1 引言

最近两周，GPT-4o 价格更亲民，Llama3 性能显著提升。这两件事凑在一起，让不少人的思路都变了。

打个比方：就像古代人正弯腰割着麦子，一抬头，看到一台收割机轰隆隆开过来。之前那些微调优化，在新东西面前，还值得一提吗？甚至开始怀疑自己折腾的方向对不对。

就在这个节骨眼上，发现了一个神仙插件：Obsidian 的 Smart Connections。它的表现远超预期，配合新模型，三下五除二就把个人知识库搭起来了。以前这些东西多半是炫个技、好玩儿，现在是真的能解决具体问题了。

具体来说，它有这几个实打实的优势：

• 操作简单，不用自己建向量数据库，也不用折腾向量转换。
• 能针对特定文档提问，精准度不错。
• 支持基于向量的模糊搜索，再也不怕记错关键词了。
• 还能通过 ollama 调用本地模型，除了电费，一分钱不花。

2 思考过程

2.1 搜索

很早之前就觉着 Obsidian 自带的搜索太折腾了。笔记一多，找个东西能翻半天；关键词还必须一字不差；要是搜个高频词，就给你哗啦啦吐出一大堆没排序的文档。

后来试了 omnisearch 插件，用机器学习建索引，效果有所改善。但跟基于语义的大模型搜索比起来，差距还是肉眼可见的。

2.2 知识库

一直想搞个真正可用的个人知识库——RAG 那种。能随身携带，所有的笔记都以干净的文本形式整合到一起，方便检索，还能在笔记之间自动建立联系，半自动地产出内容。

大部分文档都在 Obsidian 里，基本都是 .md 格式，本来就有分类和标签，理论上数据条件是具备的。但实际动手时，还是碰到几个坎：

• 文本转词向量这条路，方法多、细节多，上手容易做好太难。
• 还得自己搭向量库来存信息，存储和检索的方案层出不穷，更新迭代快得跟不上。
• 如果要随身携带，还得考虑部署，零零碎碎的事情一大堆。

如果做成产品，Obsidian 的用户盘子其实不算大；如果只给自己用，投入的时间成本又太高，不划算。之前一直没找到趁手的工具，这两天朋友推荐了 Smart Connections，发现它基本把上面这些问题都解决了，而且十几分钟就能搭好。

2.3 基于 Obsidian 做 RAG

用 Obsidian 来做个人知识库，比构建常规的 RAG 要省事不少：

• 里边的内容基本都是自己手敲的 Markdown，不存在格式转换的麻烦。
• 个人笔记数据量相对较小，对嵌入和搜索的要求没那么高。
• 根据搜索到的资源组织答案，更像是阅读理解任务，跟大模型内部的知识储备关系不大，主要看模型的语言理解和生成能力。实测 GPT-3.5 就完全够用，这次试了 Llama3 效果也挺好。

3 Obsidian 插件 Smart Connections

这次的具体实现，用的就是 Obsidian 插件 Smart Connections + ollama(Llama3)/GPT-4o 的组合。

3.1 信息

• 项目地址：https://github.com/brianpetro/obsidian-smart-connections
• 热度：GitHub 1.9K star，Obsidian 官方插件下载量 16 万+
• 代码：用 Ja vaScript 实现，目前 3000 行左右

安装之后，插件自动开始生成 Embedding，右侧栏会出现操作面板。

3.2 支持的模型

得夸一下作者的手速——GPT-4o 昨天刚发布，今天就火速支持了，直接帮大家省了钱（GPT-4o 速度是 GPT-4 的两倍，费用却只有一半）。而且只要接口跟 OpenAI 的模型一致，都能用，哪个性价比高就切哪个。目前支持的模型如下：

（此处图片或列表原文缺失，但根据上下文应保留原有内容，这里按原文处理）

3.3 问题与解答

3.3.1 本地 ollama 用不了

大概率是设置的问题。关键是要确保路径设置正确，参考下图配置。如果还是不行，就按 Ctrl+Shift+i 打开调试界面，看日志信息。

（此处图片或列表原文缺失，保留原样）

3.4 功能介绍

3.4.1 搜索/动态代码块

提供了两种查找方式：按文档查找和按块查找。可以在笔记里插入下面这样的代码块，返回的文档列表会直接显示在笔记里。

``` smart-connections
待搜索的关键字或问题
```

3.4.2 关联

通过 Smart View，可以显示与当前正在处理的笔记相关的内容，方便参考和建立新的连接。右侧栏会把所有相关的笔记列出来，并按语义相似度排序。

3.4.3 问答

可能是因为右侧栏只占了屏幕三分之一，做普通问答时感觉还是有点缩手缩脚。更推荐针对个人知识库来提问：

• 用关键词从笔记里找答案，比如：I, me, my, mine, we, us, our, ours。
• 如果想基于某篇本地笔记提问，可以这样写：Based on my notes…
• 要总结当前文档，可以写：Summaries [[文件名]]
• 常用的提示词都写在聊天输入框的灰色示例里。

推荐一个挺有意思的玩法：问它 “Who am I？”。它会根据笔记，从兴趣爱好、个人生活、工作、理财习惯、日常习惯等多个维度给出总结（前提是你笔记里有这些内容）。

关键是，回答还真有几分道理。由此可以推断，它不只是对单个文件做了简单的嵌入，而是对文档进行了分类、抽象和概述——细思极恐。

4 总结

经过这一轮更新，可以明显感觉到，本地大模型已经基本达到了平均人类智力的水平。通过 Smart Connections 这个插件，不仅搭起了个人知识库，还顺带学习了简单 RAG 的设计思路和实现方式。交互设计自然，学习成本也不高，确实很赞。

《夸克》非常好用的免费AI浏览器

下载APP查看