用Codex+Obsidian搭建个人知识库：让过知识产生复利
大家好，欢迎来到灵姐说AI。今天我们来聊一个非常有价值的话题：如何让你过去的知识产生复利，开始参与你未来的生产活动。像我作为一个AI博主，我现在已经生产了200多期的视频。作为我的观众，你日常会有工作，你每天也会在生产内容——做项目、写文章、开会、学习。但是，这些经验真的在积累吗？
今天这期视频就来解决这个问题——相当于是在AI时代，如何进行有效的知识管理，让我们的知识产生复利。
这期视频，我会用到Codex和Obsidian本地知识管理的结合。实操部分，我会以我自己200多期视频制作的原材料为最初的原料，搭建一个系统，让我过去的知识被AI找回、理解和重组，进行完整的知识萃取，让它来参与我未来的决策。
一、初步成果展示：我的Ling Talk AI OS
先给大家看一下我初步的阶段成果。当然，我整套的OS系统还在升级中。
大家现在看到的就是Obsidian的界面。在左侧，是我打开的这个项目的仓库。我把我将近200期的节目导入作为基础的材料，然后萃取所形成的知识库。在左边这栏可以看到，它分了12个文件夹。
这里可以看到我分为了节目的总览，在这里可以很明确地看到我的所有节目分期的展现。当然这只是最初层次的最基础的萃取。
再看我这里的认知资产的总览：我的认知模型、我的长期判断、我的主题中心，还有我这里整体萃取出来的高频实体。从这个地方就可以看出，在这个频道里面，我核心会讨论哪些项目实体。你看这里频次最高的是“GPT”，覆盖了81个节目，被提及了966次。
这里就是我的Ling Talk AI OS——整个操作系统的面板。
在这个入口层，我可以快速地进入到不同的序列里面。下面呢是我不断补充的序列：
-
节目层：这里是每一期节目的详细信息，它包含了哪些文件、什么样的状态、本地材料有哪些、字幕文档封面文稿是怎么样子的。
-
主题层：不同的主题，比如说在个人成长与认知下面有哪些相关的节目，我能很快地链接和跳转。
-
观点候选：它对我的节目的观点进行了抽取，而且每一个观点会有一个对应的触发词，它会有对应的节目状态。
-
实体层：包括Anthropic、Apple、Bytedance等等。
-
案例候选、表达风格：这一块没有细做，再细做也会非常的详细——会有各样的特征，我的整个表达风格是什么样子的。
-
认知模型：我把我所有的观点萃取为了更小的颗粒度，萃取为了知识的原子。从观点出发到原子，然后它这里会有关联的实体、关联的主题、时间的演化、支撑的案例、对应的节目等等。这里只是我的初稿，我还会继续地提炼演化，让它变得更加完善可用。
-
主题地图：这里我还会让它基于我过去的判断、我的认知模型，长出了很多选题机会。它相当于基于我以往的思考、我关注的领域、我的认知模型，以及我的所有认知观点里面的原子状态，把它组合形成了很多新的选题机会。
那从我的角度呢，我要考虑到所有的选题，不只是基于我过去的经验，还需要基于热点。那我同步的可以让Codex再加持上一些搜索的信息、一些热点的信息，这样子我就可以形成我的内容智能，形成我的选题机会。而如果我在自动化程度高一点，我就让它给我每天推送，形成我当天的内容简报。
比如说你看到今天7月25号，今天的内容简报告诉我今天热点有哪一些，它关联到我历史的哪些话题、哪些相关的视频，它的观点有哪些关联性。比如说我讲到GPT，那它就可以把OpenAI、把山姆·奥特曼，把它相关的视频、相关的观点抽取出来。这样子我在讲这个话题的时候，我就可以去抽取、去筛选，然后不断地去叠加。那么不断地加buff之后，我的观点会越来越厚重。同时呢我这一次讲的新观点，又可以进一步塞进我的这个Codex+Obsidian的个人OS的知识管理系统里面，让它不断地变得更加丰富。
那实际上这就是我的作为一个AI博主的知识门槛。
所以它可以每天给我推一份内容的简报，还给我推一份每日的选题机会。像这样，它就基于我以往的习惯，比如说它就可以给我4个选题，那我就可以拿着这四个选题去做选题会了。
从某种程度上面来说，我的这个方式就是用Codex+Obsidian的方式来蒸馏自己。
二、Obsidian知识图谱：让节点彼此关联
我们在使用Obsidian的时候啊，可以点击左边侧边栏这个地方查看关系图谱，点一下你就可以看到——这个就是各个节点形成的一个关系图谱。这是一个非常好、非常强的功能。
我们点击播放动画，大家感受一下——你可以看到各个节点正在蔓延生长，各个节点的关系正在发生关系。你想象一下，我们平时在管理我们的知识的时候，各种文件夹一层叠一层，最多大家看到两三层已经很疲惫了，而且看到的往往是树状结构，是看不到这些节点之间的关联的。但是Obsidian加上Codex，就是AI时代在我们管理本地文档一个非常好的工具。它就可以把我们这些文档背后的点，以最小原子化的状态，让它们以节点的方式相互关联出来。
大家看到现在这个关系图谱是我放大过的。比如说我点击任意一个节点，我这里点的是“GPT”，就可以看到GPT和它关联的所有的节点，它就会高亮呈紫色的状态。这里呢它是把所有的关系节点全部放进去了。那我想处理一个相关关系的时候，我可以就以GPT为节点，然后把它跟它关联的观点、原子化的内容全部都放在一个关系图谱里面，我把它放在一个文档里面去呈现，或者放在一个视频里面去讲解。
大家是不是能够在视觉上、在大脑上更加理解这种不同节点之间的相互关联？点击这个对应的节点，它就会跳到相应的实体。这里你看，它就跳到了实体的具体的这个页面，跟它相关的观点、整个观点的演化，还有支撑的节目、相关的案例、未来的研究方向、潜在选题，都在这里面就有呈现。而用其他的方式是比较难达到这种比较好的状态的。
三、干货环节：Codex操作核心思路
接下来我们进入到重头戏，干货环节。
大家不要想着说一步步地完整地跟着我操作，核心是要听思路、思路、思路。现在因为有AI工具了，思路更重要。
当然我是把我整个的过程完整的抽取出来了，AI给大家分析了。首先我们看到现在这里的，是我在Codex的操作过程。其实在Codex上面的操作比较简单，反而是我前期跟他的沟通比较重要。你看在Codex里面操作，我就直接把我前面和他沟通的、我对整个内容资产管理系统的想法，把这个上下文加进来。这个现在的这个Claude Code啊，它的用法特别的好，就是你把“Add to task”，把这个上下文加到Codex里面，然后就告诉他我现在的文件文档归档在哪里。
在Codex上面的动作很简单：
第一步：让他把我的资产做盘点。
第二步：把YouTube的API接口打通。
这里其实是一个很重要的知识点——我的整个的内容它是有结果的。我的整个的知识管理的好处相当于我是闭环掉的——就是我所有的视频资产，它最后的结果是有个反馈的。
那我们讨论到每个人具体的工作中也是类似这样子的：你做了一个项目计划书，或者做了一个销售的推进、运营的手段，那它无非是两种类型的结果：一种是主观的结果——甲方的反馈、客户的反馈等等；还有一种是客观的结果——数据性的，比如说这个电商的运营指标呀、它的转化率呀、销售额呀等等这样的指标。你可以把这个闭环的指标同步地放到你的知识管理体系里面。这样子它就有一个闭环的数据，它还可以自我优化。
在这里他就把我核心的文档、整个的知识层给梳理出来了。然后呢我就不断地迭代，让它更新——比如说把我中间希望升级的部分，我希望加一些案例、实体的关联等等，全部都加进去。
然后对应地把Obsidian这个本地的APP安装好。在这个地方啊，左下角这个位置，仓库这个位置，管理仓库，导入到本地的对应的仓库，就是刚刚你在Codex建的仓库，就可以看到这个界面了。这个就是最直接的操作——Codex+Obsidian。
四、思路沉淀：31页完整稿的由来
所以啊，我其实是要再往上，再给大家去讲一层——这个内容资产管理的系统，我是怎么构建的？我的思路是哪里？
我在这里呢，又使用了它的这个“Continue from the chat”，也就是左上角这个地方，大家看到，点击这个地方“Continue in work mode”。你看我也在讲Codex的这个使用技巧，点击这里，这个时候呢，它就会跳转到这样的窗口，可以看到——你看现在我们在侧边栏这里，是能很明确地看到，这个是Chat的文件类型，这里是Work的文件类型，它都是在云端的。
好，这个就是我历史的对话。这个时候呢，你看我点击“Continue from chat”之后，它这里会自动地帮我处理。好我可以把指令发给他，我让他给我去抽取——把我整个的沟通的过程抽取出来，不仅是有结论，更重要的是我整个的迭代过程。我认为这也是非常有价值的。
那就形成了对应的这个PDF版。这个就是我31页的完成稿，它包含了我大部分整个沟通的具体细节的关键要点。我相信它比我自己去总结要好得多。如果说我想进一步去抽取，我也可以给它提要求——比如说它可以帮我做成PPT，做成简版的方法手册，或者做成对应的逐字稿，还有更多的内容都是可以的。这个就是Work模式和Chat模式无缝衔接的一种工作方式。
那这里呢，我想跟大家想去分享的是这个31页的完成稿。我觉得这里面非常多的细节，包括整个迭代的过程、这个知识萃取的过程，这个思路才是更加重要的。
至于这个文档要不要跟大家分享，我还在考虑中。大家先看这个文档本身的思路，先跟大家分享一下。这里讲的是我如何把200多期我的视频内容变成一个会生长的认知系统，我把它命名叫做Ling Talk AI OS。
五、可迁移的全景复盘思路
这个思路不仅是可以像我这样用于我的视频管理，大家在工作中，很多项目文档——可能你做建筑的、做生物医药的，或者做其他领域的，都可以用类似的方法去帮你构建一个你自己的认知管理系统。它是一种可迁移的全景复盘的思路和方法。
这里有阅读导航，会分为五个部分，我依次给大家来讲解里面的要点：
第一部分：主要是讲我们为什么要做这样的一个操作系统。就是说我们不仅要考虑生产，更要考虑经营。如果我们一直在做事，没有复盘，没有把我们历史的知识管理起来，那么我们每一次就是这种传统的创作流程的循环。可能很多大部分的视频创作者还在沿着这样的循环在走，可能高级一点呢，有意识会去做一些沉淀和复盘，开一些选题会、复盘会。但是更高级的方法就是让AI来帮你完成这个过程。
其实一开始在做这个系统的时候，我只是想把我历史的视频、观点、图片、案例等等管理起来，有一个知识管理、知识库的这么一个概念。但是做着做着，我的整个的定位其实在不断地升级。我发现它真的是可以不断成长的。你想想我萃取出来的这些知识，他的观点我可以复用，而且这些观点他背后的认知系统，我可以不断地把它加深加厚。他可以基于这些观点帮我去做一些选择，相当于他在蒸馏了我自己，他可以帮我去做一些判断和选择——比如说做一些选题的判断，或者说依据我的认知模型去生长出更多新的观点。
那么这套系统就可以跟我原来的这个内容工厂的生产系统桥接起来。当然现在我还没有把它完全的桥接起来啊，就是我先把它两个分开，先做的相对有个60分，我再开始慢慢地去调节，不然就做的很乱了。
好，所以这个项目的定位，一开始是文件整理，后面变成了内容资产，再到后面我又升级为了个人的内容模型，然后再到一个完整的创作的生命周期。再延伸一点，这些所有的内容都是我的观点，都是我的认知。相当于通过这样的方式，我把我自己的认知的方式，从我大脑里面变成一个私人的库。那我再做出视频，就相当于我把个人的认知变成了一个公共的库、公共可以调取的知识。
那这套系统最后就会变成我的一个个人认知的资产系统。
你看它就有这么一个链：从节目到观点的候选，这个观点摘取出来，它会形成一个知识的原子（Knowledge Atom）。相当于你看我们化学、生物里面，万事万物都是不断的可以拆分到原子、分子最小的颗粒，这样子它又不断的可以重组，就会有很多很多的创新的思路、很多犀利的观点出来。这些知识原子，它加载在不同的实体，再结合我的视角，它就会形成一条一条看上去不同、但实际上底层又是相同的我的观点。那所谓的创新，无非就是这么出来的。
然后它进一步组织，就会形成很多的主题中心，比如说我们看到的Agent、具身智能、各种主题的组织，然后再形成我们自己的认知模型。这些认知模型，我们再加上一些定时任务或者说批量跑的任务，它就会形成一个内容的智能系统。这样子我们就可以找到过去使用过的一些观点，或者发现一些尚未发现的思想，因为我们可以扫描嘛——所有的节点都可以扫描，你会发现，在哪个板块有个坐标系，X轴、Y轴在这个（1，2）这个点上面，这一块是空白的，那我就可以未来做一些节目，把这个空白点补上。这样我的历史认知和外部机会就会产生火花，发现一些新的内容生产的机会。
所以大家会看到我的整个的频道，我的维度是很多的，其实也是这么构建出来的。当然以前没有那么成熟，慢慢随着迭代，我整个的知识网络、我整个的节目逻辑会更加的体系化。
六、迭代推动：七次关键升级
那么我们在改造的时候，就会有了一个具体的对象——就是我们不断地迭代，迭代的是什么呢？实际上就是我们每个人的操作系统。每个人的OS系统都可以在AI工具的帮助下去迭代升级。那实际上这个OS系统也是我们本身每个人的大脑的映射。
那你单纯地说，我去编辑自己的大脑，大家可能觉得有些抽象。那如果有这么一个实体化的OS系统，并且可以用Obsidian通过节点化、通过知识图谱的方式去展现的时候，你会更加清楚地知道自己整个的知识网络、认知模型有哪些缺点，有哪些做得好的地方，你会更加明确地知道如何去编辑自己的大脑，如何去改造自己的操作系统。
讲得有点远啊，你看这套操作系统是怎么我一步步推出来呢：
-
第一次推动：理解方案不够，理解样本不够，要理解全部的历史。
-
第二次推动：要理解全部的历史。
-
第三次推动：YouTube的数据必须回流。每个人确实可以有自己的坐标体系，但是外部的反馈对于我们构建这个系统、形成一个正循环也非常的重要。
-
第四次推动：我是把我的这个资产要发生作用。就是我只记录，我会感觉没有体感，我可能会没有改造的动力，我就要把这些内容资产用起来。实际上就是相当于我在做这个思想的召回、观点的叠加，或者是说我用于它生产一些新的选题，帮我找到一些新的知识泉口等等，去把我的整个的内容生产体系跑起来。只有说它真正地能够帮我的日常工作增值，我会有更强的动力去优化我的操作系统。
-
第五次推动：相当于是这个观点对象认知模型的整个的设计。
-
第六次推动：把它结构化。
-
第七次推动：文件和标签尽量让Codex写。
七、Codex、Obsidian与人的分工
怎么理解呢？
其实常规啊，一些人去学这个Obsidian，或者是分享怎么用，就是教怎么用这个软件，怎么导入，包括可能你要自己去建一些标签，当然也是可以的。比如说你点击左上角这个地方，它就可以创建今天的文档，就可以在这个上面去操作，做一些记录。但是我并不建议大家这样做。
这个Obsidian和Codex，包括人在整个的这个知识管理的系统里面，他们是担任不同的角色的：
-
Codex：它其实是干重活的。它主要是所有的这些知识的萃取提取，所有的标签工作都是Codex去做的。它至少占到了60%-70%的工作量。
-
Obsidian：它是什么呢？它有一点像人类的一个认知层。你看它的整个的结构化，包括它的这个知识图谱化，都是比较容易让大家理解的。你想这种点和点的关联，如果说不借助Obsidian这样的工具，可能大部分的人更难理解。
-
人：在这个过程中大概起到了20%左右的作用。就是人要做一些关键的判断，比如说他这里说的一些观点的候选，我到底认不认可呢？我是要删掉、认可，还是说他应该改造？他这样的组织结构，比如说他从00到12的整个的组织结构是否完善？实际上整个的组织结构他迭代了好几次，一开始只是到了这个07这一块，那我不断地迭代，给他加一些要求，形成了主题地图、形成了一些节目类型、还形成一些内容智能的东西。就是人要做一些关键的判断。
所以我觉得如果是真要去看在整个的OS系统里面，我理解就是相当于Codex占了70%，Obsidian占了10%，人占20%——大概是“712”这样的比例。
八、六层系统架构
好再往下看，这是Ling Talk AI OS的整体结构。这个六层结构非常有参考性，大家可以看一下：
-
L0：原始资产层——就是你把所有的信息导进去，给它一个文件夹，让Codex帮你整理。
-
L1：目录与索引层——现在你去看我的文件夹，我觉得几千个文件夹肯定是有了的。如果让我自己去索引啊，肯定是不规范的。所以说虽然我已经尽量去规范，但是实际上很难做到绝对的这种树状的、逻辑结构很强的规范。第二层是让AI去做目录和索引。
-
L2：语义资产层——它把所有的这背后的内容提取出来。大家会用很多PPT啊、Word文档啊，包括我的字幕啊，文本化的东西，把所有的语义层的资产提取出来。这个是普通的文件夹管理做不到的。
-
L3：认知层（知识原子）——把这些语义、把这些一句话再提取出来，抽象出认知层的观点。比如说我刚刚讲的很重要的概念叫做Knowledge Atom，就是知识原子，尽量把它最小的颗粒化，然后组织成长期判断、视角、主题中心、认知模型。
-
L4：创作机会层——把它形成组合重组成为创作的机会层，一些选题的机会、研究包、结构模板等等。相当于以后我的节目就会有几种类型的节目，不同类型的节目我的制作的套路是不同的，那它所需要的素材也是不同的。那以后针对不同的节目类型，我就可以沉淀不同的处理方法。可能有的偏播客的，他的声音就不是我本人出镜，就可以用AI来出声音；有的节目实操类的，那我需要真人出镜；那有的节目，比如说情感类的认知类的，可能我真人分享跟大家会有更好的交流。
-
L5：现实层反馈——这个非常的重要。就是我刚刚讲的API接口啊，这个只是最直接的。除了API接口之外，实际上我还可以把大家的评论留言整理出来，它也是现实层的一个反馈。然后在这里再更新我的认知和创作策略。
这个六层系统我认为是非常具有参考性的，不只是可以用在内容创作方面，我认为其他方面也是非常有帮助的，其实都可以去迁移的。
九、数据展示与知识原子
下面呢就是我分阶段的抽取。我现在这个节目，就是我给到他的文档，中间我有一次这个硬盘还坏掉过，我丢过一些早期的这个视频文件，但是新的视频文件基本没丢。
然后这里你看，他给我抽取的有效的资产文件是1万多个，字幕呢是146个（可能有一些重复的），同时呢很多节目有的节目我是没有完成的，后面没有制作成视频给大家分享出来，还有一些没有匹配的、待人工复核的一些本地项等等。
你想这1万多个资产文件让我自己去看，我要搞到什么时候？有了AI、有了Codex+Obsidian会变得非常的轻松。大家都可以用类似的方法去做。
我的知识原子有513个。那每一个原子它都可以两两组合、或者三三组合、或者四四组合，或者跟新的内容去组合，那就有很多玩法。当然这个地方我还没有仔细地去判断——就是我人介入的这一层，我现在还没有去做深度的判断。后面我也会给大家去分享后续我怎么去运用这个OS系统来不断的生产新的内容。
十、观点-实体-主题-案例-节目的关联链
这里讲到了这个观点对象认知模型。前面也讲了，这里呢我再讲讲，就是我觉得这个其实非常重要的——就是相当于你的知识的原子怎么去组织。它是相当于一个树状结构对吧，从树根到树干、再到树枝、再到树冠，一个个长出来的结构，而且不断地去组合。
其实大家看到那个Obsidian里面，它是有一个关系图谱啊，其实大家看到这里其实是不同的节点在连接。那这里其实太密了，我们通过人脑去看可能很难去处理。但是我们把它信息去简化，限定在一定范围内的时候，大家再去看这里的时候就会更加理解。比如说我可以选择在某一个主题下的这些节点的关联，是不是就能够理解？而这些节点的关联，它是以什么样的方式来关联呢？它是怎么依附的呢？
其实就是这一条链：
观点 → 它是基于某个实体的表达 → 而这个实体，它是属于某一个主题 → 这个主题下面，它可以衍生出很多案例 → 这个案例它能够制作出节目 → 而所有的背后，实际上是认知模型在作用。
这些节点的关联和组合，实际上就是这些内容它们彼此间的勾连。
你看他这举个例子：我说到Agent，那他就可以同时关联OpenAI、Codex、Claude等等，这里呢实际上是很多具体的实体。这里的工作流、软件入口、组织变革，实际上就涉及到一些具体的案例。那么关于组织变革的一些案例，比如说Agent在组织变革中的作用和影响，它就会形成一个具体的观点，而多期节目中的实测和案例可以抽取出来再复用，就会形成一期具体的节目。
再拓展想一下，我们基于任何事情的判断，实际上都是这个套路。想想是不是——我们面对的对象是谁？我们基于什么样的认知模型？我们的观点是怎么样子的？想想我们换了个对象，我们的观点的表达是不是就改变了？我们换了一个认知模型，我们的整个的说法是不是就变了？
实际上每个人的思想都是一个网络，只是很多人没有觉知而已。观点它不是凭空产生的，它是挂载在某一个具体的实例下面的。
十一、实体+视角矩阵：扫描空白机会点
这里还有个非常有意思的视角，就是对于一些重要的实体啊，我们可以使用“实体+视角”的矩阵来扫描出我们的一些空白点或者是机会点。这也是我们拆分出更细的知识原子的一个思路。
比如说在Obsidian里面，这里有实体这一列。比如说ChatGPT，它会有很多相关的节目。对于这样重要的实体，实际上我可以做很多丰富的表达，所以我就可以通过视角这个维度去拆分——比如说技术判断、产品判断、商业判断、用户价值、未来判断等等。我可以把它拆分的更加细。那我的实体增加，或者说我的视角增加的时候，我如果发现有的格子没有被填满，而是暴露了空白的时候，那这个空白是不是本身就是一个商业的机会点？
再往下呢，我就形成了多版的认知模型。这里呢是我第一版的，包括Agent的判断模型、产品的评价模型、创业的判断模型、垂直业务层的分析，还有AI时代的能力模型。这些模型都是我能够反复调用和使用的，而且我还可以不断地去沉淀。
十二、三个核心飞轮
后面呢主要是我节目的一些相关的内容了。比如说这里怎么让历史资产参与到新的内容生产里面——就是一个召回、提取、检查、补充、选择、形成、然后闭环回流到新观点的这么一个过程。
还有这里我的三个核心的飞轮：
-
Loop 1：知识复利的循环飞轮——我整个的资产的闭环。
-
Loop 2：内容机会的闭环。
-
Loop 3：内容生产和反馈的闭环。
这个呢实际上是我内容的资产管理的阶段分享。这只是第一个阶段，后面有新的进展、有新的思路和想法，也会给大家去分享。
本期复盘：本文详细介绍了如何利用 Codex + Obsidian 搭建一套个人知识操作系统（Ling Talk AI OS），让过去的知识产生复利，参与未来的生产活动。作者以自己200多期视频节目为原始素材，通过Codex完成60-70%的知识萃取和标签化工作，Obsidian作为人类认知界面进行可视化呈现，人则担任20%的关键判断角色。文章系统性地展示了从原始资产到知识原子、再到认知模型的完整六层架构（原始资产层→目录索引层→语义资产层→认知层→创作机会层→现实层反馈），并介绍了513个知识原子通过“实体+视角”矩阵扫描空白机会点、三个核心闭环飞轮（知识复利循环、内容机会闭环、生产反馈闭环）等创新方法。这套思路可迁移至任何领域的项目文档管理和个人认知系统建设，是AI时代知识管理的实战范本。
