几个月前我看了一段 Maxwell Wilson 的油管视频，讲他怎么用 Obsidian + Claude Code 把自己的笔记做成”第二大脑”。视频里他演示的能力很惊艳：一句话让 AI 回溯三年来的思想演变、生成行动报告、做日程决策。
我没把它当鸡汤听完。看完之后我做了一件具体的事：把视频里讲的概念逐条放回我自己的 Obsidian + Claude Code 工程，看哪些能落地、哪些是营销话术、哪些落地之后该改成什么样。
这篇是那次对照的笔记。视频是入门读物，工程是阅读后的修订版。
一、先把视频里讲的拆开
视频核心讲三件事：
- 工具组合：Obsidian 是本地知识库（Markdown + 双向链接），Claude Code 是 CLI Agent（直接读写文件系统），两者通过 Obsidian CLI 桥接
- 自定义 Skill：把高频操作封装成
/trace/sparks/cross_the_streams/schedule/report等命令 - 思维：Vault 是你的思考积累，AI 是 Serendipity Engine（串联灵感引擎）—— 帮你发现笔记之间隐藏的联系
视频里这套组合的”魔法”是：AI 工作的能力取决于喂给它的上下文。把三年的邮件、Slack 记录、日记都放进 Vault，AI 读完之后给出的建议有了”了解你”的温度。
二、先吐槽：哪些是营销话术
视频里有几个 demo 让我看完之后心里打了问号：
1. “AI 回溯过去 12 个月思想演变” 不算魔法
- 这本质上是全文检索 + 摘要生成。Claude 读完 Vault 里所有相关笔记，按时间顺序整合一份叙事报告
- 真正稀缺的不是 AI 的”理解”，而是你过去 12 个月真的写了笔记——这才是稀缺资源
- 没积累就没演变可追溯。模型再强读不到东西也是空转
2. “/schedule 让 AI 帮你做决策” 容易成为偷懒借口
- AI 能整合你过去的状态做推荐没错
- 但决策的责任是你的。把”今天该做什么”完全外包给 AI，本质是把价值判断让出去——AI 不知道你为什么定那个目标
- 我自己用过一阵每日规划交给 AI，后来撤了。AI 给的建议总是趋向”完成最多任务”，但人有时候需要主动选低产出的事（陪家人、休息、读没有 ROI 的闲书）
3. “灵感生成器” 的输出质量取决于源头
视频里 AI 生成的”灵感报告”看起来很全面：
| 类别 | 建议内容 |
|---|---|
| 可构建的指令 | ”灵感提取器” Skill |
| 可创建的工具 | ”每日一领域”专注应用 |
| 可创建的系统 | 行内任务委派 |
- 看起来很 fancy 但全是泛化建议——任何中度活跃的笔记 vault 喂进去都能产出类似清单
- 真正有价值的”灵感”通常是某一条笔记 X 跟某一条笔记 Y 在你脑子外建立了连接——这要 AI 真的读懂两边的具体内容，不是输出框架式建议
三、哪些是真值得抄的
但视频里也有几条我看完后马上落地了：
1. “AI 只在侧边栏生成内容，写入 Vault 必须是你自己的”
“只允许 AI 在侧边栏生成内容作为参考，而所有写入 Vault 的操作都必须由自己亲手完成。这样可以确保 Vault 中存储的是我的思考，而不是 AI 的看法，从而避免在模式分析时混淆了谁的想法。”
这条是视频里最值钱的一句。我把它扩成了一条工程规则：
- 原始笔记层（
Daily Notes/Sources/）—— 只能我手写或通过 ingest 从外部源摄入，AI 永远不能直接 write - 派生层（
Wiki/）—— LLM-maintained，明确标注”哪些是我说的、哪些是 AI 整理的” - 对话片段 —— Daily Notes 里如果引用了 AI 的回答，加
> AI:引用块标识来源
不这么做的后果是几个月后翻笔记搞不清”这个想法是我的还是模型生成的”。思考的署名权很重要。
2. 自定义 Skill 比 prompt 灵活
视频里讲的 /trace /sparks 那套 Skill 思路是对的——把高频操作封装成可调用的指令。但具体清单不必照抄。我自己跑下来真正用得上的 Skill 是：
/note—— 把当前对话片段沉淀到 Wiki（视频里没有，但比/sparks实用）/promote—— 把 Wiki 笔记发布到团队飞书（视频里没有，多人协作必备）/publish—— 把 Wiki 长文发布到个人博客（视频里没有，公开输出层）/lint—— 健康检查 Vault（孤儿页 / 矛盾 / 过时引用）
视频里的 /trace /cross_the_streams /sparks 这些听起来很酷但日常用不上。原因是它们都假设你”想看 AI 自由组合给的洞察”，但日常做事更多是反向流——我有具体问题，需要从笔记里找答案。这种场景 /query 一条命令就够了，不需要花式 Skill。
3. Karpathy 的 LLM-Wiki 模式比视频里讲的更彻底
视频讲的是工具组合，但底层方法论是 Karpathy 在 2024 年初提出的 LLM-Wiki 模式。三层架构：
| 层 | 角色 | 谁写 |
|---|---|---|
| Raw Sources | 不可变源（网页/论文/podcast 摘录/数据） | 你手动添加 |
| The Wiki | LLM-generated markdown 集合（摘要/实体页/概念页/比较） | LLM 全权 |
| The Schema | CLAUDE.md，告诉 LLM wiki 怎么组织 + 工作流 | 你跟 LLM 共同演进 |
Karpathy 的关键洞察是：LLM 不该只是”查询时检索”（RAG 模式），而该持续 curate 一个互联的知识图谱。RAG 每次从原始文档里捞片段太低效，把它换成”LLM 写一份 wiki，你查 wiki”。
视频里没明说这个方法论，但展示的工作流就是它。我落地下来发现这是个比工具更重要的视角差——
- 工具视角：AI 是个聪明的助手，帮我处理 Vault
- Wiki 视角：AI 是个不会累的图书管理员，持续维护一个比我大脑更精准的索引
第二种视角下，每次跟 AI 对话产生的结构化产出都是图书馆的新一页，时间一长产生复利。
四、隐私边界：这个绝对不能糊弄
视频里轻轻提到”演示版本”——意思是为了视频不能展示真 Vault 里的私人内容。这句话信息量很大：
当你的 Vault 包含完整的工作内容、项目细节、人际关系、决策思考时，把它喂给云端 AI 就是把一份私密档案喂出去。
我的做法：
- 不发到云端的硬条件：商业秘密 / 客户信息 / 团队内部决策 / 个人财务 → 这些笔记打
visibility: private标签，Skill 里强制过滤掉 - 可以发的边界：技术决策、读书摘要、已经脱敏的工作流、个人灵感 → 这些可以参与 AI 处理
- Wiki 层有
visibility字段：private/team/public，控制能发到哪里 - Skill 里硬约束：例如
/promote（推到飞书）只接受team或public的页，跳过private
视频里轻飘飘讲”用户必须认真思考自己愿意向 AI 分享多少信息”，到工程上这事不能靠”思考”，要靠机制硬卡。
五、视频没讲的事
我落地过程中发现几件视频里没说但很关键的：
1. Vault 必须有 source-of-truth 单源原则
如果一份内容在 Vault 里、在飞书里、在博客里各有一份且都能编辑，6 个月后必然漂移。
我的规则：
- Vault 是源，飞书/博客是镜像
- 在 Vault 里改 → 跑
/promote或/publish同步出去 - 永远不在镜像端编辑（飞书/博客）
视频里讲不到这一点是因为他演示的是个人 Vault，没团队场景。但凡你的笔记需要被多个地方看到，单源原则就是必须的。
2. “LLM 写 Vault” 需要回退机制
- LLM 写错很正常。让 LLM 维护 Vault 的前提是你随时能 git revert
- 我的 Vault 是 git 仓库，每次 lint 之前自动 commit 一次 snapshot
- 用户发现写坏 →
git log --oneline | head找上一个 sane commit →git reset --hard
视频里没强调这个。一旦没回退机制，让 LLM 自由 write 的代价就是几个月后你的 Vault 会被改成你不认识的样子。
3. Schema（CLAUDE.md）是 Vault 的灵魂
视频简单提了一下 CLAUDE.md 但没展开。我跑下来发现Schema 决定一切——
- LLM 怎么组织文件
- 哪些情况建新页 vs 改老页
- 元规则：什么时候 LLM 可以主动改 Schema 自身
我的 Wiki/CLAUDE.md 现在是 ~250 行。每次发现 Schema 没覆盖的场景就让 LLM 提议改 → 我 accept → 它直接 edit + 写 log。Schema 跟 Vault 一起演进。
六、所以 AI 第二大脑到底有用吗
短答：有用，但门槛比视频里展示的高。
更长一点的答案：
- 视频展示的是终态——一个跑了几年、积累了大量笔记、调好了 Schema、写好了 Skill 的状态。表演时它看起来很魔法
- 真正的工作量在前期——把笔记习惯养起来、把 Vault 结构定下来、把 Skill 写出来、把单源原则贯彻下去
- AI 不创造价值，AI 放大已有积累的价值——你过去多少积累，AI 就能给你回多少利息。这事没有捷径
视频对我最大的启发是意识到这条路是通的——不是”AI + 笔记”鸡汤，而是真有人把它跑通了。但他展示的成果不是抄个 Skill 就能复刻，得自己一砖一瓦砌起来。
我现在每天写 Daily Note + 用 /note 沉淀对话片段 + 周末跑 /lint 维护 Wiki。一年后再看效果如何。
视频原始来源：Maxwell Wilson - AI as a Second Brain (YouTube) 方法论原典：Karpathy - LLM Wiki gist 我的相关博文：LLM-Wiki 模式：当 AI 持续 curate 你的知识库 · 搭一个能跟 Obsidian 对接的 Quartz 博客