AI时代如何让知识真正沉淀为研究能力？一篇长报告可以在几分钟内完成初步阅读，一场调研可以迅速生成摘要，多个卖方观点也可以快速整理为分析框架。但信息处理效率的提升，也带来了新的问题：接触过的信息越来越多，真正能够被长期记忆和有效调用的内容却未必同步增加。AI对话结束后，相关信息、判断依据和研究过程往往也随之中断，经过一段时间，甚至难以回溯当时为何关注、形成了怎样的判断。Obsidian为这些研究过程提供了一个长期沉淀和关联的载体，可以将研究报告、调研纪要、市场观点及个人判断统一保存，并通过链接、属性和检索功能建立关联。
本文以海外产品报告撰写、外部观点整理展示、券商金股研究、基金研究中的调研纪要整理等场景为例，介绍如何利用Obsidian搭建个人研究知识库，并进一步借助模板、检索、数据视图和AI工具，展示如何提高投研资料整理、信息回溯和知识复用的效率。
场景1：如何像程序员写代码一样写报告？（Claudian插件）与一次性生成完整代码不同，成熟的AI编程工作流通常是在既有项目和上下文中反复进行“阅读—修改—检查—重构”。研究和写作同样可以采用这种协作方式：先将网页文章、产品资料和研究报告统一沉淀到Obsidian中，再由Claudian读取指定文件夹内的资料，提炼关键信息、搭建报告框架并生成初稿。在此基础上，可以要求AI在保留原有判断和资料来源的前提下完成局部改写、逻辑检查和内容补充，并进一步统一全文风格、完善报告结构。
场景2：如何跟踪感兴趣的卖方观点变化？（Dataview插件）先通过Web Clipper收藏卖方公众号文章，或在具备相应权限的情况下收集研究报告PDF，再将这些材料整理为包含机构、日期、主题和观点方向等字段的标准化观点卡片。随后，利用Dataview将报告原文、观点卡片和主题词表关联起来，自动生成卖方观点研究看板，用于识别市场共识、机构分歧和观点变化。每条结果还可以回溯至对应的观点卡片和原始报告，从而将分散的卖方资料转化为一套可查询、可追溯、可复核的观点跟踪系统。
场景3：如何跟踪券商金股及卖方共识/分歧？将不同月份的金股记录整理为包含券商、股票、行业、主题、推荐月份、推荐状态和投资逻辑等字段的结构化数据，再利用Dataview搭建动态研究驾驶舱，从本月金股总览、卖方共识分析、主题热度变化和推荐逻辑拆解等维度，观察哪些股票获得多家机构共同推荐、哪些主题正在升温，以及哪些机构持续强化同一条投资主线。这样，原本静态的金股名单就可以转化为一套可持续更新、可追踪、可复用的卖方配置偏好数据库。
场景4：如何更有效记录基金经理观点及其变化？将调研结果统一沉淀到Obsidian中，并通过模板记录基金经理、调研日期、行业主题、资产类别、观点方向、判断期限和原始来源等字段，再利用Dataview分别从“基金经理”和“行业或资产”两个维度进行查询。一方面，可以跟踪某位基金经理在不同时间的观点变化；另一方面，也可以汇总不同基金经理对同一主题的历史判断，并通过调研日期和原始纪要链接进行回溯核验，从而将零散的调研记录转化为可持续积累、可横向比较的基金经理观点数据库。
风险提示：
2026年4月，Andrej Karpathy分享了利用大语言模型搭建个人知识库的实践。他提出的“LLM Wiki”思路引发了广泛讨论，也让Obsidian作为研究知识库工具受到更多关注。在这一框架下，研究者持续收集论文、文章、访谈和个人笔记等原始资料，大语言模型则负责阅读、提炼、关联和更新，逐步将分散的信息整理成一套能够长期积累、持续演化的Wiki。
LLM Wiki的核心在于，它提出了一种不同于传统RAG的知识组织方式。传统RAG通常在用户提出问题后，临时从原始文档中检索相关片段，再将检索结果组合成答案；每次查询都需要重新完成信息查找与整理。LLM Wiki则强调预先对资料进行结构化整理，并在新增信息进入后持续维护已有知识体系。具体而言，AI可以：
· 提取资料中涉及的关键人物、机构、主题和观点；
· 新建相关Wiki页面，或更新已有页面；
· 在新增资料与既有内容之间建立关联；
· 识别并标记不同资料之间的矛盾与分歧；
· 根据新增信息修订已有的主题总结和判断。
在这套工作流中，Obsidian不再只是记录零散笔记的工具，而是用于展示和管理原始资料、Wiki页面及其关联关系；大语言模型则负责资料提炼、词条生成、链接维护和内容更新。Karpathy将三者的关系概括为：Obsidian是知识库的“集成开发环境”（IDE），LLM是“程序员”，Wiki则是不断积累和更新的“代码库”。
这一思路减少了人工分类、添加标签和维护链接等重复性工作，也使Obsidian的本地Markdown文件、双向链接和开放结构更适合被大语言模型读取、修改和持续维护。在此基础上，Obsidian的使用方式也从传统的个人笔记与双向链接，进一步延伸为一种由人工提供资料、由大语言模型协助整理和更新的研究知识库。
本文围绕知识库搭建、资料采集、AI协作和结构化看板四个环节，说明如何将Obsidian从单纯的笔记工具转变为支持资料沉淀、信息检索、观点追踪和研究复用的投研工作平台。文章将介绍相关功能和插件生态，并结合实际投研场景，展示这些功能如何解决具体问题：例如，借助AI提炼关键信息、协助生成报告初稿；将卖方观点整理为标准化卡片，持续跟踪不同机构的共识、分歧与观点变化；将每月券商金股转化为可查询的数据表，观察跨机构推荐、主题热度和投资逻辑的变化；以及将基金经理调研纪要结构化，回溯单个基金经理的历史判断，并比较不同基金经理对同一行业或资产的观点差异。通过上述流程，投研资料可以从分散存储转变为可检索、可追踪、可复核和可复用的研究资产。
01 AI+Obsidian助力投研效率提升
投研工作流的核心是信息的收集与整理，关键难点在于如何将分散的信息持续积累下来，并在后续研究中重新调用。许多非结构化资料（例如公司公告、券商研报、调研纪要、培训素材、学术论文等）通常分散在收藏夹、Excel、Word、PDF和聊天记录中。单份资料虽然能够保存，但不同信息之间缺少连接，时间久了便容易出现“存得越来越多，真正用得上的越来越少”的问题。
Obsidian为整理这类研究资料提供了一种相对轻量的解决方案。它以本地Markdown文件为基础，通过文件夹、标签、双向链接、属性和搜索等功能，将分散的笔记组织成相互关联的研究网络。使用者无需具备编程基础，可以先从普通笔记开始，随着资料积累再逐步增加模板、字段、索引和自动化工具，最终形成结构清晰、实用性强、自动化程度较高的个人研究知识库。
为什么选择Obsidian？
（1）双向链接：把零散信息连接成研究网络
传统文件夹主要解决“文件放在哪里”的问题，但一份资料通常只能被归入某个主要目录，难以完整呈现其与其他研究内容之间的联系。双向链接则可以进一步回答“这条信息与哪些研究主题、行业、公司、事件或方法有关”。随着笔记不断积累，这些链接会逐步形成相互关联的研究网络。后续开展新课题或重新审视已有结论时，可以沿着链接快速回顾相关观点、数据依据和历史判断，减少重复查找和从头整理资料的工作。
（2）本地优先：跨平台兼容，掌握数据和知识的所有权
Obsidian的核心文件保存在本地，笔记可以直接用普通文本方式读取、备份和迁移。对于包含研究框架、组合观察和个人判断的知识库，这种本地优先模式有几个好处：
不依赖某一家在线平台，服务变化时仍然可以打开自己的文件；
文件格式开放，便于备份、批量处理以及迁移到其他工具；
可以根据自己的需求选择网盘或Git做同步和版本管理；
（3）Markdown格式：天然适合AI读取和维护
Obsidian以Markdown作为主要文件格式。与封闭的数据库或复杂文档格式相比，Markdown结构简单、内容透明，既便于直接查看和修改，也便于大语言模型读取、生成和更新。标题、列表、属性、链接和引用等信息都以文本形式保存，AI Agent可以在不依赖复杂接口的情况下，对整个知识库进行检索、摘要、分类和交叉引用。
（4）渐进式搭建：从普通笔记逐步形成研究系统
Obsidian不要求使用者在开始阶段就设计一套完整的知识分类体系。初期可以只建立基础文件夹并记录普通笔记，随着资料积累和研究需求增加，再逐步引入统一命名、属性字段、笔记模板、双向链接和自动查询。
这种渐进式搭建方式比较适合投研工作。一方面，研究主题、关注方向和资料类型会不断变化，过早设计过于复杂的分类体系，反而可能增加后续调整和维护的成本；另一方面，可以先从调研纪要、研究报告、会议记录等使用频率较高的资料入手，在实际使用过程中逐步判断哪些字段、分类和关联关系真正具有长期价值。
（5）开放生态：根据研究需求扩展功能
Obsidian的基础功能已经能够完成笔记记录、双向链接、标签、搜索和关系图谱等工作。在此基础上，使用者还可以通过社区插件、PKMer和GitHub等渠道，按照实际研究需求扩展知识库功能，而不必局限于软件预设的使用方式。例如：
使用Web Clipper将网页、新闻、公告和研究资料保存为本地Markdown文件；
使用Templates或Templater统一不同类型笔记的结构和属性；
使用Dataview按照标签、属性和时间生成资料清单、主题索引及待更新事项；
使用Kanban、Tasks和Calendar管理研究计划、项目进度和后续跟踪任务；
使用Excalidraw、Canvas和Marp梳理研究框架、展示对象之间的关系或制作演示文稿；
接入LLM Wiki等AI工具，辅助完成资料摘要、关键词提取、词条生成、关系连接和内容更新。
对于中文用户，PKMer提供了相对集中的知识管理社区、中文教程和插件文档，覆盖Obsidian、Zotero等工具的使用方法及工作流实践。PKMer还提供由社区维护的Obsidian插件与主题浏览工具，方便查找、了解和安装相关资源。不过，PKMer属于社区项目，并非Obsidian官方插件市场，使用其中的插件或主题时，仍需关注来源、更新时间和维护状态。
GitHub则是许多Obsidian社区插件、主题、CSS样式、模板和知识库方案的主要发布平台。使用者不仅可以下载现成工具，还可以查看插件源码、版本更新记录、已知问题及社区反馈；部分尚未进入Obsidian官方社区市场的插件，也会先通过GitHub发布。具备一定技术基础的使用者，还可以直接修改模板、脚本和插件配置，或者利用Git对知识库进行备份和版本管理。
02 Obsidian安装与插件配置
下载安装
Obsidian建议直接从官网下载安装包。根据自己的设备选择对应版本，完成安装后打开软件即可。安装完成后不需要注册账号也可以开始使用。
首次打开时，Obsidian会提供两个选项：
新建仓库：创建一个新的知识库，并选择本地保存位置（这个位置会成为仓库文件夹的父文件夹）；
打开本地仓库：打开已经存在的Markdown文件夹（即仓库文件夹本身）。
第一次打开后的基础设置
安装完成后建议先完成以下基础设置：
（1）设置语言和外观：在“设置—关于/外观”中选择界面语言、主题和字体大小，确保长时间阅读和编辑时保持舒适。
（2）设置附件位置：在“设置—文件与链接—附件默认存放路径”中，将新附件的保存位置设为指定文件夹（例如assets），避免图片、PDF和其他附件散落在主笔记目录下。
Obsidian页面及基本操作
完成仓库指定、语言外观和附件设置后，可以先熟悉Obsidian的页面结构与原生操作。Obsidian的主界面通常由三个区域构成：左侧用于查看文件、搜索和书签，中间用于编辑或阅读当前笔记，右侧可打开大纲、反向链接、属性和插件功能等。各区域均可按使用习惯拖动、折叠或关闭；建议在阅读和写作时保留文件列表与大纲，在梳理内容关系时再打开反向链接和局部关系图谱。
（1）Markdown编辑与阅读：Obsidian使用Markdown记录内容。#用于标题
（2）双向链接与反向链接：在笔记中输入[[即可链接已有页面。例如，一篇项目笔记可以链接[[会议纪要]]、[[任务清单]]、[[相关资料]]和[[主题概览]]。打开任意页面后，可通过反向链接快速查看有哪些资料、观点和任务引用了它。
（3）全局关系图谱和局部关系图谱：当知识库中的双向链接逐渐增加后，可以使用关系图谱查看笔记之间的整体结构。图谱中的每一个圆点代表一篇笔记，圆点之间的连线代表两篇笔记之间存在链接；连接数量较多的节点，通常是知识库中被频繁引用的主题、人物或索引页面。点击任意节点可以打开对应笔记，将鼠标悬停在节点上则可以突出显示与其直接关联的内容。
Obsidian提供两种关系图谱：
全局关系图谱展示整个知识库中的链接结构，适合观察主要研究主题、资料聚集区域以及尚未与其他内容建立连接的孤立笔记；
局部关系图谱以当前笔记为中心，只展示与其直接或间接关联的页面，适合围绕某一研究对象追踪相关资料。
查看全局关系图谱时，可以点击左侧功能区的“关系图谱”按钮；查看局部关系图谱时，可以按Ctrl+P打开命令面板，搜索并执行“打开局部关系图”。在图谱设置中，还可以调整链接层级、节点大小、连线显示和分组颜色，并通过筛选条件隐藏不需要展示的文件。例如，输入-path:"assets"可以隐藏assets文件夹中的图片和附件，减少无关节点对图谱的干扰。还可以按照文件夹、标签或文件名称设置不同颜色，用于区分人物、机构、主题、事件和原始资料等不同类型的笔记。
需要注意的是，关系图谱展示的是笔记中已经建立的链接，而不是AI自动识别出的全部语义关系。连接较多也不必然意味着某篇笔记更重要，孤立笔记也可能只是尚未完成整理。因此，图谱更适合用来检查知识库结构、发现遗漏的连接和辅助资料探索，而不宜单独作为判断内容价值的依据。
（4）实用快捷键：
如果不确定某项功能对应的快捷键，可以先按Ctrl+P打开命令面板并搜索功能名称；对于高频使用的命令，建议在“设置—快捷键”中设置更顺手的组合键。
建议安装的插件及使用方法
原生功能解决“记录和连接”，插件和AI工具则在此基础上提高资料采集、格式化、提炼和汇总的效率。
浏览器插件：Web Clipper
Web Clipper是Obsidian官方提供的免费浏览器扩展，用于将网页内容、高亮段落和网页元信息快速保存到本地仓库。它适合归档文章、教程、公告、论文和网页资料，并保留原始链接、抓取日期和内容来源，避免资料只停留在浏览器收藏夹中。
安装方法：跟随官网指引安装即可，具体步骤可参考Obsidian Web Clipper 简介—Obsidian 中文帮助。
初次安装后可以在扩展选项截面设置语言、快捷键、字体、背景、命名规则、保存位置等（按默认也可）。
对于需要长期保存的网站，可以进一步使用模板自动生成统一的YAML属性和笔记结构。例如，网页剪藏可自动带上type: web-clip、source、published、clipped等字段，再补充[[相关主题]]、[[相关项目]]和“内容摘要”等内容。
基本使用流程如下：
打开需要保存的网页，先确认来源可靠、页面内容完整；
对关键观点、数据和结论进行高亮（可选）；
点击浏览器工具栏中的Web Clipper图标，或者依次选择“右键—Obsidian Web Clipper—Save this Page”；
检查标题、标签、链接和正文提取结果后，点击“添加到Obsidian”；
回到Obsidian中修改笔记内容，增加评论（可选）。
需要注意的是，Web Clipper默认保存的是网页正文及其网络图片链接，图片并不会自动下载到本地。若希望离线保存图片或避免原始链接失效，可在Obsidian中执行“下载当前文件内的所有附件”，并定期检查重要剪藏页面是否能够正常打开。
第三方插件安装方法
以下推荐插件均为第三方社区插件。首次使用前，需要依次进入“设置—第三方插件”，在“允许社区插件”区域点击“退出受限模式”。受限模式是Obsidian为保障数据安全设置的默认保护机制，关闭后才可安装和运行社区开发者提供的插件。由于第三方插件可能读取或修改仓库中的笔记内容，建议优先选择安装数量较多、持续维护且代码开源的插件，并在启用前做好仓库备份。
退出受限模式后，可在“第三方插件”页面点击“浏览”，进入Obsidian社区插件市场。使用者可以通过插件名称或功能关键词进行搜索，并结合插件介绍、安装数量、最近更新时间及开发者维护情况选择合适的插件。进入插件详情页后，依次点击“安装”和“启用”即可完成配置；需要注意的是，仅完成安装并不会自动启用插件，后续还可在“已安装插件”列表中统一管理插件状态和具体设置。
需要注意的是，不同仓库之间的插件及其配置并不共享。新建仓库后，如果需要复刻原仓库的插件环境，可以将原仓库中的.obsidian文件夹内的plugins文件夹（保存第三方插件及其配置）和community-plugins.json（记录已启用的第三方插件）等配置文件一并复制到新仓库的相应位置。
Editing Toolbar：可视化编辑Markdown
如果不熟悉Markdown语法，或习惯使用Word等传统文字处理软件，可以安装Editing Toolbar。该插件能够在Obsidian编辑界面中增加类似Microsoft Word的可视化工具栏，将标题、加粗、斜体、下划线、字体颜色、对齐方式、列表及缩进等常用编辑命令集中展示，减少记忆Markdown语法和快捷键的成本。可以在社区插件市场搜索“Editing Toolbar”，进入插件详情页后依次点击“安装”和“启用”。
启用后，Editing Toolbar会在笔记编辑区域显示可视化工具栏，可以通过点击按钮完成常用格式设置，获得更接近传统文本编辑器的操作体验。除默认工具栏外，该插件还支持顶部固定、跟随光标等显示方式，并允许根据使用习惯调整命令、图标及排列顺序。对于刚开始使用Obsidian、尚不熟悉Markdown语法的使用者而言，该插件能够显著降低笔记编辑门槛；但其本质仍是调用Obsidian命令并生成Markdown内容，不会改变笔记以本地Markdown文件保存的方式。
此外，Editing Toolbar还提供AI辅助功能，可用于联想、扩写、专业化改写、翻译和格式化等操作，为笔记编辑提供类似IDE代码补全的交互体验——“像写代码一样写笔记”。
Claudian：AI协作撰写研究报告——海外期权ETF报告撰写（案例1）
Claudian是一款将AI Agent引入Obsidian的插件，可以把它理解为知识库中的智能研究助手。它不仅能够围绕当前笔记进行问答、总结和改写，还可以结合库内已有资料，协助检索信息、梳理观点、发现笔记之间的联系，并完成更复杂的内容处理任务。
对程序员而言，在IDE中接入AI已经成为较为常见的协作方式：AI可以读取项目文件、理解上下文，并直接参与代码编写与修改。Claudian将类似的工作方式引入Obsidian，使整个仓库成为AI的工作目录。与仅围绕当前对话生成文字的普通AI工具相比，Claudian可以读取仓库中的多篇笔记，在已有资料基础上搭建报告框架，并直接修改当前Markdown文件。
下面以“海外期权型ETF研究”为例，展示从网页资料整理、报告框架生成，到局部改写和全文风格统一的完整过程。
首先，利用Web Clipper将海外期权型ETF的行业文章和产品资料保存至Obsidian，并要求Claudian阅读指定文件夹中的全部网页剪藏。识别资料涉及的ETF类型、代表产品、期权结构、收益来源和主要风险，并在资料不足时保留信息缺口。
在形成报告框架后，仍然可以对具体段落进行精细控制。例如，初稿中有关Covered Call ETF适用场景的内容采用提纲式表达，句子之间较为割裂，尚未达到正式报告的行文要求。此时，可以直接选中目标段落，要求Claudian在保留原有判断和资料来源的基础上，将其改写为完整的研究报告正文。
完成修改后，原有的提纲式内容被整合为逻辑连贯的段落。除局部修改外，Claudian还可以从全文层面统一报告的表达方式。通过设置这些边界，AI负责执行大范围、重复性的文字整理，研究者则继续控制事实口径、结论强度和报告结构。
整体来看，Claudian在Obsidian中的作用并不只是“续写一段文字”，而是围绕知识库中的已有资料参与报告生产的多个环节：前期可以跨笔记检索和整理信息，中期可以搭建报告框架、生成产品比较，后期则可以完成局部改写、术语统一和全文审阅。Claudian能够明显减少资料搬运和机械编辑工作，使Obsidian由静态的笔记存储工具进一步转变为可由研究者与AI共同维护的研究工作空间。
以Markdown作为主要编辑格式，后续转换为其他文件格式也比较方便。例如，可以通过Pandoc导出Word、PDF等常用格式，也可以借助社区维护的网页工具、插件或技能，将内容转换为公众号文章格式。
Pandoc Plugin：将Markdown导出为Word或PDF等格式
如果希望在Obsidian中将Markdown笔记方便地导出为Word，推荐安装Pandoc Plugin。该插件可以直接在Obsidian内调用Pandoc，省去频繁打开命令行执行转换命令的步骤，更适合日常写作和报告导出场景。
需要注意的是，Pandoc Plugin主要承担调用与配置功能，本身并不包含Pandoc主程序。即使不安装插件，也可以直接通过命令行调用Pandoc完成Markdown、Word、PDF等格式之间的转换；安装插件的主要作用，是将这一过程集成到Obsidian中，让使用过程更加顺畅。
根据Windows、macOS或Linux系统选择对应版本进行安装：
Pandoc - Installing pandoc
安装完成后，Pandoc Plugin即可调用本地安装的Pandoc程序执行文档导出。实际使用时，可以通过Ctrl+P打开命令面板，搜索“Pandoc”并选择对应的导出命令。若默认导出样式无法满足需求，还可以进一步配置自定义模板，对字体、标题层级、页边距等格式进行统一设置。
Dataview：知识看板化——卖方观点跟踪（案例2）
Dataview是Obsidian中用于结构化查询和动态展示笔记的第三方插件。它能够读取笔记的Properties、标签、任务状态及文件信息，并根据预设条件自动生成表格、列表或任务清单。例如，可以按主题集中查看相关笔记，筛选尚未完成的任务，或追踪近期更新的文件。与手工维护目录相比，Dataview生成的内容会随着笔记和属性的变化自动更新，因此适合用于构建资料索引、项目清单和知识库看板。
为了展示Dataview在投研知识库中的实际应用，下面以卖方观点跟踪为例。首先，可以通过前文介绍的浏览器插件Web Clipper收藏感兴趣的卖方公众号文章；在具备相应权限的情况下，也可以直接收集研究报告PDF，并将这些材料整理为结构统一的观点卡片。随后，再利用Dataview将报告原文、观点卡片和主题词表关联起来，生成能够持续更新的研究看板。本文选取四个具有代表性的卖方策略团队作为跟踪对象，用于观察市场共识、机构间的观点分歧，以及卖方观点随时间发生的变化。
以图中的统计区间为例，在完成卖方策略团队观点卡片的整理后，可以借助Dataview快速识别当前市场的共识与分歧。四个策略团队普遍关注创新药、红利、有色金属以及科技硬件与AI产业链。其中，前三个方向的判断相对一致；科技硬件与AI产业链虽然关注度较高，但同时存在看多与看空观点，因而成为当前分歧较为明显的主线。
进一步地，还可以通过比较前后两个等长时间区间，识别单家机构观点的边际变化。例如，图中某策略团队对“科技硬件与AI产业链”的判断由“关注”转为“看空”，表明其立场明显转向谨慎，甚至偏向负面。
通过上述流程，Dataview将分散的报告材料和观点卡片转化为结构化、可查询的研究看板，支持同时观察市场共识、机构分歧和观点变化。每条结果还可以回溯至对应的观点卡片及原始报告，最终形成一套可追溯、可复核的卖方观点跟踪系统。
Karpathy llm wiki：AI自动搭建知识网络
Karpathy LLM Wiki是一款基于Andrej Karpathy“LLM Wiki”理念开发的Obsidian社区插件，定位是将零散笔记转化为可持续维护、可检索的结构化知识库。用户导入Markdown笔记或PDF后，插件会调用大语言模型识别其中的实体与概念，自动生成相互链接的Wiki页面、来源页和索引，并支持基于已有Wiki进行对话式查询。与普通的单篇摘要工具相比，它更强调跨文档的知识拆分、去重、关联和增量更新，适合将研究报告、会议纪要及专题资料逐步沉淀为可复用的研究知识网络。插件支持多种云端及本地模型；首次使用时，需要在设置中选择模型服务商并完成连接测试，同时配置Wiki的输出目录、语言、提取颗粒度和Schema。
在插件设置页面中，用户可以选择并配置LLM服务商与模型，完成连接测试，并进一步设置Wiki文件夹、输出语言以及实体与概念的提取颗粒度。提取颗粒度越高，生成的知识页面越丰富，但相应的处理时间和模型额度消耗也越大。此外，插件支持初始化或编辑Schema；用户可直接修改schema/config.md文件，调整实体分类、概念类型及页面组织规则，从而构建符合不同研究需求的Wiki结构。
QuickAdd：笔记流程自动化
QuickAdd是一款用于快速记录和自动化笔记流程的Obsidian社区插件，可以将新建文件、调用模板、采集信息和连续执行命令等操作封装为可重复使用的快捷指令。插件主要提供Capture、Template、Macro和Multi等功能：既可以把临时想法直接追加到指定笔记，也可以根据预设模板创建结构统一的会议纪要、调研记录或项目文档，还能通过变量、输入框和多步骤命令完成较复杂的工作流。对于研究人员而言，QuickAdd能够减少重复的新建、命名和字段填写操作，使资料录入更加规范，并为后续汇总和查询工作提供结构化的数据基础。完成选项配置后，可通过命令面板或快捷键调用相应流程。
常规的模板插入可通过Obsidian核心插件Templates或社区插件Templater完成。相比之下，QuickAdd的优势在于能够将模板调用与交互式信息采集、文件命名、保存路径设置及后续命令串联为一套完整流程。用户只需触发一次指令，即可根据提示填写关键字段并自动生成结构化笔记，尤其适合会议纪要、调研记录等使用频率较高、格式相对固定的场景。
03 其他案例展示
3.1 券商金股知识库（案例3）
券商金股通常是指证券公司研究所或策略团队基于宏观环境、行业景气、公司基本面、估值水平和市场风格等因素，定期筛选并推荐的一组重点股票。它不同于针对单只股票的独立研究，更接近研究团队在特定时点形成的综合配置判断：一方面体现对行业和市场主线的判断，另一方面也反映对具体公司的相对偏好。将多家券商的金股集中整理后，可以观察哪些股票和行业获得较高关注，跟踪推荐名单的新增、延续与退出，并进一步刻画卖方配置偏好及其变化。
此前我们团队主要通过静态Excel表格展示金股数据，并由代码定期更新，将不同券商的推荐按行业进行横向汇总。这种方式便于浏览，但本质上仍是“行业×券商”的二维展示，难以直接回答跨机构共识、推荐持续性、主题热度变化等问题，往往还需要额外筛选和统计。
因此，在保留原始数据的基础上，进一步将券商、股票、行业、主题、推荐月份和推荐状态等字段结构化，并借助Obsidian与Dataview搭建可交互的金股知识库。这样，金股数据就不再只是按月更新的股票名单，而能够转化为持续跟踪卖方配置偏好的研究数据库。
借助Obsidian，可以将分散在不同月份Excel表格中的金股记录统一沉淀为可持续更新、可检索、可追踪的结构化数据，并围绕“看什么、谁在看、如何变化”搭建研究驾驶舱。
研究驾驶舱围绕当月推荐情况、跨机构共识、主题热度和推荐逻辑四个层次展开：
（1）本月金股总览
从推荐数量和机构覆盖入手，统计当月新增推荐、连续推荐及核心金股，并展示行业、产业主题、投资逻辑和组合属性的分布，回答“本月券商主要覆盖哪些股票，推荐集中在哪些方向”。
（2）卖方共识分析
通过共识雷达和核心金股明细，识别跨券商共同推荐的股票、产业主题、投资逻辑及事件催化。除推荐次数外，还结合机构覆盖数、连续推荐月数和新增推荐机构等指标，区分高共识标的、持续推荐标的与近期新增关注标的。
（3）主题热度变化
通过升温降温图和趋势表，追踪产业主题近几个月的推荐热度，识别主题新增、持续升温和热度回落等边际变化。同时结合核心股票的新增、连续推荐及机构覆盖变化，判断卖方关注是在扩散、强化还是降温。趋势表保留按月的完整数据，并通过色阶直观呈现不同主题的热度强弱。
（4）推荐逻辑拆解
将券商原始推荐理由整理为“股票—行业—产业主题—投资逻辑—事件催化—机构”的结构化关系，并通过关系图谱进行下钻分析。使用者可以按研究月份、行业、产业主题、投资逻辑和事件催化进行筛选，也可以在“观点结构”和“观点结构（仅逻辑）”两种视图之间切换。
例如，选择某一研究月份和“电力及公用事业”行业后，可以查看当月涉及的全部推荐股票，以及它们共同关联的投资逻辑和机构。若关系集中在产能释放、高股息、降本增效、景气反转和需求增长等标签，说明该行业的卖方配置并非由单一主题驱动，而是同时包含经营改善、盈利增长和组合防御等多重考量。
借助Obsidian，金股研究可以从“本月推荐了哪些股票”进一步延伸至以下问题：
哪些行业和主题正在形成卖方共识；
哪些投资逻辑正在升温或降温；
哪些股票共享相似的推荐依据；
哪些机构在持续强化同一条投资主线。
通过持续积累这些结构化信息，原本按月更新的静态金股名单可以逐步转化为一套可追踪、可比较、可复用的研究数据库，使金股研究从单纯的结果展示，进一步延伸到对卖方共识、边际变化和投资主线演化的持续观察。
3.2基金经理调研知识库（案例4）
基金经理调研资料通常分散在本地文件、在线会议记录和零散的调研纪要中。单次调研结束后，如果缺少统一的整理方式，后续很难快速回顾某位基金经理的历史判断，也难以从不同调研对象的观点中提炼对同一行业或资产的共性认识。为此，可以将本地与在线调研结果统一沉淀到Obsidian中，并通过模板为基金经理、调研日期、行业主题、资产类别、观点方向、判断期限和原始来源等信息建立结构化字段。
在此基础上，基金经理调研知识库主要支持两类查询：一是跟踪某位基金经理在不同时间对行业主题、具体资产和市场风格的观点变化，从而理解其判断框架与关注方向；二是围绕某个资产或行业主题，回顾历史上不同基金经理的观点、判断方向和有效期限，比较机构之间的共识与分歧。每条观点均保留调研日期和原始纪要链接，方便从汇总结论回到原始材料进行核验。
通过这种方式，零散的调研纪要可以转化为一套可持续积累、可横向比较、可回溯验证的基金经理观点数据库，既支持跟踪单一基金经理，也有助于从更长时间和更广范围理解机构对行业与资产的判断变化。
04 风险提示
（1）AI生成内容可能存在事实错误、信息遗漏和幻觉风险，关键数据与结论仍需结合原始资料进行核验。
（2）第三方插件及外部服务可能存在兼容性、数据安全和持续维护风险，涉及敏感研究资料时需谨慎使用。
（3）知识库中的研究资料、卖方观点和调研信息具有时效性，使用时应关注资料日期，并以原始资料及最新公开信息为准。
本文源自报告《AI研究系列之四：AI+Obsidian管理投研知识库》
报告时间：2026年8月19日
发布报告机构：东吴证券研究所
报告作者：于明明 S0600525120002、孙石 S0600526020001、吴彦锦 S0600526020004
免责声明
本公众订阅号（微信号：ymm_quant）由东吴证券研究所金融工程团队设立，系本研究团队研究成果发布的唯一订阅号。
本公众号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。
本订阅号不是东吴证券研究所金融工程团队研究报告的发布平台，所载内容均来自于东吴证券研究所已正式发布的研究报告或对已发布报告进行的跟踪与解读，如需了解详细的报告内容或研究信息，请具体参见东吴证券研究所已发布的完整报告。
本订阅号所载内容不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见。本订阅号所载内容仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主做出投资决策并自行承担风险。东吴证券研究所及本研究团队不对任何因使用本订阅号所载任何内容所引致或可能引致的损失承担任何责任。
本订阅号对所载内容保留一切法律权利。订阅人对本订阅号发布的所有内容（包括文字、图片、影像等）未经书面许可，禁止复制、转载；经授权进行复制、转载的，需注明出处为“东吴证券研究所”，且不得对本订阅号所截内容进行任何有悖原意的引用、删节或修改。
特别声明
《证券期货投资者适当性管理办法》、《证券经营机构投资者适当性管理实施指引（试行）》于2017年7月1日起正式实施。通过新媒体形式制作的本订阅号推送信息仅面向东吴证券客户中的专业投资者，请勿在未经授权前进行任何形式的转发。若您非东吴证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注本订阅号，请勿订阅、接收或使用本订阅号中的任何推送信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。