使用 Claude AI 自动化 Obsidian：构建智能笔记循环

今年你已经把同一个想法写了三遍。你自己还不知道，但你的笔记应用知道。

为什么这需要一个循环，而不是一个聊天标签页？

你当然可以把旧笔记粘贴到 Claude 里，让它帮你找规律。很多人都这么干。一次两次确实管用。

问题在于，你是那个触发器。你打开标签页，粘贴文件，提出问题。关掉标签页，检查就停止了。除非你记得再去做，否则没人会重新读取你的笔记库。

循环不需要你记得。你只需设定一次规则，它就会按计划运行，对照硬性标准检查自己的输出，修复薄弱环节，然后把结果写回你已经在用的同一个笔记库里。

一个循环的结构永远都是这四个部分：

text

1触发   →  一个计划，或者一条新笔记被保存
2执行   →  Claude 读取笔记库并完成实际工作
3验证   →  对照硬性规则检查，而不是凭感觉
4停止   →  通过规则检查，或达到重试次数上限

跳过验证，Claude 就会给自己的作业打分，每次都给自己打 9 分。跳过停止，它就会在一条它无法理解的笔记上永远循环下去，悄悄地在夜里耗尽你的 API 费用。人们搞砸的地方，通常就在这两步。

技术栈：Claude、Obsidian、一个计划？

三个部分，没什么特别的。

笔记库。Obsidian。免费、本地化，每条笔记都是你硬盘上拥有的 Markdown 文件。脚本可以直接读写这个文件夹，无需导出，你和你的笔记之间没有 API 壁垒。

数据源。你的 AI 聊天历史记录，从你使用的任何服务商那里导出一次。这就是循环读取的原始材料。

大脑。Claude，按任务分工。Sonnet 负责需要真正判断力的工作，比如比较想法、发现矛盾。Haiku 负责廉价的排序和打标签，每次调用的成本大约只有 Sonnet 的几分之一。你不会为了检查一个 YAML 字段而运行昂贵的模型。

循环 1：原始导出变成每条笔记对应一个想法？

text

1触发：   新的导出文件被放入 raw/ 目录
2步骤：
3  1. 读取文件中的每一次对话
4  2. 仅提取实际的决策、推理过程以及之后发生的事情（如果后续有提及）
5  3. 对于每个不同的想法，使用以下前置元数据在 notes/ 中写入一条笔记：
6       ---
7       topic:
8       created:
9       source_conversations: []
10       status: open
11       linked_notes: []
12       ---
13  4. 如果关于该主题的笔记已存在，则更新它，而不是创建重复项
14验证：   每条笔记的三个正文部分都已填写，并且
15         source_conversations 中至少有一个条目。
16         如果不满足，则仅重新处理该对话。
17停止：   验证通过，或重试 3 次后标记为需要人工审核

这个循环的作用就是把一份死掉的导出文件变成一个真正的笔记库。目前还谈不上什么巧妙，只是建立结构。

这就是一条处理后的笔记的实际样子。不是摘要，而是一个带有完整追溯记录的决策。

循环 2：笔记库自我重读，寻找模式？

这个循环才是真正物有所值的。它包含四次独立的遍历，每次都有自己的任务，每次都在开始前读取同一个记忆文件，并在结束后写入该文件。

text

1触发：   每 6 小时
2步骤：
3  遍历 1，被搁置的线索：
4    标记任何超过 60 天未触碰的开放笔记
5  遍历 2，什么有效：
6    将过去的想法与表现良好的已发布成果进行匹配
7  遍历 3，诚实的审视：
8    对过去 14 天给出一个直截了当的评价，不粉饰
9  遍历 4，隐藏的重复项：
10    比较所有笔记，找出措辞不同但实质相同的想法，
11    跨越任何时间间隔，列出它们，合并前先询问
12验证：   每次遍历至少向 memory/MEMORY.md 写入一个条目，
13         并且遍历 4 的匹配项必须通过决策字段中的关键词重叠
14         来确认，而不仅仅是措辞相似
15停止：   所有四次遍历完成，或者某次遍历失败并被记录，
16         绝不能静默跳过

遍历 4 才是真正会让你感到惊讶的。两条相隔数月写下的笔记，措辞完全不同，结果却是同一个未完成的想法。这种匹配不是来自你。它来自一个永远不会厌倦重读你的东西。

你无法从自己的头脑内部看到自己的模式。你需要一个外在于你、且永远不会厌倦重读你的东西。

永远不要让遍历 4 自动合并。关于"放弃一个糟糕客户"的两条笔记，即使在谈论不同的客户时，其推理过程也可能看起来完全相同。每次合并前都要确认。

这三个集群是我的笔记库自己发现的，我从未注意到这些想法之间有关联，直到循环把它们指出来。

先手动试试？

在你安排任何自动化任务之前，先在 Claude 聊天中手动运行一次，指向你笔记的一个文件夹：

text

1你将在一个循环中工作，直到任务达到标准。
2
3任务：
4读取 [文件夹] 中的每条笔记。找出在不同笔记中重复出现、
5但措辞不同的想法，以及任何被提及但从未跟进的项目。
6
7成功标准（严格，无宽松通过）：
8- 每个匹配都必须有来自两条笔记的实际引用作为支持
9- 每个被搁置的线索都必须包含其闲置了多长时间
10- 不能有模糊的"你似乎重视 X"这类输出
11
12循环协议，每轮重复：
131. 计划   - 说明下一步要做什么
142. 执行   - 生成或改进输出
153. 验证   - 对每个标准打分 1-10，要极其诚实
164. 决定   - 如果每个标准都达到 8 分或以上，打印"最终"并停止
17
18规则：
19- 在所有标准都达到 8 分或以上之前，绝不能宣布完成
20- 不要问我问题，做出合理的假设并继续
21
22开始。运行循环直到输出"最终"。

如果返回的结果真的让你感到惊讶，那么这个想法就值得安排一个计划。如果没有，那就先不要自动化它。

真正有效的顺序是什么？

先在 Claude 聊天中，让一次手动运行变得可靠。

然后把它转换成循环 1 和循环 2 中的两个提示。

在你安排任何自动化任务之前，先添加验证和停止规则。

然后，也只有到那时，才把它放到一个 cron 任务或周期性自动化中。

跳过步骤，安排一个你还没有手动验证过的东西，这正是循环在你睡觉时出错的根源。先手动验证一次，强化它，然后再自动化。

实际成本是多少？

循环 1 每次导出只运行一次，所以总共只需要几次 Sonnet 调用，不是周期性的。

循环 2 每六小时运行四次遍历。把遍历 1 和遍历 4 交给 Haiku，它们只是比较和打标签，不需要深度推理。把遍历 2 和遍历 3 保留在 Sonnet 上，因为与真实表现数据匹配以及给出诚实的评价都需要真正的判断力。这样拆分后，每天四次遍历的成本，比你边喝咖啡边阅读返回结果时喝的咖啡还要便宜。

这对你实际意味着什么？

笔记库从来都不是重点。重点在于，拥有一个在你停止关注后仍能持续重读你的东西，这样模式就会被发现，而不是被重复第四次。

这里的转变不是一个新的应用或一个更智能的模型。而是关于谁来做"发现"这件事。你不再是唯一一个检查自己想法的人，而是有另一个东西在后台，在你拥有的文件上，按照你设定的计划，持续地做着这件事。

我的看法是：先构建循环 1，让笔记库积累两到三周，然后再碰循环 2。在笔记库里有足够的内容可以相互碰撞之前，查找重复项的遍历是毫无价值的。从本文中的手动版本开始，在 Claude 聊天中运行几次。如果你发现自己总是想用它，那时它才值得被安排进计划。

如果你想看到更多类似的深度解析，我每隔一两天会在 Telegram 和 X 上发布一篇。两者都是免费的。

X - https://x.com/gippp69

Telegram - https://t.me/GipArcAI