skill来处理正文的内容编排，里面固化了我的写作风格、文章模板、开篇结尾规则、去AI味检查清单等等。

这个Skill跟Obsidian的集成体现在几个地方：写完的终稿自动存入vault对应目录，自动添加frontmatter（标题、日期、作者、频道、状态、标签），确保新文章能被.base数据库视图识别到。写作时如果需要引用旧文，Skill会搜索vault找到旧文标题和微信链接，直接插入。

当然了，每篇文章最终的成文，仍然有80%以上的文字都是我人工码字写出来的，skill只负责信息加工和框架编排，AI写出来的文字，我基本上都会全部人工review后改掉。这也是我一贯来的内容创作习惯。

我之前在我用Claude Code写了一篇45页的文献综述，质量可以发一区SCI里强调，在写作方面，要把AI当作是高质量是信息编排与加工器，而不是生成器。无论是写论文、写专利，还是日常写作，人工古法仍然是不可替代的部分。

6. 实际效果

这套系统我从去年12月份到现在，中间迭代过几版，说几个我体感比较明显的变化。

调研时间缩短了。以前每篇文章调研要花1到2小时，现在vault里有相关素材的话，10分钟就可以搞定。

选题不再凭感觉。Canvas全局视图让我对两个频道的内容分布有了清晰认知。科研线是我的差异化优势，之前产出占比不到10%，有了视图后有意识地在补。

文章之间有了关联。通过wikilinks和旧文引用，形成了相互关联的知识网络，读者可以点旧文链接看详细介绍。

最让我体感深刻的是复利效应。素材库越积越厚，canvas越来越完善，每次写新文章都站在之前的积累上。最近几篇的全流程时间比刚搭时缩短了三分之一，像大模型的缓存概念，前期投入，后期命中。

状态管理清晰了。哪些草稿、哪些已发布，.base视图里一目了然。

这套系统的搭建也没啥成本。Obsidian本身免费，Claude Code的订阅我本来就在用，Obsidian Skills是社区开源的。主要投入的是时间：文章迁移花了一个周末，.base和.canvas 的配置各花了不到一小时，louwill-tech-writer Skill的开发和迭代花了一些时间。

如果你也在做技术内容创作，不管是公众号、博客还是Newsletter，这套 Claude Code + Obsidian的组合都值得试试。Obsidian管存储和展示，Claude Code管智能处理和信息编排，两者的结合点就是文件系统，简单粗暴但非常有效。