说实话我的个人知识库已经烂尾过三次。最早用文件夹堆Word后来迁移到Notion再后来换成Obsidian笔记倒是越积越多但从“收藏”到“消化”之间的距离始终没有真正缩短。直到我花了一周时间用WorkBuddy把整个知识库重做了一遍才第一次感觉到不是我在给工具做整理而是工具在帮我做整理。这篇文章不聊虚的直接讲我怎么从零开始用WorkBuddy搭建了一套能自运转的个人知识库包括目录设计、模型接入、Skill配置、自动化整理流程以及我实际踩过的坑。不管你是笔记爱好者、知识管理强迫症还是想用AI提升效率的普通用户这套路径基本都能直接抄。1. 为什么我决定用WorkBuddy重做知识库1.1 旧知识库的三个致命痛点我之前的“知识库”本质上是一个越滚越大的笔记垃圾场。具体有三个问题特别致命第一收集容易整理难。看到好文章先丢进收藏夹截图扔进相册PDF塞进网盘。等到要用的时候根本想不起来当时存了什么更找不到在哪。第二检索靠回忆。Obsidian的双链确实漂亮但前提是我得记得自己写过什么、链接过什么。一旦忘记关键词就只能一篇篇点开看。第三笔记之间完全割裂。今天记一条产品灵感明天存一段代码写法后天摘录几句书评它们各自为政从来没产生过任何化学反应。这三个痛点叠加起来让我对“知识管理”这件事产生了极大怀疑——工具换了一个又一个真正沉淀下来的东西却少得可怜。我需要的不是另一个“能存东西的软件”而是一个能主动帮我整理、提炼、关联东西的“整理员”。1.2 WorkBuddy解决了我最头疼的事第一次接触WorkBuddy是在一个技术社区看到有人讨论它的Skill机制。用了几分钟之后我意识到它不只是又一个AI套壳工具而是真正把“AI能力”和“本地文件操作”结合在了一起。WorkBuddy本质上是一个AI工作台它可以接入不同的大模型服务比如DeepSeek、本地部署的模型也能通过自定义指令和Skill插件来扩展行为。最打动我的一点是它能直接读写我电脑上的文件夹。这意味着我可以把一篇乱七八糟的笔记丢进指定目录然后让WorkBuddy自己完成阅读、打标签、写摘要、移动到对应分类这些操作。这正好命中了我“整理靠手动”的痛点。以前我整理一篇笔记大概要10分钟现在丢给WorkBuddy处理一篇不到1分钟。更重要的是它不是简单地把文字压缩成摘要而是会按照我设定的知识体系去理解内容给出结构化的卡片还会主动推荐关联笔记。这种感觉已经不是“搜索”了而是它真的在帮我“思考”。1.3 横向对比WorkBuddy、Notion与Obsidian很多人会问为什么要用WorkBuddy而不是继续用Notion或者Obsidian我把三者的定位拆开看了下工具核心优势核心劣势适合场景Notion数据库、关系视图强适合结构化协作导入导出麻烦数据在云端隐私性一般团队知识库、项目管理Obsidian本地Markdown、双链、社区插件丰富整理全靠手动AI能力需要额外插件拼装个人笔记、长文写作WorkBuddy能调用大模型直接操作本地文件自动化能力突出不是传统笔记编辑器需要配合Obsidian等使用AI驱动的个人知识库自动化我的选择不是“抛弃Obsidian”而是让WorkBuddy做“大脑”Obsidian做“展示层”。WorkBuddy负责消化、整理、链接Obsidian负责让我舒舒服服地阅读、浏览、手写补充。So工具链不是二选一而是各管一段。2. 落地前的规划知识库结构和工具链怎么选2.1 先定边界知识库只装三类内容很多人做知识库失败原因是想把所有东西都装进去。我自己也犯过这个错结果库越来越大越来越乱。这次用WorkBuddy重做之前我先做了一次减法把知识库的内容收敛成三类输入类来自外部的一切原始材料比如文章摘录、PDF重点、微信对话截图、看过的视频要点。处理类经过提炼后的卡片笔记每条卡片只有一个核心观点附带来源、标签、关联链接。输出类基于这些卡片产生的文章、方案、代码片段和项目文档。这个分类逻辑不是我自己拍脑袋想的而是参考了经典的“收集箱—处理箱—项目箱”信息流模型。用WorkBuddy做自动化的时候这三类内容对应三个不同的处理动作输入类只需要“暂存等待处理”处理类需要“清洗结构化”输出类需要“组稿编目”。边界清楚了自动化才写得明白。2.2 目录结构与命名规范我最终确定的目录结构长这样KnowledgeBase/ ├── 00_Inbox/ # 外部材料统一丢进来 ├── 10_Sources/ # 已归类的原始资料 │ ├── Articles/ │ ├── Books/ │ ├── Videos/ │ └── Code/ ├── 20_Notes/ # 处理后的卡片笔记 │ ├── Concepts/ │ ├── Methods/ │ ├── Tools/ │ └── Ideas/ ├── 30_Projects/ # 输出类正在写的文章、项目 └── 90_Archive/ # 已经用完的冷文件命名规范方面我给自己定了一个很简单的规则日期_主题_类型例如20250612_WorkBuddy知识库_方法.md。日期保证排序主题保证辨识度类型保证我一眼知道它是卡片、资料还是文章。这套规则看着简单但配合WorkBuddy的自定义指令后能极大降低它理解我文件夹结构的学习成本。2.3 工具链组合WorkBuddy Obsidian 本地模型工具链选择上我最终用的是WorkBuddy做主控Obsidian做阅读和双链本地模型Ollama做离线处理同时接一个云端的DeepSeek API做复杂任务。为什么不只用一个模型原因很现实。本地模型的好处是隐私、免费、离线可用但推理能力相对弱云端模型聪明但涉及隐私内容时要谨慎。所以我的策略是日常整理、打标签、简单摘要用本地小模型复杂分析、写长文档、跨笔记做关联用DeepSeek。WorkBuddy支持多模型配置和规则切换我只需要在指令里指定用哪个模型就行。Obsidian在这里的角色是“最终浏览界面”。WorkBuddy把整理好的Markdown放进目录后我用Obsidian打开就能看到双向链接图谱还能继续手写批注。WorkBuddy的自动化能力加上Obsidian的双链能力刚好互补。3. WorkBuddy安装与初始化从零到能用的4个步骤3.1 下载安装与环境准备WorkBuddy支持Windows、macOS和Linux。我主力机是Ubuntu所以重点讲一下Linux版本的安装过程其他平台逻辑类似。第一步是去官网下载对应安装包Linux版本需要给安装文件加执行权限然后运行安装脚本chmod x WorkBuddy-linux-x86_64.AppImage ./WorkBuddy-linux-x86_64.AppImage如果缺依赖一般会报缺少libfuse2之类的错误直接用系统包管理装掉就行sudo apt install libfuse2安装好之后WorkBuddy本质上是一个Graphical界面程序但也提供命令行接口方便我用脚本调用。我建议你安装后第一件事去“设置-偏好”里确认数据目录我习惯把它的工作目录直接指向我的知识库根目录这样WorkBuddy读写文件时都在同一个空间里不用来回搬数据。3.2 接入DeepSeek等模型的详细配置模型接入是重头戏。WorkBuddy默认支持一堆主流模型服务我需要做的事情就是填API地址、API Key、模型名称这三个东西。以DeepSeek为例先在DeepSeek开放平台申请一个API Key然后进入WorkBuddy的“模型服务配置”面板新增一个服务{ name: deepseek-main, base_url: https://api.deepseek.com/v1, api_key: sk-xxxxxxxxxxxxxxxx, model: deepseek-chat, temperature: 0.7 }代码里这些字段要跟你实际的API信息保持一致尤其是model名称填错的话会直接报model not found。配置好之后在WorkBuddy的Model切换里选上它随便发一句“你好”能正常回复就说明通了。如果用的是本地模型OWorkBuddy也支持通过Ollama连接。先在本地装好Ollama拉一个模型下来然后填{ name: local-llama3, base_url: http://localhost:11434/v1, api_key: ollama, model: llama3:8b }这里api_key任意填一个字符串就行因为Ollama本地服务不校验。我个人推荐本地至少跑一个7B以上的量化模型比如qwen2.5:7b这样做的简单整理任务效果基本够用。3.3 配置全局自定义指令WorkBuddy的“自定义指令”是它区别于普通AI客户端的关键能力。你可以把它理解成给AI定的一整套“家规”一旦配置好之后对它的所有任务都会自动生效。我在“全局指令”里写了一段知识管理规则核心几点你是我的个人知识库助手。你的职责是 1. 对进入00_Inbox的文档进行阅读、提取要点、打标签、写摘要。 2. 标签必须使用YAML front matter格式标签分类遵循我的目录结构。 3. 整理后的笔记移动到20_Notes下按主题放入Concepts、Methods、Tools或Ideas子目录。 4. 每篇笔记必须保留原始来源链接没有来源的标注“无来源”。 5. 禁止编造笔记中不存在的内容如果信息不完整明确告诉我缺少什么。这段指令看着很长但很有必要。有了固定的规则后面我只需要丢文件给它不用每次重复描述需求。这也是WorkBuddy“后续对所有任务都生效”这个热词背后的实用价值。3.4 安装Skill并测试基础对话Skill是WorkBuddy另一种更进阶的能力类似插件给AI绑定特定的技能文件夹里面可以包含指令模板、脚本和工具定义。我第一天就装了以下几个Skill网页抓取Skill输入一个URL自动抓取正文并生成Markdown。视频笔记Skill输入B站/YouTube链接自动提取字幕或简介生成结构化笔记。Obsidian同步Skill让WorkBuddy生成的笔记自动同步到Obsidian仓库。Superpowers Skill一个通用能力包提供大量高效的提示词模板。安装Skill并不复杂在WorkBuddy的SkillHub里面直接点安装就行。装完一定要测试我通常会发一个指令“用网页抓取Skill抓取你熟悉的任意技术文章并生成卡片”。如果它能正常抓取并输出就说明链路通了。基础对话能聊、文件能读、Skill能跑这三个都验证过之后就可以开始真正的知识库重建了。4. 核心落地用WorkBuddy搭建个人知识库的完整流程4.1 第一步建立笔记模板我发现很多人忽略模板的作用但模板是自动化整理的基石。如果每篇笔记结构都不一样AI再聪明也很难统一处理。所以重做知识库的第一步是先在20_Notes下建一个_template.md--- title: date: tags: source: author: status: seedling --- # 核心观点 # 笔记正文 # 与我已有知识的关联 - [[]] # 待思考的问题WorkBuddy每次整理完一篇笔记都会按这个模板输出。这样我打开任何一篇卡片基本能在10秒钟内找到自己需要的信息。模板里的status字段我分三档seedling幼苗、growing成长、evergreen常青用来标记笔记的成熟度后面自动化归档的时候可以直接按这个字段操作。4.2 第二步批量导入旧笔记接下来要把旧笔记全部导入新库。这一步别试图手动整理直接一股脑丢进00_Inbox。我的旧笔记里有Markdown、Word文档转成txt、PDF摘录和少量网页存档。WorkBuddy对纯文本和Markdown支持最好PDF先我手动转成文本再丢进去。Word文档我用命令行批量转一下再放入Inboxfind ./old_notes -name *.docx -exec libreoffice --headless --convert-to txt {} 导入完成后我先让WorkBuddy做一次全量盘点让它输出一份“Inbox文件清单和预估分类”的表格。这样我能对旧材料做到心里有数而不是两眼一抹黑地让AI乱拆。4.3 第三步自动打标签与摘要批量整理时我用的指令是请扫描00_Inbox下的所有Markdown文件对每一篇执行 1. 提取全文核心观点 2. 按目录结构打1-3个标签 3. 生成200字以内的摘要 4. 在笔记末尾添加“关联笔记”区与其他Inbox文件相同主题进行链接 5. 处理完成后把原文移入10_Sources对应子目录新生成的卡片移入20_Notes对应子目录。 处理完先给我一份报告不要急着删除Inbox原文件。这里的关键词是“报告”和“不要删除原文件”。因为AI批量处理时难免出错保留原文件让我能随时回滚。WorkBuddy处理完以后我只需要检查报告里有没有明显分类错误逐篇微调即可。4.4 第四步生成索引和双链整理完一批笔记后我知道光是分散的卡片还不够需要有一个入口把它们串起来。我让WorkBuddy生成“MOC”Map of Content页面本质就是一个主题索引# 知识库索引 ## 概念类 - [[20250612_WorkBuddy是什么|WorkBuddy是什么]] - [[20250611_双链笔记法的底层逻辑|双链笔记法的底层逻辑]] ## 方法类 - [[20250610_卡片盒笔记法实操|卡片盒笔记法实操]] - [[20250608_如何做知识库自动化|如何做知识库自动化]] ## 工具类 - [[20250607_Obsidian插件推荐|Obsidian插件推荐]] - [[20250605_Ollama本地模型部署|Ollama本地模型部署]]双链部分WorkBuddy主要是根据文章关键词和标签自动匹配已有卡片在“关联笔记”区插入[[链接]]。我发现它做粗粒度链接很靠谱但细粒度语义关联还是需要我自己补充。所以策略是让它自动加粗链接我每周抽20分钟手动修补那些“说不清为什么相关但确实相关”的卡片关系。5. 实操案例一次完整的“输入-整理-输出”闭环5.1 场景描述与目标为了让你更直观地看到这套流程我拿最近的一次实际操作举例我阅读了一篇关于“卡片盒笔记法”的英文文章想把它变成自己知识库的一部分并最终写成一篇简短的读书笔记发在博客上。目标有三个第一文章进入知识库后能变成标准卡片第二能和之前关于知识管理的旧笔记产生关联第三能生成一版适合发布的内容而不是纯摘抄。5.2 具体操作步骤第一步我把文章正文复制成一个Markdown文件丢进00_Inbox然后在WorkBuddy对话框里发了一个很短的指令“处理Inbox里关于卡片盒笔记法的文章按我的知识库规则走。”它自己就知道要读模板、打标签、生成卡片因为全局指令里已经写清楚了。第二步WorkBuddy返回了一张卡片内容包含原文链接、标签#知识管理/方法论、摘要、核心观点以及三条“关联笔记”建议。我看了一下关联的是我之前写的“双链笔记法的底层逻辑”和“如何做知识库自动化”准确度很高。第三步我继续发指令“把这篇卡片扩展成一篇1200字左右的博客文章结构包含为什么卡片盒方法有效、三种常见误区、实操时怎么用WorkBuddy落地。语言要求口语化适合个人博客。”WorkBuddy基于那张卡片和关联笔记生成了一篇初稿。第四步我把初稿复制到Obsidian里的30_Projects做了一遍人工修改补充了一些自己踩坑的细节然后发布。5.3 结果对比与效果评估整个流程从丢进Inbox到发布耗时大约40分钟其中大部分时间是我在修改初稿。以前同样的流程光是从旧笔记里找相关观点可能就要花一晚上。效果评估方面我给自己定了一个标准卡片库里的笔记是否真正被反向引用。这篇卡片发布之前我检查了一下[[卡片盒笔记法]]这个链接出现在索引页和另外两篇文章里说明它不是一座孤岛而是真正融入了知识网络。WorkBuddy帮我把“输入”与“输出”之间的断裂补上了对我而言这才是它最大的价值。6. 常见问题与避坑指南6.1 DeepSeek等模型连接失败怎么办接API时最容易碰到的坑有三个API Key填错、模型名填错、网络不通。API Key填错一般表现为401或403错误。检查一下Key前后有没有空格最好重新复制一次。模型名填错错误信息里会带model not found这时候去官方文档确认准确的模型ID。网络问题先确认base_url是否可达可以尝试在终端里ping一下域名再检查WorkBuddy的日志输出。另外有些模型服务要求设置额外的api_version字段或者请求头WorkBuddy的配置面板里都有对应高级选项遇到问题先看官方文档的服务端接入说明。6.2 本地模型太慢、显存不够怎么办本地模型最痛苦的就是速度。我之前用Ollama跑一个13B模型8GB显存被塞得满满当当一条指令要等两分钟才回复完全没有使用体验。我的建议是别贪大7B量化模型是最佳平衡点。用Ollama拉一个qwen2.5:7b-instruct-q4_K_M显存占用控制在6GB左右单条整理指令基本在10秒内能跑完。如果显存还是不够可以把参数量降到3B或者启用CPU推理GPU和CPU配合慢一点但能跑。对于复杂任务直接切换到云端API不要跟本地模型死磕。6.3 知识库里重复内容越来越多怎么办自动化整理跑起来之后重复内容是不可避免的。同一篇文章可能既在PDF摘录里又在网页抓取里。WorkBuddy处理时尽量让它在写入前搜索同名或相似标题的卡片如果发现重复它会在报告中提示而不是直接覆盖。我自己的做法是定期开一次“去重会”。指令是“找出20_Notes下内容相似度超过90%的卡片对列出标题和路径不要删除任何文件。”拿到列表后我手动判断保留哪一篇另一篇移到90_Archive。全自动去重有误删风险人工确认才放心。6.4 隐私与数据安全注意事项用云端API处理知识库时要时刻记住一个底线不要把密码、身份证号、商业机密等私密内容放进Inbox让AI处理。WorkBuddy虽然可以连接本地文件但一旦调用云端API内容就会经过第三方服务器。我的做法是知识库里专门设置一个private/目录用WorkBuddy的目录权限配置禁止云端模型访问该目录只能由本地模型处理。另外WorkBuddy生成的临时文件和日志也值得留意。如果特别在意隐私建议定期清理缓存或者把所有AI相关文件都指向一个专门的数据盘。数据安全这种事宁可麻烦也不要在出问题后才补救。6.5 易踩坑速查表场景典型问题解决方案安装AppImage缺少libfuse2sudo apt install libfuse2DeepSeek调用模型名不识别改为deepseek-chat本地Ollama响应太慢换7B量化模型或转云端APIInbox处理原文件被误删指令里显式声明“保留原文件”双链质量链接过于泛化用人工每周修补细粒度关联隐私文件云端模型读取设置私有目录并限制访问Skill失效版本更新后不生效重装Skill并确认依赖完整批量导入中文乱码统一转成UTF-8编码我在实际使用中还有一个体会WorkBuddy再强也替代不了你对知识方向的判断。它会帮你省掉繁重的整理时间但“这个东西到底值不值得记”“这个观点跟我已有认知有什么冲突”依然需要你亲自做决定。把AI当成一个手脚麻利的助手而不是替代你思考的脑子用起来反而更顺手。
