AgentHubAgentHub
返回全部博客

使用 Notion 与 Obsidian MCP 打造 AI 驱动的个人第二大脑知识管理

AgentHub 核心团队··5 分钟阅读·90 次阅读
使用 Notion 与 Obsidian MCP 打造 AI 驱动的个人第二大脑知识管理

两个工具,一套记忆

第二大脑的常见失败方式不是记得少,而是记完再也找不到。Obsidian 与 Notion 各自解决了一半问题:前者擅长长文本与本地链接,后者擅长结构化与协作。把它们接进同一个 Agent 会话,价值不在于"能读写两个软件",而在于让信息在两边按各自擅长的方式流动。

笔记孤岛的终结

许多知识工作者同时使用 Obsidian(记录本地 Markdown 私密笔记)和 Notion(管理团队协作与日程)。久而久之,信息碎片化严重。

通过将两者分别封装为 MCP Server,AI 可以扮演跨平台的“超级图书管理员”:

  • 从今天聊天的会议记录中提炼出 3 条待办项,自动写入 Notion Database;
  • 从 Obsidian 的数千篇日常碎记中查找与当前研究主题相关的历史笔记,并自动生成双向引用链接(Wikilinks)。

个人知识库从此不再是僵死的信息墓地,而变成了随时可对话调用的动态智库。

1. 先定归属规则,再谈自动化

最容易失控的地方是"这条记在哪个库"。把规则写成三行放进团队或个人提示词,比每次让模型决定要稳定得多:

内容类型落到哪里理由
未成形的想法、长文草稿Obsidian纯文本,便于反复改写
待办、日程、状态字段Notion Database需要筛选与协作
结论性知识(可复用)Obsidian + 指向 Notion 的链接需要长期检索

2. Notion 侧接入

Notion 的能力通过内部集成(Internal Integration)暴露,关键三步:

  1. 创建集成并取得密钥,密钥作为环境变量注入,不写进配置文件仓库;
  2. 在需要访问的页面或 Database 上手动把这个集成连接上——没共享的页面,API 视角下等于不存在,这是接入阶段最常见的坑;
  3. 客户端配置里给 MCP Server 传环境变量,形态如下(字段名以所用 Server 的文档为准):
{
  "mcpServers": {
    "notion": {
      "command": "npx",
      "args": ["-y", "<notion-mcp-package>"],
      "env": { "NOTION_API_KEY": "<你的集成密钥>" }
    }
  }
}

调用时需要带 API 版本请求头,取值以官方文档为准;Database 写入要按属性类型给值,富文本、日期、关联都是不同结构,先做单条测试再批量。

3. Obsidian 侧接入

Vault 本身就是 Markdown 文件目录,因此有两条路线:

  • 直接读目录:用文件系统类 MCP Server 指向 Vault。零改造、可离线,但拿不到插件维护的元数据。
  • 本地接口:通过社区插件在 localhost 暴露读写 API(端口与鉴权方式以插件文档为准),能访问反向链接、Daily Note 等结构。

写入时的两条纪律:新建笔记必须沿用已有命名规则,否则检索会退化成随机命中;Wikilink 要写成 [[目标笔记名]],链接真实生效的前提是目标文件确实存在。

4. 两条最实用的高频工作流

每日收集:把当天的聊天记录、临时想法丢给 Agent,要求它按归属规则分类,Notion 侧只产生结构化待办,Obsidian 侧留下带上下文的原文。

每周回顾:让 Agent 读取本周 Vault 的新增文件,聚成 3–5 个主题,为每个主题找出最早出现该观点的历史笔记并补上 Wikilink。这条流程的收益最大,因为它做的是人最不愿意做的部分——翻旧笔记。

怎么验证真的接好了

按顺序做四项,任一项失败都能定位层次:

  1. 让 Agent 列出 Notion 中某个 Database 的属性名——列不出来说明集成没被共享;
  2. 写一条待办,再让 Agent 读回来,字段值应与写入完全一致;
  3. 让它在 Obsidian 里检索一个只有旧笔记才含有的冷门事实,命中即说明检索路径正确;
  4. 打开被自动插入的 Wikilink,确认跳转到的是已有文件而不是新建空文件。

常见故障速查

现象原因处理
Notion 查询永远为空页面未共享给集成在页面连接该集成
写入报属性类型错值结构与字段类型不符先读属性定义再写单条
Obsidian 出现大量空文件链接指向不存在的笔记写入前校验目标文件名
检索召回很差命名混乱、缺标签先统一命名与标签规则
每次回答不一样未固定归属规则按第 1 节写进提示词

小结

判断这套体系是否值得长期使用,只看一个指标:一周内有多少条信息是"自动落位"的,多少还需要你手动搬运。搬运比例持续下降,说明规则清楚、链路稳定;如果绝大多数内容仍然要人工归位,问题通常不在模型能力,而在第 1 节的归属规则没定下来。

延伸阅读

推荐阅读

实战教程

为什么 AI 读错截图里的数字:它拿到的图比屏幕上那张小得多

你把截图原图丢给 AI,它把 9,847 读成 9,347,或者把发票上一行小字整段编出来。原因大概率不在「眼神」,在尺寸:Claude 官方明写它按 28×28 的像素块看图,每块算一个视觉词元,超过上限的图会先缩小;1920×1080 压到 1456×819,你屏幕上 12 像素的小字到它眼里只剩 9.1 像素,而 4K 截图压完和 1080p 一模一样大——分辨率白涨了。这篇给出三张能自己复算的数:面积、字高、词元。最有用的结论反直觉:别放大整张图,裁一块再发——600×400 的局部不缩、字高完整保留、只付 330 个词元,比整张的 1,560 还便宜 4.7 倍。另附一个扫描口径:论文实测约 300ppi 追平传统 OCR、150ppi 以下明显退化,而 9.1 像素的字折算下来只有 62ppi。

实战教程

为什么同一个问题问 AI 两遍,答案不一样:它不是在算答案,是在按概率抽一个词

同一句话原封不动问两遍,AI 的措辞不一样、甚至结论不一样。原因不是它心情不好:它每步拿到的不是一个答案,而是「一整排候选加各自的概率」,然后从中抽一个,连抽几百次就是一篇回答。这篇把「温度」讲回它的本义——softmax 公式里那个除号(Hinton 原话「T 是通常设为 1 的温度」「T 越大概率越平」),再给三张你我能自己复算的表:同一排候选,温度 0 抽一千次只出 1 种结果、0.2 出 2 种、2.0 时最冷门的词已占 7.35%;每个词有九成把握一致,写到 50 个词整段逐字一致的概率只剩 0.5%;单次七成答对的模型,抽九次投票变 90.1%(谷歌 Self-Consistency 论文实测 GSM8K +17.9 个百分点)。最关键的一条纠正:温度调到 0 官方也不保证复现——Anthropic 明写它「从未保证输出相同」,微软 Azure 的 seed=42 自家示例第三遍照样变了。还有一个 2026 年的现在时:Kimi 固定 1.0、传其他值报错,Gemini 新模型直接忽略,Claude 新代传非默认值返回 400,大厂正在把这些旋钮拆掉。

实战教程

为什么 AI 数不清 strawberry 里有几个 r:它看到的不是十个字母,是三块

问 ChatGPT「strawberry 里有几个 r」,它常常答 2。原因不是笨,而是它根本没收到十个字母——我用官方分词库实测,strawberry 在三本不同词表里都是三块:st / raw / berry,三个 r 分散在其中两块里,而「逐块拆开再累加」这个动作从来没被训练过。这篇用「矗字里有几个直」讲清这件事,再给你四个自己跑得出来的数:同一句 17 个汉字,老词表切 34 块、新词表切 15 块;站内一篇 5,500 汉字的中文稿实测 7,112 块,约 0.77 汉字一块,换本词表变 9,491 块、多算 33%(和 Anthropic 官方那句「约 30 percent more tokens」对得上);9.11 之所以比 9.9 大,是因为它看到的是整块「11」。也有一条必须纠正的流行说法:分词不是唯一原因,arXiv 三篇论文给的图景更麻烦,而「换了 tokenizer 就修好了」厂商从未公开解释过。

实战教程

冬天掉的电会还给你,夏天掉的不会:笔记本电池的两条账

冬天续航从六小时掉到三小时,进屋放一会儿又涨回来——这不是电池冻坏了,而是低温让你“暂时取不出”那部分电。Battery University 的 BU-502 给的数是:同一块电池在 27°C 能放出 100%,到 -18°C 只放得出约 50%。真正不会还给你的是另外三件事:高温、长期满电、低温充电。而“充到 80% 更耐用”也有代价——BU-808 的表写明 4.20V(充到 100%)大约 300–500 次循环,压到 4.00V 能到 1,200–2,000 次,但每次能用的电量也更少。这篇把八家厂商(微软、苹果 iPhone、苹果 Mac、华硕、戴尔、三星、谷歌、联想)的官方充电上限摆在一起,讲清“电池健康 87%”是怎么算的、为什么 0°C 以下不要充电,以及充电宝上的 3C 为什么是 2024 年才强制的。

探索更多生产力神器

不想只停留在理论?立即体验下一代 AI 工具与 MCP 插件

收录 ChatGPT 6、Claude 3.7、Devin 等热门 AI,以及 3000+ 开发者开源 MCP 插件与一键安装脚本。