AI 辅助声明：文章中提交到插件由 Codex 和 Kimi-K3 辅助开发。文章创作过程中使用了 AI 技术辅助启发思路，检验错别字，改动结构。但文章正文都是作者人写的。
我在 Obsidian 里有接近 20000 篇笔记。
读书摘录、笔记、项目记录、日记、发布的文章，
全部都在 Obsidian 里，Obsidian 就是我的第二大脑。
为了管理这些笔记，
笔者用过很多款知识管理软件，
- 在印象笔记里折腾过目录分类法
- 在 Notion 折腾过 DataBase
- 在 Obsidian 和 Roam Research 里折腾过双向链接。
最后发现：维护笔记系统的时间，比写笔记的时间还长。
依靠人运行的系统中，任何有阻力的设计，都会慢慢腐朽。
知识管理过去是一个维护成本非常高的事
但是，进入 AI 时代以后，这一切都变了！
现在你只管记录就好了！其他的交给 AI。
知识管理的终极目标，就是能够被看见，能够被运用起来。
这也就是我为什么开发 Analogy 的原因。
我做了一个 Obsidian 插件，让你和你的 Agent 都可以调用知识库。
Analogy for Obsidian
Analogy 最早做的是 Notion 版本。
当时的想法很简单：我在 Notion 里阅读或写笔记时，希望右侧能自动出现知识库里的相似内容。新增一篇笔记，也能顺手看到以前写过的观点。 这个版本已经跑了一段时间。现在，我们把基本一致的能力带到了 Obsidian。
输入一个想法，就能找到之前关联过的笔记：
通过文章的内容，也可以匹配到几年前记录的笔记和文章：
在自由画布中，任何片段或者文本，开启语义漫游，在知识库里随机漫游
这次的 Analogy for Obsidian 有几个特点
- 完全本地化，无隐私风险；
- 自适应语义分块；
- 在知识库里随机漫步；
- 让 Agent 接入第二大脑；
Agent 也可以使用这样的能力来检索知识库。
结尾还附上我写的在 Obsidian 中使用知识库的教程。
01 完全本地化，无隐私风险
Obsidian 一直都以本地化，隐私安全性闻名。
所以在 Analogy 的 Obsidian 插件里，我们很在意用户数据的：完全本地化
两年前，我们做 Analogy for Notion 的时候，Embedding 模型的参数规模还非常大。
这就造成了一个很尴尬的局面
想要效果好的，就在本地跑不起来，只能把模型部署在云端。
参数规模小的呢，效果又非常差。
所以 Obsidian 版本拖了很久。
当然，得益于模型能力的快速发展。
今天我们在 MTEB leaderboard 上（一个评估 embedding 模型能力的 BenchMark）上，已经可以看到很多参数量在 300M 以下的模型，效果又好的模型，可以在本地跑起来，它们的效果又甚至比两年前的 SOTA 模型还要好。
同时在强大的 Codex 和 Kimi K3 模型的帮助下，
我们这次带来了 Analogy 的 Obsidian 插件版本。
Analogy for Obsidian 可以读取本地的笔记，完成文本清理、分割和向量化，再把索引写进本机的 Chroma 向量数据库。搜索时，查询内容也在电脑上转换成向量，进行相似性匹配。
一切的向量数据存储，搜索行为，都发生在本地，不会上传到云端。
这很符合我对 Obsidian 的理解。文件是自己的，索引也应该留在自己的电脑里。
02 自适应语义分块
Obsidian 存储的笔记，很多都是一篇几千字的文章。 长文章，一方面，因为模型字数的限制，没有办法直接塞进一个向量。另一方面，内容太长，多个话题挤在一起，生成的向量会变得含糊。切得太碎也有问题，一句话离开上下文以后，可能连它在讨论什么都看不出来。
所以要将长的文章，分割成多个片段。 最简单的做法，是每 500 字切一刀。它很省事，也很容易把一个完整观点从中间劈开。 Analogy 选择了更细致的文本分割方法。 它先清理 Markdown 里的格式噪声，保留文章的标题结构。 接着按照 H1、H2、H3 分段，为每段带上完整的标题链。这样，某个片段即使单独被搜出来，也知道自己原来属于哪一章。 标题之下的正文还会继续做语义分块：先拆成句子，给句子生成 Embedding，再计算相邻句子的余弦距离。当话题发生明显变化时，就在那里断开。 同时，我们给每个 chunk 设置了长度上限，避免一块内容膨胀得太大。 大致是这个过程：
所以我们可以看到，一篇文章可以被切分成多个语义的片段。 更适合用来做语义匹配。
例如我搜索「文本分割」，就可以在我的知识库里面找到很多相关的笔记中的片段。
03 语义漫游
除了基础的语义搜索以外。 我们还参考了 flomo 的随机漫游功能，做了属于 Obsidian 的语义漫游。
他可以让你在一个自由画布中，沿着一个语义，在知识库中随机漫步。
你可以沿着相关的知识，一直往下探索，找到更多关联的知识。 正如 Analogy 这个单词的意思 —— 类比 通过这样不断在知识之间类比，就可以：
- 启发思考：通过将陌生概念与已知事物比较，激发新的思路和洞见
- 促进知识分形增长：帮助发现不同领域间的联系，找到知识边缘的缝隙和增长机会
- 促进记忆和理解：在知识卡片间建立关联，加深理解并强化记忆
- 简化认知过程：把复杂、不熟悉的事物与熟悉事物类比，降低理解难度
- 帮助范畴化：让人脑通过小样本学习，快速建立对世界的理解框架
- 建立知识网络：把分散的知识点连接起来，形成更有机的第二大脑
- 激发创新：通过跨领域联想，催生新的知识分支和创意
04 把知识库交给 Agent 调用
做完本地搜索以后，我们还给 Analogy 加了 MCP Server。 让本地的 Agent 也可以使用 Analogy 的语义搜索能力，真正接入你的第二大脑。 比如我发送了
他就能找到这句
在依靠人运行的系统中，任何有阻力的设计，都会慢慢腐朽。 "间隔重复（主动复习）虽有效，却难以坚持，因此 Analogy 放弃让用户"复习知识"，转而设计一条新的反馈回路——在阅读、思考、创作、工作的过程中，相关知识自动浮现。这既是回忆，又是创作素材，还可能在阅读中催生新视角，形成"知识复利"的正反馈循环。 它借用游戏化设计：明确目标、规则、正反馈、自愿参与，让"使用知识库"本身成为奖励。技术上用混合搜索（全文+稀疏+稠密向量+重排序）在合适时机呈现相关内容，在做笔记时自动发现潜在链接——链接即 Zettelkasten 最迷人的部分。 其理念凝练为一句："知识要在流动中产生价值"**，而"能够快速调用的笔记，才是好笔记"。
类似的想法还有
- 能够快速调用的笔记，就是好笔记
- 当检索一个关键词瞬间浮现十几个相关笔记时，会产生"wow"的 Aha 时刻
- 滑箱的价值就在于创建知识与知识之间的链接；而"当我们思考的东西就在眼前时，我们才能更好地思考"
- 把这种"背景式唤醒"做成系统。设计上遵循发散-收拢的双钻模型，功能拆分为搜索/类比/向量搜索/问答等模块 一句话：知识要被看见，才产生价值。
这样的设计，很符合我的想法。
添加方式也很简单。 只需要在设置页里启动 MCP 服务，然后给 Agent 添加 MCP，就可以使用。
{
"mcpServers": {
"analogy-vault": {
"command": "node",
"args": ["<mcp-server 所在目录>/dist/index.js"],
"env": { "ANALOGY_VAULT_PATH": "<你的 Obsidian vault 绝对路径>" }
}
}
}它会拿到相关的笔记片段、标题、文件路径和相似度，再把这些材料放进当前任务的上下文里。
Analogy 是我一直以来都想要做的产品。
即便他没什么人使用，我也是那最后一个用户。
Analogy 的想法萌发于我多年的知识管理经验。
把时间拉回到 2020 年，Zettelkasten 知识管理方法爆火。
Zettelkasten（卡片盒笔记法）是一种将知识拆分为原子化「永久笔记」的个人知识管理系统：阅读时先写临时笔记与文献笔记，再提炼成独立、可复用的卡片，并通过双向链接把卡片连接成网络，让思想在关联中自然生长，最终服务于写作与思考。
甚至有很多读者，
第一次认识潦草学者，
也是在少数派看到了我那篇被首页推荐的文章。
在过去的几年里，我写了很多篇文章，都是关于知识管理的。
回想起来 无论是 Zettelkasten 方法，还是 Obsidian 和 Roam Research 带火的双向笔记。
这些方法都是希望我们在记录笔记的同时，引发自己的思考，让新加入的笔记，和过去记录的笔记关联起来。
通过记忆增强笔记之间的链接。 新加入的知识，在和已经有的知识关联以后，变得更加容易理解，更加容易记忆。
美妙的语义搜索
而 AI 时代带来了语义搜索，也就是Embedding 技术带来了的语义搜索的功能。
在《The Semantic Hub Hypothesis: Language Models Share Semantic Representations Across Languages and Modalities》这篇论文中，作者提出并验证了一个假设：
大语言模型中心的内部，有一个语义中心，来自不同模态的信息，经过大语言模型处理后，都会到达这个语义中心，并在这个语义中心内进行运算」
也就是说，不同模态的内容，文字，图片，音频，视频，代码等等，在输入到大语言模型之后，都会共享一个语义中心。
- 输入中文的「你好」和英文的「hello」，在语义中心中的位置都是相似的。
- 输入代码
print(’hello world’)和文字 「打印‘你好，世界’」，在语义中心中的位置也是相似的。 - 输入数学公式 3x5 和 「三的五倍」，在语义中心中的位置也是相似的。
某种程度上说，我们可以把「语义搜索」看作为一种不需要维护的「双向链接」，通过笔记之间语义的相似性，就可以关联彼此。
此前传统双链，保存的是自己阅读过程中思考，并确认过的关系，他的印象会更深刻，但维护成本也会变得更高。而语义搜索实时生成一组可能相关的关系，则是摩擦力更低的选择。
前者很确定，维护成本也高。
后者带一点模糊，偶尔会搜出奇怪的东西，但这种奇怪有时反倒是灵感的来源。
而知识库就像冰山，大量隐藏的知识沉在表面之下。
那些"奇怪的东西"，可能就是冰山下的隐藏知识。
写在最后
Analogy 就是我自己的需求开发的产品。
它不能替你思考，但会在你需要的时候，把你过去写下的东西推到你面前，启发你的思考。
双向链接帮我们建立了一些连接，但我没那么多时间给每条笔记想它该连向哪里。
而 Embedding 技术的出现，仿佛是技术对知识管理者的眷顾。
基于语义的搜索，仿佛就是这个链接最好的载体。
知识管理的终极目标，从来不是建立一个完美的分类系统，而是让写下来的东西，在需要时被看见，被调用。
而且 Agent 时代来临以后，
我又写了 Obsidian+ClaudeCode 的教程 和 用Kimi-K2+ClaudeCode做了条Agent流水线，节省90%的时间 | Subagent+Skills的最佳实践
如果你也想试试这种"记录即关联"的方式，可以安装 Analogy for Obsidian： 产品地址：https://community.obsidian.md/plugins/analogy-rag-in-your-vault
让你的知识库成为 Agent 最好的上下文。Analogy 也提供了让 Agent 调研的能力。
你和你的 Agent 都可以调用你的知识库。
如果你也在使用 Obsidian ，可以试试 Analogy：
产品地址：https://community.obsidian.md/plugins/analogy-rag-in-your-vault
或者在 Obsidian 中搜索 Analogy，就可以安装。
首次使用需要下载本地模型并建立索引。笔记多的话，初次索引会花一点时间。
目前产品的商业化模式是，2500 篇笔记以内免费，超过了可单次 $9.9 买断许可证。
评论区随机抽几个读者，赠送许可证，体验看看~
你现在的笔记系统维护成本高吗？
Analogy 搭配之前分享过的已经可以把知识管理的成本降得很低。
还有什么样的痛点，欢迎在评论区聊聊。
