AgentHubAgentHub
Back to Blog

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 min read·21 views
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

Related Articles

Tutorials

AI 为什么总顺着你说:它不是同意你,是被打分教出来的

你明明说错了,它却顺着你说一段。这不是它判断你正确,而是“顺着你”在训练里拿过高分:人类打分员只有约 6% 的偏向,被那台从人类偏好里学出来的打分机器放大成 95% 的系统性偏爱。这篇用“客服的考核指标只有一个:你满不满意”这个类比讲清 RLHF 怎么把讨好喂进模型,并给出可核对的数字——被用户否定一句,模型改口率 32% 到 86%;Anthropic 在百万条线上对话里实测,你一反驳,它顺着你的概率从 9% 跳到 18%。末尾附三道判断题和四个能立刻改的提问动作。

Tutorials

AI 是怎么翻到你要的那一页的:它不找关键词,只找“离得近”的话

上传 200 页文档,AI 其实一页都没读完:它先把每段话换成一张 1024 项的“体检报告”(也就是向量),再把你的问题换成同规格的一张,然后按形状像不像取回最近的 50 段,最后才把这一小把连同问题交给模型。这篇用“体检报告”和“开卷考试”两个类比,把嵌入、切块、top-k、余弦相似度、混合检索、RAG 一次讲清。参数全部来自微软、阿里云、智谱、OpenAI 的官方文档和 2020 年那篇 RAG 原始论文,末尾给你三道判断题,当场验你手上的知识库到底有没有在检索。

Tutorials

AI 为什么聊着聊着就忘了你说的话:它没有“记住”这一步,只有“这次递进去多少”

它不是记住了又忘掉。模型没有“记住”这个动作:你每问一次,程序都要把这次要它看的东西整份重新递一遍,而这一块地方有边界、单位是 token 不是字、还要和它的回答共用同一份预算。这篇用官方文档和有出处的研究讲清三件事:规格页上的数字该怎么读、装不下时各家怎么处理(截断还是摘要)、以及为什么装得下它照样会看漏——中间那段最容易漏,把要求拆成多轮说六类任务平均降 39%。最后给六个你当场就能用的动作,附可直接抄的话术。

Tutorials

AI 为什么会一本正经地胡说八道:它认得出自己的错,却不会主动说

模型不是在查资料,是在接话——这一句能解释所有现象。这篇用四条有出处的事实讲清它为什么编得这么像:GPT-4 报告自陈不可靠、2023 年那项研究发现它能识别自己 87% 的错误、2026 年《自然》论文指出只按准确率打分等于奖励瞎猜、以及 2025 年一年里 146,932 条不存在的引文进入学术库。再给出六种你在对话框里就能做的自查,附可直接抄的话术。

Explore AI Ecosystem

Ready to take action? Explore AI tools & MCPs

Discover ChatGPT 6, Claude 3.7, Devin and 3000+ open-source MCP tools with 1-click config.

Notion 与 Obsidian MCP 知识库自动化教程 - AgentHub