Codex+Obsidian：搭建个人知识库保姆级教程

​

​

堆栈及其工作原理​

四种工具。每种工具针对问题的不同层面。​

•

Codex— 执行引擎。它运行命令、调用技能、管理文件，并协调整个流程。您用通俗语言与它交流，它便为您完成工作。​

•

Skills 创建器 — 定制化层。一款Claude Code插件，可让您用自然语言构建可重用的技能。您只需描述所需内容，它便会生成代码并安装该技能。无需编程知识。​

​

​

•

NotebookLM — 分析引擎。可读取您的资料来源并生成深度分析、摘要、信息图表、抽认卡、播客脚本等。​

•

Obsidian — 记忆层。一个基于本地 Markdown 的知识系统，可存储工作流生成的所有内容。随着时间推移，Claude Code会读取这些文件，从而了解你的思考方式、你所关注的事项，以及你希望以何种方式呈现分析结果。​

​

联合：一种按命令执行、大规模分析并随使用而不断改进的研究系统。​

​

步骤1：安装技能创建器​

打开Codex。请确保您位于Obsidian保险库文件夹内——这一点对Obsidian识别Claude Code生成的文件至关重要。运行此命令：​

​

/plugin​

​

搜索技能创建者。安装，退出，重新启动Codex。​

​

​

步骤2：创建小红书搜索技能​

这项技能能够搜索小红书并提取结构化的视频数据——标题、频道、订阅者数量、观看次数、上传日期、URL以及互动率。​

运行此命令：​

​

​

​

代码块​

YAML

/ 技能创建器 我要创建一个可搜索 小红书 并返回结构化视频结果的自定义技能。​

该技能需满足以下要求：​

使用 yt-dlp 工具根据关键词搜索视频；​

默认返回前 20 条结果；​

每条结果必须包含完整元数据：视频标题、频道名称、频道订阅数、播放量、视频时长、上传日期、视频链接；​

默认仅筛选近 6 个月内的视频，同时支持通过 --months 参数自定义时间范围；​

自动计算播放量 / 订阅数比率作为视频互动指标；​

​

Claude Code 将生成该技能，安装它并进行确认。现在您已可使用 /yt-search 命令。​

步骤3：NotebookLM-py​

将Claude Code连接到NotebookLM，我们使用了一个名为notebooklm-py.​

仓库：github/teng-lin/notebooklm-py​

在您的终端中运行以下命令（不要在Claude Code中运行——请打开一个单独的终端窗口）：​

​

代码块​

Bash

pip install notebooklm-py​

​

然后进行身份验证：​

​

代码块​

Bash

​

​

​

步骤4：创建NotebookLM技能​

现在你需要教 Claude Code 如何使用 notebooklm-py。在Claude Code中运行以下内容：​

​

代码块​

YAML

/ 技能创建器 请创建一个最大化利用 notebooklm-py 工具的自定义技能。 请参考 GitHub 仓库：github.com/teng-lin/notebooklm-py 进行开发，该技能需支持以下核心功能：​

创建全新笔记文档​

添加素材来源（YouTube 视频链接、纯文本、本地文件）​

对已添加的素材来源执行分析处理​

生成各类交付成果：音频概要、思维导图、记忆抽认卡、信息图​

​

这使Claude Code拥有了完整的NotebookLM功能，支持NotebookLM所涵盖的每项操作的命令——每个笔记本最多可包含50个来源，涵盖所有可交付类型。​

步骤5：将所有内容整合到一个流水线技能中​

这才是工作流真正发挥强大功能的地方。​

无需手动执行 小红书 搜索，再将结果发送至NotebookLM，最后请求分析——只需构建一项技能，即可通过一条指令依次完成所有操作。​

在Claude Code中运行此代码：​

​

代码块​

YAML

/ 技能创建 我要搭建一套小红书 调研流程技能，将油管搜索功能与 NotebookLM 功能结合使用。​

启用该流程技能后，执行逻辑如下：​

接收你提出的调研主题，调用油管搜索功能，检索出10 个相关视频；​

调用 NotebookLM 功能新建笔记文档，将上述视频作为素材源添加至文档中；​

结合你下达的调研需求，围绕主题展开分析；​

主动询问你是否需要生成交付成果（NotebookLM 支持制作抽认卡、信息图、思维导图、语音概要）；若你未指定成果类型，则默认不生成；​

分析完成后，将全部内容整理为Markdown 文件保存至知识库，同时在对话窗口直接展示内容；​

输出内容中需包含所有油管视频的搜索元数据：所用素材来源、播放量、账号名称、互动率。​

​

​

​

​

运行工作流​

​

代码块​

YAML

/ 小红书流程任务 我需要调研2026 年人工智能智能体框架。 ​

目前开发者实际主流选用哪些框架，包括 LangGraph、CrewAI、AutoGen、Agno 以及其他同类工具。 ​

我希望了解：该话题的热门原因、社区中存在的争议点、表现突出​

/ 另类的小众框架，以及目前尚未被深入探讨的方向。 ​

请检索10 条相关资料，将其导入新建的 NotebookLM 笔记，完成全面分析，并制作一张展示行业格局的信息图。​

​

​

主题：AI智能体框架。2026年真正兴起的领域、被过度炒作的领域，以及现有内容中的空白之处。​

一份全面分析，涵盖哪些框架正在崛起 vs. 处于平台期，开发者实际抱怨的内容、参与度的异常值，以及迄今无人涉足的内容空白​

一张描绘人工智能代理框架格局的信息图​

一个直接保存到你的Obsidian知识库中的Markdown文件，所有内容均已结构化并相互链接——随时可用于未来的研究环节​

​

​

​

​

模块化要点​

​

PDF文件- 学术论文、行业报告、白皮书​

公共网页- 新闻文章、文档、博客帖子​

​

​

✔️

工作流模板保持不变。交换源，保留结构。通过白皮书和公开文档研究加密生态系统。借助小红书上的会议演讲分析一项新兴技术。通过分析表现优异的内容，定位一个内容细分市场。利用公开报告研究市场动态。无论用例如何——管道、分析层和内存系统始终保持一致。​

​

​

​

您最终将获得​

一个研究系统，它：​

•

通过单个命令执行完整的研究流程​

•

通过NotebookLM将繁重的分析任务卸载至基础设施​

•

自动生成结构化交付成果——信息图、思维导图、音频、闪卡​

•

将每个结果保存到本地知识库​

•

随着时间推移学习您的偏好，并据此改进其输出​

30分钟的设置，第一次使用时就能收回成本​