Transcription
面对一个陌生的知识领域，如何正确使用AI来搭建知识体系？从0开始学习并精通这项知识。今天我们来创建一个工作流，利用AI加Obsidian，针对一个陌生的知识领域，构建学习路径和知识图谱，搭建我们的知识库架构，然后深入学习并精通这门知识。
视频视视频，画面上展示的就是由AI为我生成的Obsidian知识库架构和知识图谱。面对一个我完全陌生的知识领域，AI的深度研究能够迅速的为你深入探索，并规划学习蓝图，构建知识体系和学习路径。然后利用Cursor类工具来搭建Obsidian知识库架构和知识图谱，最终在这个知识库里填充知识笔记，深入学习并精通这个领域。
那整体的工作流程，我已经用白板展示在屏幕上了。那接下来，我们就一步一步的来实现这个工作流。
我列出了本期视频中用到的工具。首先是具有Deep Research功能的AI，比如谷歌的Gemini。AI工具的选择呢，具备很强的时效性，因为他们的技术迭代很快。呃，比如现在这个时间点呢，GPT5刚发布，而国内的千问、Kimi也都刚发布了自己最强性能的新版本。呃，大家要多关注最新资讯，选择最适合自己的AI。
那说到Kimi呢，目前Kimi的深度搜索功能呢，据说也很强大。呃，但是呢，Kimi需要在Kimi的官网申请内测资格。那感兴趣的同学呢，可以试一试。
那除了Deep Research之外呢，我们还会用到普通的大语言模型。那这里选择你常用的即可。然后我们会用到Cursor类工具来搭建Obsidian知识库架构。大家可能会有疑问，Cursor不是辅助编程类的工具吗？那它为什么会接管Obsidian知识库？那这个问题呢，我会放到后面来详细讲。
那这里我就先说一下，还有哪些工具可以代替Cursor。呃，我最推荐的呢，就是TRAE 2.0的国内版，也就是字节跳动最新发布的辅助编程工具。呃，它内置了千问、豆包、Kimi、DeepSeek等优秀的国产大模型，并且可以配置自己的API Key来使用国外的AI大模型。那同时呢，界面的中文环境很友好。
那除了TRAE呢，我们还可以使用比如Gemini CLI，Claude Code，或者用VS Code搭配Cline插件。不过这几个工具呢，大多都需要网络环境，并且呢，还是命令行工具，不太适合普通人。所以我们就用TRAE 2.0就好了。
那最后呢，就是知识管理工具Obsidian。
接下来我们就正式开始这个工作流。首先，面对一个完全陌生的知识领域，我们如何快速的去获取到一份高质量的、精准的学习蓝图？呃，这里呢，我们就需要使用AI的Deep Research功能来实现深度研究。功能呢，会进行全面的全网检索、阅读和分析，最终呢，生成一份深度的调研报告。
呃，而这里呢，我们还会有另外一种情况。那就是，我想要学习一个知识领域，并且我手上已经有了很多的学习资料。呃，比如说，几十本专业的PDF电子书和Word文档，以及各种在线文档。呃，在这种情况下，我们并不是信息匮乏，而是信息过载。
在这个场景下，最佳的工具是谷歌的NotebookLM。它是一个基于你私有资料的AI助理。呃，它的知识边界被严格限定在你上传的文档之内。呃，你可以让NotebookLM针对你上传的资料，为你生成学习蓝图与调查报告。这个场景呢，比较适合我们想要学习一本专业的书籍，或者准备一项考试，比如托福雅思、司法考试、CFA这些。
那么我就以一个真实的案例来开始这个步骤。那，我选择了AI提示词工程这个知识领域。首先，我使用谷歌Gemini的Deep Research功能。我输入了这样一段提示词，让Gemini开始进行研究。点击开始研究之后呢，它会耗费一定的时间，我们先把它放到一边儿。
那在另一边儿呢，我们使用NotebookLM。我正好现在手上呢，呃，就有很多关于AI提示词工程的PDF、电子书和电子资料。那很多呢，都是权威专业的。呃，就比如OpenAI的提示词工程指南，谷歌2025年发布的提示词工程手册，还有微软的提示词工程资源集合。那还有一些GitHub上的优质资源库。我把这些资料呢，全部上传到NotebookLM，然后发送提示词，让它对现有的资料进行宏观理解，然后设计学习路径，最后把学习路径转换成Markdown格式的学习路径大纲。
而另一边呢，Deep Research的研究也结束了。呃，我们把研究报告下载下来，导出为PDF格式。然后把研究报告发送给大语言模型。这里我依旧选择Gemini，因为Gemini的上下文Token非常长。嗯，同时呢，发送一段提示词，要求它针对这个研究报告，生成一份Markdown格式的学习路径大纲。
这个Markdown大纲的格式呢，我在这里展示一个样例。首先就是二级标题，用于标志该知识领域的最核心的宏观知识分类。其次就是三级标题，用于标志每一个分类下的具体的、独立的知识主题。那最后呢，就是每个三级标题下的无序列表，就是针对该知识主题下，拆分到最细的原子级别的知识点。那这些知识点呢，最终会生成Obsidian中的知识笔记，对应我们常说的原子笔记。
那我们来看一下Gemini和NotebookLM生成的Markdown格式的大纲，基本上都很符合我们的要求。这里我要强调的是呢，不管是生成的研究报告，还是Markdown大纲，我们都需要亲自对内容进行校验，反复的和AI进行校对和讨论，直到它们生成的内容你满意了为止。
那到这呢，前两个步骤就结束了。我们得到了一份Markdown格式的学习路径大纲。那接下来呢，也是最重要的一步，使用Cursor的工具，按照Markdown大纲来构建知识库框架。
那这里我要着重说一下，在视频开始我提出的问题，为什么Cursor的辅助编程工具，相比于Obsidian的AI插件儿，更适合在这样的场景中使用？Cursor类的工具呢，它的核心能力是理解和操作一个项目的整体结构。它们的本质呢，是代码编辑器，也就是辅助编程工具。与文件系统的交互，是它们与生俱来的核心能力。它们被赋予了操作文件系统的权限。那所以呢，创建、移动、修改或者删除文件和目录，对它们来说是基本操作。所以呢，如果我给它一条指令，让它根据一个大纲创建10个文件夹和50个Markdown文件，并且自动填充内容，这对它们来说是轻而易举。
而Obsidian的AI插件能做到吗？那技术上是完全可以的，但实践中呢，很少有插件会这么做。Obsidian的插件呢，API确实提供了创建、删除、重命名文件或者是文件夹的接口，就比如说`app.vault.create()`这个方法。但是呢，绝大多数的AI插件的核心功能是文本生成，而不是文件系统管理。并且呢，Obsidian的插件还会有一些风险，也就是说，让一个插件拥有随意删除文件和文件夹的权限，风险比较高。而且复杂的批量文件操作指令，很难通过插件的UI来实现。所以呢，目前几乎没有哪个主流的AI插件会提供像Cursor这样强大的，通过一条AI提示词就能够重构整个知识库目录的功能。
总体来说呢，Cursor类的工具在这个场景下实现的是一个类似于建筑师的角色，它构建的是一个建筑的整体结构。而Obsidian的AI插件呢，则是室内设计师，它实现的是对于每一个已经存在的知识笔记进行内部的精装修。所以呢，在这一步，我们才会使用Cursor来全权接管Obsidian知识库，从而创建知识库的架构。
而这也恰恰是Obsidian的优势，因为它的知识库文件完全本地化，完全属于你个人。你可以按照自己的意愿，把这些知识库的笔记交给其他任何的工具来进行操作。而这一点呢，类似于Notion这样的工具是很难做到的。
那Cursor类的工具，我刚才已经介绍过了，有字节跳动的TRAE，有Gemini CLI，Claude Code，或者是VS Code加Cline插件。那这里我使用TRAE，原因我前面也说过了，中文友好且免费，还可以设置自己的API Key。
屏幕上展示了4个步骤，每个步骤都有一个AI提示词，用于发送给TRAE。首先第一步，我们在Obsidian知识库创建一个文件夹，就叫“提示词工程”，然后把刚才生成的Markdown大纲放进去。然后使用TRAE来打开这个“提示词工程”文件夹，然后输入第一步的提示词，根据大纲中的二级标题来创建对应的文件夹。而这里我选择的模型呢，是GLM 4.5，也就是智普AI在7月份新发布的大模型，推理性能非常不错。你也可以选择你认为可靠的AI模型，或者设置自己的API Key。呃，还是那句话，AI它的时效性比较强，那不同时间段呢，不同的AI模型它的性能也一样不一样。大家可以选择自己认为可靠的模型就可以了。
这里我还要强调的一点就是说，你给的提示词必须指令明确，同时呢，最好给出样本提示，也就是举例，不要给出一个模糊的提示词。那如果它的执行结果有问题，你还可以和AI进行反复的审查和校验，直到它生成正确的内容。在实际操作中呢，偶尔还是会有一些错误，或者是AI幻觉，你需要进行人工校对，然后让AI进行修正。
接下来是第二步，根据大纲中的三级标题，创建子文件夹以及MOC（内容地图）笔记。大模型的思考和执行的过程呢，我进行了加速。最终的结果呢，也没有任何问题。
第三步，就是根据每一个无序列表项，创建Markdown原子笔记，然后在每一个MOC索引笔记中建立双向链接。这一个步骤呢，过程比较长，中途如果提示你思考次数已达上限，你只要点击继续就可以了。那AI修改过的笔记呢，会提示你进行审查，我们点击全部接受就可以了。
最后第四步，就是创建一个关于知识主题的，一个总览的一个文件，也就是一个汇总的、最高级别的MOC索引笔记。
最后我们来检查一下效果，看看文件夹结构和Markdown笔记是否都正确创建。我们对比最开始的Markdown大纲，整个文件夹结构和大纲基本没有什么问题。同时MOC索引笔记和总览知识笔记里面的内容也都没有什么问题。那如果有任何的错误啊，你都需要再次和AI进行沟通，并要求它修正。
最后我们打开Obsidian，用Obsidian打开刚才构建的知识库。然后在左侧工具栏点击知识图谱按钮，打开知识图谱。那我们可以看到，整个AI提示词工程的知识库就已经构建完成了。知识图谱的双向链接构建的也非常好。
从现在开始，你的学习过程呢，就会变得无比清晰和主动。你可以看着这张图，点开一个知识点，然后开始在笔记区写下你的学习内容。通过这样清晰的路线图，一步一步的，你就可以更快的学会任何东西。
同样的，针对这些知识点，我们可以在Obsidian中使用AI插件，就比如Copilot插件和Text Generator插件，让AI辅助你进行高效的信息输入。呃，但最关键的步骤是呢，在完成输入后，我们必须用自己的语言，将对这个知识点的理解、思考和总结，完整的写入Obsidian的知识笔记中，把这些知识真正的变成我们自己嚼碎了、消化掉的知识。
当原子笔记逐渐丰富之后，我们需要构建知识网络。呃，在撰写新笔记的时候呢，我们会主动思考，并创建与已有知识的双向链接。同时定期回到MOC笔记，撰写对这个主题的总结性概述。这会让你的MOC笔记，从一个简单的目录，升华为对一个主题的高度浓缩的理解。
通过这样一个AI来生成框架，人工来填充血肉的模式呢，你可以一步一个脚印，从零开始，学习并精通任何一个新的知识领域。
到这里呢，这个工作流呢，就完整的运行完毕了。我们来回顾一下整个流程。使用Deep Research或者是NotebookLM，针对一个陌生的知识领域，生成深度的研究报告。然后使用通用大语言模型，把研究报告转化成Markdown格式的结构化知识大纲。然后使用Cursor类的工具，根据大纲来构建Obsidian的知识库结构。最后在Obsidian中，一步一步的学习所有的知识内容。
这个方法呢，解决了“从何学起”和“如何组织”两大难题。AI呢，为我们铺好了路，让你能专注于学习和思考本身。
今天的分享呢，就到这了。如果你有任何的问题和想法，欢迎你在评论区给我留言。那如果视频对你有帮助呢，欢迎点赞关注。谢谢大家。