4 年 1762 个文件,我把自己的 Obsidian 库用 AI 重构了一遍

整个过程耗时一周,中间各种返工。

这是一次很大的工程:7 月 12 日开始,到 17 日收尾,迁移了 1762 个文件,94 行层级标签全部重置。原有的目录结构打散全部重新构建,所有YAML区域重置,残留旧字段、失效查询全部归零。
很早之前就想重构Obsidian的库了(用了4年没怎么动过,结构有点跟不上现在的需求了),4月看到卡帕西的知识库火起来,观望数月之后,趁着定时任务逐渐完善和稳定,这一次终于下手了。


01.
为什么突然要动它
图片

原本的结构还是挺清晰的:日记、工作、个人、研究、学习各一个顶层目录,下面就是各个详细的分类,通过Dataview进行汇总统计。中间尝试过什么PARA工作法(甚至还去读过作者写的原版书籍),还是没用起来,就一直拖延到现在。
日记和工作两个目录的文件倒是一直稳定增长(毕竟每天至少有一份日记),然后就是平时各种收藏的稍后阅读的目录,存了超过300篇总是觉得“说不定那一天就用上了”的文章(但实际上收藏了就算了,连后续打开都没有)。在使用Codex的过程中,同步文件,补充资料这些,逐步发现了当前结构的问题。终于在一次看到稍后阅读存了太多文件后,决定要重构。
图片
图1 稍后阅读积压太多,考虑开始重构
AI给到建议之后,用两篇文章作为例子,让AI继续给到处理建议(这两篇文章都是之前直接放稍后阅读的,没有处理)
图片
图2 AI给的两篇文章的处理建议


02.
怎么改的
图片

这次重构的目的是以卡帕西的LLM知识库为底层,结合我个人的需求,重新打造适合我和AI写作的一个共有知识库
整条路径是这样:处理稍后阅读(人工打标签)→ 整体改目录结构 → 转移文件 → 改标签 → 改 YAML 字段 → 查漏补缺。
第一步,先清稍后阅读。
12号的那天下午,就对稍后阅读的目录下所有文件进行确认,这一堆是最麻烦的,攒了三百多篇。它既是临时收件箱,又当了长期仓库,早就不堪重负。该删除的删除,该标记的标记(等AI处理)
让AI去调研卡帕西的知识库:
图片
 图3 让AI调研卡帕西知识库与我的匹配程度
第二步,把目录结构推倒重来。
开始对所有的结构打散进行重置:全库备份,日记、工作、模板、附件四个目录全部冻结不动,重新规划文章/目录结构。按"这个文件是干什么用的"的标准新建6个顶层目录:来源、知识、项目、产物、系统、归档(原始出处就进来源,是自己嚼过的结论就进知识,有结束条件的事才叫项目),一份东西只有一个归宿,不再模棱两可。
第三步,转移文件。
目录搭好了,就是文件需要转移(重点是稍后阅读的,其他的都在搭建的过程中顺便转移了)
因为这些文件都需要AI识别内容后重新处理,有些是要原文直接保存,有些是要提取分类后重新生成几个文件,有些是读取信息后把内容合并到其他文件;这一步快不起来,只能一点点动。
我还担心额度问题,AI直接建议分批次处理,每次处理20篇。
第四步,改标签和 YAML。
文件转移了,还有个遗留的问题:YAML区域不统一,标签也不对,还导致了Dataview统计汇总出问题,整体都需要改。
那就继续,先改标签问题。
原来的标签各种混杂,有 #年度/2026 这种时间性的,也有 #工作/面试 这种属性的,还有 #翡翠梦境 这种特别要求的(这个标签一直留着),全部混在一起。
让AI用第一性原理和剃刀定律分析之后,给的建议是:属性留给YAML的字段处理,标签因为要在正文中使用(之前的标签都是集中在YAML的标签字段中,正文几乎很少出现),按一个规则处理就行。
改到一半,出了个岔子。
我本来只让它处理标签,回头一看,AI 把整个 YAML 区域都重新设计了。
算球,正好连YAML的字段一起处理了,免得dataview不好统计,正好部分页面可以改成自带的BASE统计了。
最后是查漏补缺。
整个过程耗时一周,中间各种返工(要么就是文件没处理干净,要么就是YAML字段遗留没处理好,要么就是标签不干净)
头大如斗。
但从效果来看,至少目前来说:值得!
 图4 修改后的Obsidian库结构