Timeline · RAG与知识库
怎样让AI用好自己的资料？
从搭建检索系统，到调用笔记，再到对外开放知识与方法。
把RAG接进日常笔记系统
用AnythingLLM消化外部资料，把有价值的内容存进Obsidian，再通过带有RAG能力的插件检索笔记、辅助写作。RAG的作用，是先找出相关资料，再交给模型回答。
最适合知识库的大模型
知识库要靠一整套RAG部件撑起来：生成模型、嵌入模型、重排序模型都得选对。
试过GraphRAG，效果之外还有成本
用《圣诞颂歌》测试GraphRAG，回答效果不错，但一次建索引和问答花了11美元。换成本地模型后，又遇到速度慢和嵌入报错，最后放弃了这次本地尝试。
回答不好，先检查喂进去的文档
针对知识库答非所问的问题，测试先把PDF转成Markdown，尽量保留标题、段落和表格。强调先处理好原始资料，并提醒转换后仍要检查。
RAGFlow：重型知识库引擎
普通产品不够用时，上RAGFlow这种重型引擎，靠Rerank、RAPTOR、Self-RAG这类高级设置提效果。
直接用Cursor操作笔记仓库
尝试用Cursor打开本地笔记，写好规则：先查已有文档，再补充网络资料，必要时调用工具处理PDF。检索、编辑和创作可以在同一个环境里完成。
留意到另一种检索方式
比较AI编程工具如何检索文件：有的先找相似片段，有的按任务逐步搜索。关注的是，片段检索能否保留完整逻辑，以及质量、速度和成本之间的取舍。
把上百篇旧脚本一起交给AI
把上百篇视频脚本交给Gemini，请它整理概念、关系和流程，再逐层分析背后的原则与下一步方向。这次尝试关心的是：积累的内容能否帮助自己看见已有体系。
为笔记分析设计一份提示词
准备给Obsidian MCP增加笔记洞察功能。把“第一性原理”和“不可能三角”组合成分析提示词，打算再交给Claude Code开发。此时记录的是设计思路。
回头看，想要的是能自己定制的Agent
回顾从Cursor知识库到Claude Code的尝试：希望工具、提示词、工作流都能自由组合。当时这套方案只满足了六七成需求，日常使用的模型成本仍然偏高。
决定不再把精力花在调试RAG上
在《为什么我不再折腾RAG了》中回顾：分块容易割裂联系，把系统从“能用”调到“好用”又很费力。于是改用Cursor等现成工具，把更多精力转向提炼资料之间的联系。
设想让资料处理成为日常流程
规划用Claude Code处理剪藏文章、生成阅读周报，再辅助关键议题讨论。手写笔记和AI报告分开放，但都用Markdown保存在同一项目中。当时还处于规划阶段。
又考虑换到Claude Desktop
做过两个Skill之后，开始考虑用Claude Desktop搭建个人系统，通过Obsidian MCP连接本地资料。帖子也记下了限制：必须联网，而且不能像Claude Code一样更换模型。
现成工具也有不满意的时候
把同一个YouTube链接分别交给NotebookLM和Gemini对话，记录下明显的体验落差：当时认为NotebookLM的回答质量远不如Gemini。
刚说效果差，又看到了更新消息
几天前还在批评NotebookLM的生成质量，这时又看到它将更新模型的消息。帖子猜测此前效果差可能与模型有关，但这仍是当时的猜测。
年底回顾：系统的重心变了
在年度盘点中，把自己的变化概括为：从以RAG为核心的旧体系，转向以Coding Assistant为核心的新体系；最初用Cursor，后来用Claude Code。
更新之后，重新评价NotebookLM
先注意到Gemini可以调用NotebookLM中的资料，随后在模型更新后重新给出很高评价。12月21日，再用文章解释为什么推荐它，并提出迁移资料的打算。
删掉插件，重新安排Obsidian的角色
年底整理工具时，写下一个实际变化：用Claude Code搭建个人AI OS后，Obsidian主要负责存储和备份，于是删掉了之前安装的各种插件。
自己的积累和外部资料，分开处理
先在帖子中提出“自己的东西放Obsidian，别人的东西放NotebookLM”，随后在文章里展开：自己的资料保存在本地，让AI工具自由调用；外部资料交给现成的知识库服务。
让AI用上笔记库已有的索引和关联
把Obsidian CLI接入newtype CLI，并在后续文章中解释其价值：让AI调用笔记库的搜索、标签和链接关系，利用之前整理笔记留下的结构。
把Obsidian CLI接入日常检索
给newtype OS内置一个Skill：发现项目里有.obsidian文件夹，就在检索等任务中优先使用Obsidian CLI。对新能力的关注落实成了具体用法。
让旧内容参与新作品的验收
展示实际创作流程：先搜索知识库，从过往内容确定文字风格，再建立验收标准。旧内容开始参与写作、编辑与最终校对。
一个小发现：标签能帮助检索
在一条很短的帖子里指出：给笔记加标签，对newtype OS帮助很大；借助Obsidian CLI，检索效率高得多。
把每次检索，变成持续积累
用过去的笔记、文章和视频脚本创建Wiki，并在《真正的AI知识库》中总结：先把资料整理成结构化知识，提问时查询Wiki，好答案和新资料也能继续补进去。
把整理好的Wiki做成网站
4月28日，让Codex把已有内容Wiki做成网页；4月30日，发布第一版。希望散落的观点逐步成为可导航、可引用、可扩展的知识库。
整理资料成为每周的固定动作
每周让Codex批量给文档添加标签、日期、类别等元数据，参考已有标签继续整理。过去手动做的工作，变成了持续维护知识库的一部分。
再回头看：不再整天手调RAG
回想两年前花很多时间折腾微调和RAG，现在更关心搭建自己的系统，让AI适配工作，再到其他领域创造价值。这是当时对精力分配的回顾。
把知识库开放给读者的AI
先发帖介绍网站资料库：结合向量与关键词检索，通过MCP按权限提供原文，让读者自己的AI阅读和回答。随后在文章中介绍这个内容基地。检索技术仍在使用，服务对象扩展到了读者。
把知识与方法一起开放给AI
给newtype.pro的MCP加上方法型Skills，别人的AI不装我的Skill也能通过MCP调用我的方法。
回顾三年：知识、经验与工具
三年来搞RAG和知识库是为了给AI注入领域知识，搞Workflow和Skills是为了注入领域经验。