

>**导读**：你是否也面临这样的困境——视频字幕、论文 PDF、播客笔记散落各处，收藏了就等于学会了？本文将演示如何用 WorkBuddy AI 助手 + Obsidian 生态，搭建一条「原始素材 → 结构化知识 → 综合报告 → 可视化画布」的完整知识管线。全程自然语言驱动，零代码，可复刻。


----

## 一、背景：为什么需要一条「知识管线」？


信息爆炸时代，知识工作者每天都在消费大量内容——视频字幕、论文 PDF、播客笔记、会议纪要。这些素材往往散落在文件系统、收藏夹、聊天记录等各处，形成「信息孤岛」。

传统做法是手动整理笔记、打标签、建文件夹。这种方式有两个核心痛点：


1. **投入产出比低**：整理一条素材的时间可能比阅读它还长

2. **难以跨素材关联**：手动打标签只能建立扁平关系，无法自动发现概念间的深层关联


💡 **我的目标**：把原始素材丢进去，AI 自动提炼关键信息、建立概念关联、生成综合报告，最终以可视化画布呈现知识全貌。

为此，我设计了一套基于 WorkBuddy AI 助手的知识管线，以 Karpathy 知识库（围绕 AI 教育者 Andrej Karpathy 的内容体系）为实战案例，完整跑通了从素材摄入到可视化输出的全流程。

## 二、技术选型与整体架构


### 2.1 核心工具链


|工具|定位|为什么选它|
|:-:|:-:|:-:|
|**WorkBuddy**|AI 助手（底层大模型）|支持 Skill 扩展，可自定义知识管线逻辑|
|**Obsidian**|知识库载体|本地 Markdown 存储、双链语法、Canvas 原生支持|
|**json-canvas Skill**|画布生成|WorkBuddy 插件，AI 自动生成 `.canvas` 文件|

### 2.2 管线总览


整条知识管线分为四个阶段，每个阶段由不同的 Skill 驱动：

```
┌─────────────┐    /ingest     ┌──────────────┐    /query     ┌──────────────┐
│  原始素材     │ ──────────→  │  结构化 Wiki   │ ──────────→  │  知识查询      │
│  字幕/PDF/   │              │  sources/     │              │  自然语言问答   │
│  文章/会议    │              │  entities/    │              │  综合分析      │
└─────────────┘              │  concepts/    │              └──────────────┘
                             │  index.md     │
                             └──────┬───────┘
                                    │ 跨素材整合
                                    ▼
                             ┌──────────────┐   Canvas Skill  ┌──────────────┐
                             │  综合报告      │ ──────────→   │  可视化画布     │
                             │  syntheses/   │               │  .canvas      │
                             └──────────────┘               └──────────────┘
```
**关键设计思想**：所有加工由 AI 在 `wiki/` 层自动完成，`raw/` 层的原始素材保持原样不动。这保证了数据的可追溯性——任何结论都可以回溯到原始来源。


----

## 三、Step 1：设计知识库目录结构


### 3.1 两区分离架构


知识库采用 `raw/` + `wiki/` 双区分离设计：

```
knowledge-base/
├── raw/                          # 原始素材区（只进不出）
│   ├── 01-articles/              # 文章
│   ├── 02-papers/                # 论文
│   ├── 03-transcripts/           # 视频字幕
│   ├── 04-meeting_notes/         # 会议纪要
│   └── 09-archive/               # 已处理归档
│
└── wiki/                         # 结构化知识区（AI 生成 + 维护）
    ├── index.md                  # 全局导航索引
    ├── log.md                    # 操作日志
    ├── sources/                  # 来源页面（每条素材一页）
    ├── entities/                 # 实体页面（人物、组织、术语）
    ├── concepts/                 # 概念页面（方法论、框架、争议）
    └── syntheses/                # 综合报告（跨素材整合）
```
### 3.2 设计原则


|原则|说明|
|:-:|:-:|
|**raw 只进不出**|原始素材放入后不做修改，所有加工在 wiki 层完成|
|**三层知识抽象**|source（来源）→ entity/concept（实体/概念）→ synthesis（综合），逐层提炼|
|**index 即导航**|LLM 每次操作先查 `index.md` 索引，精准定位相关页面，避免全文扫描|
|**双链可追溯**|所有 wiki 页面使用 Obsidian `[[]]` 双链语法互相关联，论点可回溯到原始素材|

>**💡 索引文件是关键**：`index.md` 是整条管线的「路由表」。每次 ingest 或 query 时，AI 都会先读取索引来定位内容，而不是暴力扫描整个目录。这在素材量增长到几十条以上时尤其重要。


----

## 四、Step 2：素材摄入——一键从原始文件到结构化 Wiki


### 4.1 触发 ingest 管线


当你获得新的视频字幕、论文 PDF 或文章时，只需对 AI 说一句：

```
/ingest
```
AI 会自动执行以下全链路处理：

```
raw/素材 → summary（摘要提取）→ entities（实体抽取）→ concepts（概念关联）→ index（索引更新）→ archive（归档）
```
每一步的产出物：


|步骤|产出|说明|
|:-:|:-:|:-:|
|summary|`wiki/sources/xxx.md`|提炼素材的核心要点，生成来源页面|
|entities|`wiki/entities/xxx.md`|识别人物、组织、专业术语等实体|
|concepts|`wiki/concepts/xxx.md`|提取方法论、框架、争议点等概念|
|index|`wiki/index.md`|更新全局索引，追加新条目|
|archive|`raw/09-archive/`|将已处理的原始素材移入归档目录|

### 4.2 实战案例：批量摄入 15 条素材


我一次性投入了 12 个视频字幕和 3 份官方 PDF，涵盖：


- Dr. Stacy Sims 的女性运动生理学系列（5 期）

- Dr. Vonda Wright 的 FACE 框架

- 美国膳食指南 2025-2030 相关内容（4 期视频 + 3 份官方文件）

- 骨密度建设与营养策略


**ingest 完成后自动生成的 wiki 规模**：


|类型|数量|示例|
|:-:|:-:|:-:|
|Source 页面|15 条|`字幕-50+女性终身力量的三大运动`、`官方-DGA2025-2030指南正文`|
|Entity 页面|13 条|`Dr. Stacy Sims`、`BDNF`、`肌酸`、`快肌纤维`|
|Concept 页面|20 条|`肌肉中心论`、`FACE框架`、`蛋白质摄入`、`围绝经期训练`|
|Index 条目|48 条|全局导航字典，每条含一句话摘要索引|

📷  **Obsidian 文件树截图**
![截屏2026-04-28 15.58.28.png](https://developer.qcloudimg.com/http-save/yehe-12343958/2d7749db3397028d239fd65288342982.png)

### 4.3 核心机制：双链网络


每个 wiki 页面都使用 Obsidian 的 `[[]]` 双链语法互相关联。例如，`肌肉中心论` 概念页面会引用：

```
# 肌肉中心论

## 核心观点
肌肉是核心代谢器官，而非单纯的运动器官...

## 关联实体
- [[BDNF]] - 脑源性神经营养因子
- [[Irisin]] - 肌肉分泌的肌动蛋白
- [[Cloth蛋白]] - 肌肉因子

## 来源
- [[字幕-50+女性终身力量的三大运动]]
- [[字幕-肌肉是你的长寿器官]]
```
这些实体页面又回链到各自的 source 页面，形成一张**可导航的知识图谱**，而非扁平的文件列表。在 Obsidian 的「图谱视图」中，你能直观看到节点之间的连接关系。

📷 **Obsidian 的「图谱视图**」
![截屏2026-04-28 15.59.49.png](https://developer.qcloudimg.com/http-save/yehe-12343958/9e89864a63f42db6c5735caeb833ff2b.png)

----

## 五、Step 3：知识查询——自然语言即问即答


### 5.1 查询方式


有了结构化知识库后，查询变得极其简单：

```
/query 美国膳食指南建议普通人日常饮食建议
```
AI 的执行逻辑：


1. 读取 `index.md` 定位与「膳食指南」相关的所有页面

2. 深度读取 5～6 个核心页面（concepts + sources）

3. 综合分析后输出结构化回答，所有引用带 `[[wikilink]]`


### 5.2 输出示例


以上述膳食指南查询为例，AI 返回了：


- **核心框架变化**：倒金字塔设计、蛋白质前置

- **六大食物组建议**：以 2000 卡为基准的每日份量

- **蛋白质推荐**：从旧 RDA 0.8g/kg → DGA 1.2～1.6g/kg

- **争议分析**：9 人委员会中 8 人有行业冲突

- **实操建议**：7 条面向普通人的行动指南


💡 **关键区别**：这不是搜索引擎的片段拼接，而是基于你自己的知识库进行的综合分析。所有引用都带有 `[[wikilink]]`，点击即可跳转到原始 wiki 页面进行深入阅读。

以下分别展示手机端及应用端的截图：
📱 **Query**
![IMG_1682.png](https://developer.qcloudimg.com/http-save/yehe-12343958/9607dc1c5c8ab76a57973fa7015535b6.png)
💻 **Query**
![截屏2026-04-28 16.12.51.png](https://developer.qcloudimg.com/http-save/yehe-12343958/824dcf53c6f5cc1bdf8156c67b5c2ae8.png)




----

## 六、Step 4：生成综合报告——跨素材系统整合


### 6.1 触发条件


当知识库中的素材积累到一定程度，单个 source 或 concept 页面已经不足以回答复杂问题时，就可以让 AI 跨素材整合，生成综合报告（Synthesis）。

### 6.2 实战产出


在我的案例中，AI 发现 9 个视频字幕和多个概念页面都围绕「40+ 女性健康」这一主题，于是自动生成了一份综合报告，存放在：

```
wiki/syntheses/40+女性健康综合指南.md
```
报告包含 11 个章节：


1. 为什么 40 岁是转折点

2. 肌肉中心论

3. 三大运动基石（跳跃 + 大重量 + 冲刺）

4. FACE 框架

5. 蛋白质与营养策略

6. 补剂清单

7. 骨密度建设

8. 认知健康与乳酸

9. 围绝经期考量

10. 恢复与睡眠

11. 行动清单


整份报告 3000+ 字，所有论点都有 `[[wikilink]]` 回链到原始 source，确保**可验证、可追溯**。

>**💡 关于自动触发**：在我的实践中，综合报告的生成由 ingest 管线自动判断——当 AI 发现多个素材存在强主题关联时，会主动提议生成 synthesis。你也可以在对话中手动要求。


----

## 七、Step 5：生成可视化画布——将线性文本转化为知识图谱


### 7.1 为什么需要画布？


综合报告虽然全面，但线性文本难以展示概念间的网络关系。Obsidian Canvas 提供了可视化解决方案——将知识点铺在二维画布上，用连线表示逻辑关系。

### 7.2 生成方式


只需对 AI 说：

```
利用 obsidian canvas skill 生成画布
```
AI 的执行流程：


1. 读取综合报告全文

2. 加载 `json-canvas` Skill

3. 分析章节结构和概念依赖关系

4. 自动生成 `.canvas` 文件


### 7.3 Canvas 文件结构解析


Canvas 使用 JSON 格式（`.canvas`），核心结构如下：

```
{
  "nodes": [
    {
      "id": "core-concept",
      "type": "text",
      "x": -400,
      "y": -200,
      "width": 300,
      "height": 200,
      "color": "4",
      "text": "# 肌肉中心论\n肌肉是核心代谢器官...  \n→ [[肌肉中心论]]"
    }
  ],
  "edges": [
    {
      "id": "edge-1",
      "fromNode": "jump",
      "toNode": "bone",
      "fromSide": "right",
      "toSide": "left",
      "label": "刺激"
    }
  ]
}
```

|字段|说明|
|:-:|:-:|
|`nodes`|画布上的所有节点，支持 `text`、`file`、`link`、`group` 四种类型|
|`edges`|节点间的连线，可标注 `label` 描述关系|
|`color`|节点颜色编号（1～6），用于模块分组|
|`x/y`|节点坐标，控制画布布局|

### 7.4 生成结果展示


以 40+ 女性健康报告为例，生成的画布包含 **16 个节点 + 15 条有向边**，按 6 个颜色模块分组：


|颜色|模块|节点示例|
|:-:|:-:|:-:|
|🔴 红色|训练|跳跃训练、大重量阻力、冲刺间歇、每周结构|
|🟠 橙色|营养|蛋白质策略、三餐分布、补剂清单|
|🟡 黄色|提示|40 岁转折点、TOFI 陷阱|
|🟢 绿色|肌肉/骨|肌肉中心论、骨密度|
|🔵 青色|FACE|FACE 框架 4 要素|
|🟣 紫色|认知/综合|认知健康、结语|

关键逻辑关系（通过有向边标注）：


- `跳跃训练 → [刺激] → 骨密度`

- `冲刺间歇 → [产生] → 乳酸信号 → [保护] → 认知健康`

- `大重量阻力 → [释放] → BDNF/Irisin → [促进] → 肌肉中心论`

- `蛋白质策略 ← [支撑] ← 围绝经期考量`


所有节点都含 `[[wikilink]]`，在 Obsidian 中点击即可跳转到对应的 wiki 页面。

📷 **Canvs画布**
![截屏2026-04-28 16.04.03.png](https://developer.qcloudimg.com/http-save/yehe-12343958/44d254f3050aa877961be58d73739d55.png)
----

## 八、踩坑记录与最佳实践


在搭建和使用这套知识管线的过程中，我积累了以下实战经验：

### 8.1 Skill 开发四条铁律


在开发 ingest 和 query 两个 Skill 时，我总结出四条关键原则：


|原则|说明|背后的教训|
|:-:|:-:|:-:|
|**先写禁止清单，再写允许清单**|「不要做什么」比「要做什么」更难出错|AI 的「过度服务」是最大陷阱，必须用硬性规则约束|
|**每次迭代立刻固化**|发现问题后立即写入 SKILL.md|不等到最后统一整理，否则会遗忘|
|**实测驱动，不只看逻辑**|多跑几轮实际素材|多个问题在实测时才暴露，光看文档逻辑发现不了|
|**保持索引一致性**|管线最后一步强制更新 index.md|索引是 AI 导航的基础，不一致会导致查询失败|

### 8.2 常见问题与解法


|问题|根因|解法|
|:-:|:-:|:-:|
|AI 擅自创建不该创建的文件|Skill 边界定义不够严格|在 SKILL.md 中用硬性规则明确禁止项|
|AI 过度填写用户未提及的字段|AI 倾向于「帮用户补全」|默认缺省原则：未提到的字段保持空白|
|ingest 后 index.md 未更新|管线步骤遗漏|将 index 更新设为管线最后一步的强制操作|
|Canvas 节点过多导致布局混乱|概念粒度太细|控制节点在 15～20 个，按模块分组配色|


----

## 九、可复用的通用架构


这套架构的设计不绑定任何特定领域，可以迁移到任何需要系统化知识管理的场景：


|场景|原始素材|知识结构|输出|
|:-:|:-:|:-:|:-:|
|**技术学习**|视频教程、官方文档|概念/实体/架构|技术栈画布|
|**行业研究**|研报、新闻、财报|公司/产品/趋势|行业全景图|
|**项目管理**|需求文档、会议纪要|模块/接口/依赖|系统架构画布|
|**读书笔记**|书摘、批注|人物/概念/主题|知识地图|

核心管线始终不变：**摄入 → 结构化 → 查询 → 综合 → 可视化**。

你可以根据自己关注的领域，调整 `raw/` 的分类规则和 `wiki/` 的实体类型，快速搭建专属知识库。


----

## 十、总结


本文演示了一套完整的 AI 驱动个人知识库方案，核心技术栈为 WorkBuddy + Obsidian：


|阶段|操作|产出|
|:-:|:-:|:-:|
|**素材摄入**|`/ingest`|结构化 wiki（source + entity + concept），建立双链网络|
|**知识查询**|`/query`|基于自有知识库的自然语言问答，输出带引用的综合分析|
|**综合报告**|自动或手动触发|跨素材整合的体系化文档（synthesis）|
|**可视化画布**|Canvas Skill|将线性报告转化为可视化知识图谱|

**核心价值**：


- 🔒 **数据自主**：所有数据存储在本地 Obsidian 仓库，不依赖云端

- 🔗 **可追溯**：所有结论通过双链回溯到原始素材

- 🚀 **零代码**：全程自然语言驱动，无需编写任何脚本

- 📈 **可持续增长**：知识库越用越丰富，查询越问越精准


>**工具版本**：WorkBuddy + Obsidian + json-canvas Skill
**实战规模**：15 个 source + 13 个 entity + 20 个 concept + 1 个 synthesis + 1 个 canvas
**处理耗时**：ingest 约 3 分钟（12 个素材），query 即时响应，canvas 生成约 30 秒

导读：你是否也面临这样的困境——视频字幕、论文 PDF、播客笔记散落各处，收藏了就等于学会了？本文将演示如何用 WorkBuddy AI 助手 + Obsidian 生态，搭建一条「原始素材 → 结构化知识 → 综合报告 → 可视化画布」的完整知识管线。全程自然语言驱动，零代码，可复刻。

零代码搭建 AI 驱动的个人知识库：从素材摄入到可视化画布

人工智能

低代码

开发工具

本文教你用WorkBuddyAI+Obsidian搭建知识管理系统，实现从原始素材到可视化知识图谱的完整流程。通过AI自动提取关键信息、建立概念关联、生成综合报告，最终转化为Obsidian画布。这套方案支持视频字幕、PDF、会议纪要等多源信息整合，打造可追溯、可查询的个人知识库，提升学习与工作效率。

数据存储

文件系统

路由

JSON

2026年中大促 | AI 领航 智绘未来

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

零代码搭建 AI 驱动的个人知识库：从素材摄入到可视化画布-腾讯云开发者社区-腾讯云

零代码搭建 AI 驱动的个人知识库：从素材摄入到可视化画布

零代码搭建 AI 驱动的个人知识库：从素材摄入到可视化画布

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐