Obsidian

我给自己那个本地知识库打了两年多的分。 9 月 10 日晚上，它拿到 9.3 / 10。理由很充分：23 条死链、10 篇笔记缺 frontmatter、5 个收件箱积压、一个战略主题零覆盖。 三个小时后，同一套方法、同一套权重、同一批命令，再算一遍：9.7 / 10。 这三个小时里，我没有往库里加一行新知识。只是把已经烂掉的地方挖出来扔了。 但真正的故事不在 9.3 到 9.7。真正的故事是——第一份写着"9.7"的报告里，有一处举证是不实的，而且是复核的时候才发现的。 这是"本地 AI 知识库实践"系列的第五篇。前面四篇讲的是怎么搭（从零搭建本地 AI 知识库）、怎么更聪明、怎么让数字可信（卡片索引层）、2.0 时代改了哪些东西（知识库 2.0 升级全解）。这一篇讲的是怎么证明它真的好——以及为什么"它说自己好"这句话本身不可信。 本文全部数字来自 2026-09-10 的现场实测命令，可复现。你的库不必有相同的数字，方法相同即可。 一、三个小时：完整时间线 整件事从当天晚上 22:47 开始，到 23:58 结束。 时间 动作 结果 22:47 第一次审计（六维评分模型） 9.3 / 10，三项 P1/P2 弱点 23:00–23:18 弱点清零执行 死链 23→0、缺 frontmatter 10→0、收件箱积压 5→0 23:18–23:30 复审（同方法、同权重） 9.7 / 10，九项门槛全过 23:31–23:45 独立复核（另一个 Agent 重跑全部指标） 采信 9.7，但发现 1 项举证不实 + 2 项需修正 + 4 项缺口 23:40–23:58 缺口全量执行 7 项动作落地，向量块 121,951 → 122,120 收尾 稳态复核 死链 0 / frontmatter 0 / 漂移 0 / 积压 0 / 回归 21/21 注意中间那一行——复审和独立复核是两个不同的动作，由两个不同的角色做。 ...

这是"本地 AI 知识库实践"系列的第四篇。前面三篇分别讲了：怎么搭（v1 搭建）、怎么更聪明（v2 多跳检索 + 看板）、怎么让数字可信（知识库 2.0 卡片索引）。 这篇把 2.0 时代的全部升级点一次性讲透：每个点改了什么、为什么改、逻辑是什么、好处是什么——不是"我做了这些"，而是"我为什么这么做"。 文末附一段可以直接复制给任何 AI 助手的搭建包：5 个可运行脚本 + 验收清单，AI 照着就能在一个全新目录里复刻整套架构。 本文数字均来自 2026-08-31 实测（记分卡 + 自动化清单交叉核验），非估算。你的数字不必相同，架构相同即可。 一、SPU 卡片索引层：知识库 2.0 的核心 改了什么：给每个物料编码（SPU）生成一张预聚合的标准答案卡（约 2KB JSON），把 AI 从"在 78,647 行长表里挑数"变成"读 1 张卡"。生产环境 23,743 张卡。 为什么改：RAG 的天花板是——能找文件、算不准数字。长表塞进上下文，模型挑数就像在电话簿里核对账单，看错行的概率永远不为零，而且错得理直气壮。我实测问过"铜管是不是涨价了"，RAG 捞回几段话，一对原始数据，数字全错。 逻辑：四层分工，每层只干自己擅长的事： 1 2 3 4 5 6 7 8 9 ┌─────────────────────────────────────┐ │ L4 输出层 聚合报告（TOP10/预警/对标） │ ├─────────────────────────────────────┤ │ L3 分析层 粗筛→族归组→下钻（prompt链） │ ├─────────────────────────────────────┤ │ L2 索引层 SPU 卡片 × 23,743 │ ├─────────────────────────────────────┤ │ L1 数据层 行级明细 78,647 行（黄金源） │ └─────────────────────────────────────┘ 好处：铜管核查从 30-60 分钟人工透视压缩到 6 秒；上下文从全表 10.3MB 降到 59KB（-99.4%）；每个数字带"数据行号"指针可一键回溯；结构性事实（5 个铜管编码全是同一家供应商）粗筛一眼可见——这是议价谈判里最值钱的信息，传统透视几乎发现不了。 ...

你有没有这种经历：明明记得看过一篇文章，但搜遍了所有笔记都找不到？ 或者：你有一个业务问题想问 AI，但 AI 给的答案和你的实际情况完全不搭——因为它根本不知道你的业务数据长什么样。 这不是 AI 的问题，是你没有给它一个能读懂的知识库。 市面上 60 多款知识库工具我都看过。Obsidian、Notion、SiYuan 这些笔记工具，上手快但检索只能关键词，AI 集成深度不够。Dify、RAGFlow、AnythingLLM 这些 AI 知识库工具，5 分钟能搭一个客服库，但数据格式私有、SaaS 不敢放业务数据、索引策略动不了。 我要说一个大多数人不同意的观点：知识库不是"存资料的仓库"，而是"能帮你做判断的伙伴"。 如果你的知识库不能回答你自己的业务问题，它只是另一个收藏夹。真正的知识库应该能回答"某物料 A 与 B 供应商 2026 采购价格对比"这种具体问题——答案来自你自己的数据，不是 LLM 编造的。 本文拆解如何从零搭建一套数千文件、双索引 RAG、每日自动增量同步的本地 AI 知识库——一个业务管理者的"第二大脑"实战。文末附录包含一段可直接复制给任何 AI 助手的搭建指令和完整代码，让 AI 照着就能搭。 一、为什么不是 Obsidian / Notion / Dify？ 市面上 60 多款工具我都看过。它们分为两类： 范式 代表 优点 致命缺陷（对我） 笔记工具 Obsidian、Notion、SiYuan 上手快、移动端好 检索只能关键词，AI 集成深度不够 AI 知识库工具 Dify、RAGFlow、AnythingLLM 5 分钟搭一个客服库 数据格式私有、SaaS 不敢放业务数据、EXCLUDE/重建策略动不了 我的核心约束是： 数据主权 100% 本地：大量采购明细、供应商档案、客户报价不能进任何 SaaS。 业务深度耦合：行业计价规则、多产品线结构、供应商画像，通用工具里都没有。 AI 召回可控：哪些文件进索引、哪些排除、表格文件如何聚合，必须由我定。 所以我没有选择「现成整机」，而是选择了自建范式：纯 Markdown + 自写脚本 + 本地向量索引 + 自动化流水线。 ...