林渡
摘要
本文详细介绍了一套创新的AI笔记工作流，通过整合Obsidian、Claude Code和OpenClaw三大工具，构建了一个自动化、智能化的研发知识管理系统。这套工作流实现了从信息捕获到知识提炼的完整闭环，显著提升了Android研发工程师的知识工作效率。本文将系统性地介绍该工作流的安装配置流程、核心组件功能、实际应用场景，并通过案例分析展示其在研发工作中的巨大优势。
引言
作为一名在研发一线深耕多年的工程师，我一直在探索最高效的个人知识管理方式。过去几年里，我反复折腾于Notion、飞书、印象笔记、为知笔记、思源、Obsidian、WPS知识库等多个平台，每一次迁移都伴随着巨大的数据整理成本和使用习惯的重塑。就在去年，我认为自己终于找到了归宿——决定将WPS知识库和飞书知识库作为我的最终形态。
然而，AI时代的浪潮来得如此迅猛，它对传统笔记工具的冲击是颠覆性的。传统的笔记软件更像是一个被动的存储仓库，而AI驱动的笔记工作流则是一个主动的智能伙伴。它不仅能存储信息，更能理解、分析、关联并创造知识。正是这种从"信息存储"到"知识创造"的范式转变，促使我重新审视和构建了我的知识管理体系。
Obsidian+Claude Code+OpenClaw AI笔记工作流，正是这一探索的结晶。它通过将强大的知识库工具Obsidian、智能AI助手Claude Code和自动化信息捕获系统OpenClaw有机结合，构建了一个完整的"信息输入-智能处理-知识输出"闭环。这套工作流不仅能够自动捕获和整理技术信息，更能通过AI辅助进行深度的知识提炼和结构化沉淀，将我从繁琐的信息整理中解放出来，专注于更高价值的思考和创新。
工作流架构概览
这是我搭建完的效果
1. 核心组件
Obsidian
功能定位：本地优先的双向链接笔记应用，作为知识库的核心存储和管理平台
核心优势：
Markdown原生支持，格式简洁易读
双向链接和知识图谱，实现知识的关联和发现
插件生态系统丰富，可扩展性强
本地存储，数据安全可控
Claude Code
功能定位：嵌入式AI编程助手，提供智能代码生成和知识提炼能力
核心优势：
深度集成到Obsidian中，实现无缝协作
强大的自然语言处理能力，可理解复杂的技术概念
支持多步骤工作流，能执行复杂的知识处理任务
能够读写文件、执行命令，实现真正的AI代理功能
OpenClaw
功能定位：自动化信息捕获和转换系统，实现外部信息的自动入库
核心优势：
通过飞书机器人接收链接，实现信息的快速捕获
自动下载网页内容并转换为Markdown格式
支持多种内容源，包括微信公众号、技术博客等
实现信息捕获的自动化和标准化
2. 工作流示意图
外部信息源
↓
[飞书消息] → [OpenClaw] → [自动下载 & 转换] → [Obsidian Inbox]
↓ ↑
[微信公众号] [Claude Code]
↓ ↑
[技术博客] ←←←←←←←←←←←←←←←←←←←
3. obsidian目录示意
仓库遵循明确定义的信息架构，主要目录包括：
- `00-Inbox`：未分类内容的临时存储，包括想法、网页剪辑、日志、代码片段和聊天摘录。原则：先记录，后分类。
- `01-Daily`：每日工作日志，记录任务、问题、观察、结论和次日计划。作为每日入口，创建连续的工作轨迹。
- `02-Weekly`：每周总结，整合每日条目形成结构化回顾，包括完成事项、关键问题进展、风险点、知识收获和下周计划。
- `03-Meetings`：会议记录，按会议类型（周会、项目会、技术评审、复盘会）组织，包含决策、待办事项、技术反馈和责任分配。
- `04-People`：与协作者相关的信息，包括同事、供应商和合作伙伴，详细说明他们的职责、提供的组件、接口信息和协作背景。
- `05-Drafts`：按成熟度分级的草稿内容（临时、待整理、待发布、已废弃）。
- `10-Projects`：项目特定文档，具有标准化结构，包括项目概览、需求、硬件信息、软件架构、编译环境、BSP 适配、驱动 Bringup、问题跟踪、测试/验证和交付/发布。
- `20-Domains`：长期、可复用的**深度原理性知识**，按技术领域组织：
- Linux 内核（启动流程、中断、内存管理、驱动模型、设备树、电源管理）
- Android 系统（启动流程、init、SELinux、Framework、HAL、Binder、编译系统、日志、性能优化、OTA）
- BSP 开发（板级支持、设备树、GPIO、时钟、电源、I2C/SPI/UART、摄像头、触摸、显示、音频、传感器）
- 工具与效率（Git、Repo、Shell、Python、GDB、adb/fastboot、Perf/Ftrace、自动化脚本）
- `21-Cards`：**原子化的知识卡片与速查表**，存放从 `30-Issues` 和 `20-Domains` 中提炼出的、高度凝练的知识点，如核心概念、关键命令、速查表和最佳实践摘要。
- `30-Issues`：按问题类型组织的问题案例库（启动、编译、内核崩溃、驱动问题、功耗、稳定性、SELinux、外设问题、性能、刷机），包含具体事件的完整分析，包括现象、排查路径、根因、解决方案和验证结果。
- `40-Solutions`：从具体问题中提炼出的**通用方法论和流程性知识**，如排查流程、检查清单和标准化方法。
- `50-Snippets`：可复用的代码和命令片段，按类型组织（命令、代码、脚本、DTS、日志分析、正则、模板）。
- `55-Discussions`：深度探讨产生的技术文章，存放通过与AI深入讨论后整理的系统性分析内容，便于集中管理和快速查找。
- `60-References`：参考资料，包括芯片平台文档、内核文档、Android 官方资源、协议标准、厂商资料、链接、书籍和培训资料。
- `65-Writing`：输出内容，包括技术文章、演示材料、系列专题、博客文章和已发布内容归档。
- `70-Assets`：非 Markdown 资产，包括图片、附件、日志文件、时序图、抓包文件和屏幕录制。
- `80-Templates`：预定义模板，用于日常笔记、周度回顾、会议纪要、问题分析、驱动开发、编译问题、知识卡片、解决方案、技术文章、项目概览、调试复盘、命令片段和参考索引。
- `90-MOCs`：内容地图（内容地图），作为主要知识领域的导航中心（内核、Android、BSP、项目）。
- `91-Dashboards`：工作看板，提供关键区域的快速访问并跟踪知识整合工作。
- `99-Archive`：按年份、已完成项目和已弃用材料组织的归档内容，以保持主目录整洁。
安装与配置流程
1. 基础环境准备
1.1 硬件与网络环境
本地设备：Windows/Linux/Mac电脑，用于运行Obsidian和Claude Code
服务器：远程服务器（如VPS），用于部署OpenClaw系统
网络连接：确保本地设备与服务器之间的稳定网络连接
存储空间：建议至少100GB存储空间，用于存放知识库和附件
1.2 软件依赖
Node.js：v16或更高版本，用于运行OpenClaw
Python：3.8或更高版本，用于一些脚本工具
Git：用于版本控制和知识库同步
Tailscale：用于建立安全的点对点VPN连接（这一步可以不要，我使用是因为我的笔记是存在我家里的nas里，为了安全才使用这个的）
2. OpenClaw系统部署
2.1 服务器端部署
# 使用一键部署脚本
curl -fsSL https://openclaw.ai/install.sh | bash
2.2 启动OpenClaw服务
openclaw onboard
3. Tailscale网络配置
由于服务器和NAS可能位于不同网络，建议使用Tailscale建立安全的点对点连接。
3.1 安装Tailscale
# 在服务器上安装Tailscale
curl -fsSL https://tailscale.com/install.sh | sh
# 在本地设备上安装Tailscale
# Windows: 下载安装包 https://tailscale.com/download
# Mac: brew install tailscale
# Linux: curl -fsSL https://tailscale.com/install.sh | sh
3.2 启动Tailscale
# 在服务器和本地设备上都执行
sudo tailscale up
登录Tailscale管理界面，确认所有设备都已在线并可以互相访问。
注意：由于我的obdisian笔记是保存在我家里的群晖，所以需要这步
4. Obsidian配置
4.1 安装Obsidian
访问 https://obsidian.md 下载并安装Obsidian
创建新的知识库，指向本地NAS上的指定目录
4.2 WebDAV同步配置
在Obsidian中打开设置
进入"同步"选项卡
启用同步功能
配置WebDAV：
URL:
http://[Tailscale-IP]:5005/webdav用户名:
your-username密码:
your-password
4.3 核心插件安装
通过Obsidian社区插件市场安装以下核心插件：
Claudian：嵌入Claude Code AI助手
remotely-save：WebDAV同步增强
simpread：网页内容提取与转换
github-copilot：AI代码助手集成
obsidian-paste-image-rename：图片自动重命名
obsidian-custom-attachment-location：自定义附件位置
obshare：飞书分享
5. Claude Code集成
5.1 安装Claudian插件
在Obsidian中打开社区插件
搜索"Claudian"并安装
重启Obsidian
5.2 连接GitHub Copilot
在Claudian设置中启用GitHub Copilot集成
登录GitHub账户
验证Copilot模型配置
注意：这个也可以不要，因为claude code中已经有大模型了，我安装是因为个人是github copilot pro订阅用户，不用白不用
实际应用场景
1. 技术文章自动捕获与处理
场景描述
研发工程师在微信群或飞书群中看到一篇关于ARM页表属性的技术文章，希望将其纳入知识库。
传统工作流
手动复制文章链接
打开浏览器访问文章
逐段复制内容到笔记软件
手动调整格式
添加标签和链接
整理归档
耗时：15-30分钟
问题：格式混乱，信息不完整，易出错
AI笔记工作流
将文章链接发送到飞书机器人
OpenClaw自动下载文章并转换为Markdown
通过WebDAV同步到Obsidian的Inbox目录
Claude Code自动分析文章内容
提炼核心知识点并生成结构化文档
自动归档到相应领域目录
耗时：2-3分钟（大部分为自动化）
优势：格式规范，信息完整，自动结构化
案例演示
# ARMv8/ARMv9页表属性（Page Descriptor）详解
> **知识来源**：OpenClaw下载文章 [armv8armv9页表属性page-descriptor的详细介绍](https://mp.weixin.qq.com/s/yTSWpq7Wtfh8hSXWkg0FLA)
> **捕获时间**：2026-03-17 01:15:17
> **知识领域**：Linux内核、ARM架构、CPU缓存、内存管理
## 概述
ARMv8/ARMv9架构中的页表属性（Page Descriptor）是内存管理单元（MMU）的核心组成部分...
## Stage 1页表属性详解
### 关键属性位说明
#### 1. PBHA (bits[62:59])
- **功能**：用于FEAT_HPDS2特性
- **作用**：Hierarchical Permission Descriptor扩展
#### 2. XN/UXN (bit[54])
- **功能**：Execute-never或Unprivileged execute-never
- **作用**：特权和非特权不可从该内存区域执行指令的标志位
2. 问题分析与知识提炼
场景描述
研发工程师遇到一个内核崩溃问题，需要分析dmesg日志并提炼解决方案。
传统工作流
手动复制dmesg日志
在搜索引擎中查找类似问题
阅读多篇技术文章
手动整理分析过程
撰写问题分析报告
耗时：1-2小时
问题：信息分散，分析不系统，易遗漏关键点
AI笔记工作流
将dmesg日志粘贴到Obsidian
使用Claude Code分析日志
自动生成问题分析报告框架
检索知识库中类似案例
提炼通用解决方案
生成可复用的知识卡片
耗时：15-20分钟
优势：分析系统化，关联知识丰富，生成可复用知识
3. 会议记录与行动项跟踪
场景描述
团队召开技术评审会议，需要记录会议内容并跟踪行动项。
传统工作流
手动记录会议要点
会后整理会议纪要
手动分配任务
在任务管理系统中创建任务
定期跟踪任务进度
耗时：1-2小时
问题：记录不完整，行动项易遗漏，跟踪困难
AI笔记工作流
会议前创建会议记录模板
会议中实时记录要点
会后使用Claude Code提炼会议结论
自动生成行动项待办列表
链接到相关人员和项目
在日报中自动跟踪进度
耗时：30-45分钟
优势：记录完整，行动项清晰，自动跟踪
4. 知识卡片
笔者将从网络中收集到的文章，如果看完后觉得写的很好，我就会让claude code 将这篇文章提炼出知识卡片，方便我后续在和AI的交互中反复的学习。
4.1 提炼规则
我的知识卡片的提炼规则：
**将文章精炼成知识卡片**:
1. **接收指令**：当收到"请将这篇文章/内容精炼成知识卡片"的指令时或者使用"/card"触发，立即启动该流程。
2. **重复检测（关键步骤）**：
- 创建前**必须检查** `21-Cards` 目录下是否已有相同或相似主题的卡片。
- 使用 `Glob` 工具搜索 `21-Cards/*.md` 获取现有卡片列表。
- 根据内容重合度判断处理方式：
- **>70%（高度相似）**：补充到现有卡片，而非新建。向用户说明后，在原有卡片上扩展内容。
- **30%-70%（相关但不同）**：新建卡片，但必须在「关联笔记」中添加指向已有卡片的双向链接。
- **<30%（全新主题）**：直接新建卡片。
- 如果发现相似卡片，**主动告知用户**并提供建议（新建/补充/合并）。
3. **提炼内容**：
- 仔细分析你提供的文章、笔记或选中的文本。
- 提取其中的核心概念、关键结论、重要命令、最佳实践和可复用的要点。
- 按照 `80-Templates/知识卡片模板.md` 的格式，创建一张或者多张（需要根据知识点的数量）内容精炼、结构清晰的 Markdown 卡片。
4. **智能打标签**：
- 根据卡片内容，自动为其添加最相关的标签。
- 例如，一张关于内核崩溃（Kernel Panic）分析的卡片，会添加 `#card/concept`、`#domain/linux-kernel`、`#kernel/panic` 等标签。
- 这确保了卡片能被系统化地分类和检索。
- 开头的添加的格式，以下方为例子
```
> [!tip] 卡片信息
> - **类型**: #card/concept
> - **领域**: #domain/linux-kernel #domain/memory-management
> - **标签**: #memory-management/LRU #memory-management/page-reclaim
```
5. **链接与聚合**：
- 要在卡片中添加双向链接，将其关联到 `30-Issues` 中的原始案例（如果存在）和 `20-Domains` 中相关的深度原理文章。
- **必须检查** `90-MOCs` 中的相关 MOC（如"Linux 内核 MOC"），并将新创建的卡片链接到该 MOC 中，确保知识地图的完整性。
- **主动创建预期链接**：在分析原文和上下文后，如果推断出某个核心概念或机制**极有可能**在未来的某个特定场景（如特定项目、问题类型）中被应用或出现问题，则应主动创建一个链接。该链接的命名应**严格遵循您知识库的标准化命名规则**（例如 `平台_项目_问题类型_问题简述.md`）。
- **关联已有卡片**：如果步骤 2 中发现相关卡片，必须在「关联笔记」中添加指向它们的双向链接。
6. **创建与通知**：
- 最后，将这张打好标签、已链接的卡片，保存到 `21-Cards` 目录下。
- 通知我卡片已创建，并告知名称和位置，以便我随时查阅。
- 如果是补充到现有卡片，说明补充了哪些内容。
4.2 提炼过程
提炼知识卡片的交互过程：
可以看到在精炼成知识卡片时，它按照我设定的规则，如果现有的知识卡片中有相同的概念，则会在现有的知识卡片中新增；如果是一个全新的知识点，则会选择新建一张知识卡片。知识卡片的内容如下：
4.3 抽卡学习
每当空闲时，我都会抽卡学习，比如让他抽一张内存规整的卡，根据其核心要点出几道选择题给我。
也可以让他根据卡片找一个点切入和我深入探讨
比如我问它如何跟踪这个slab的分配行为：
当聊完后，同样可以让他根据今天聊的这个点，让它总结生成文章，让它把错误的题目，深入探讨的概念在今日的工作日笔记中记录一下等等，一切由你来定！
5. 工作日笔记
通过交互，可以让claude code帮我直接根据模板生成今天的任务笔记，根据我设定好的规则会将昨天未完成的任务自动添加到今天的代办中，当然你也可以增加更多的规则，引入更多的数据，比如JIRA的任务单状态/搜索今天的新闻咨询等等
自动创建的工作任务笔记如下：
6. 飞书分享
因为我司是使用的飞书作为工作交流工具，所以我有分享的需要，此时就会用到一个新的插件也就是obshare，同样只需要在obsidian的插件市场中安装好即可！
在插件的设置界面设置好飞书机器人的配置
通过这个按钮就可以一键上传到飞书云盘指定的文件夹内
工作流优势分析
1. 效率提升
信息捕获效率
知识沉淀效率
自动化归档：无需手动分类，系统可自动或半自动归档
结构化提炼：AI辅助将非结构化信息转化为结构化知识
关联发现：双向链接和知识图谱帮助发现知识间的关联
2. 质量保证
信息完整性
自动捕获确保不遗漏关键信息
AI分析识别核心要点，避免人为疏忽
系统化框架确保分析的全面性
格式规范性
Markdown格式统一，便于阅读和导出
模板化结构确保文档一致性
自动化处理减少人为错误
3. 知识复用
可搜索性
全文搜索快速定位信息
标签系统实现多维度分类
双向链接实现知识网络导航
可扩展性
新知识自动与旧知识建立关联
通用解决方案从具体案例中提炼
知识体系持续演进和丰富
与传统方式的对比
安全与隐私考虑
1. 数据安全
本地存储：所有知识库数据存储在本地NAS，不上传至第三方服务器
端到端加密：WebDAV传输使用HTTPS加密
访问控制：NAS设置用户权限，限制访问
2. AI安全
数据隔离：Claude Code仅在本地知识库内操作，不访问外部数据
权限控制：明确AI助手的操作权限，避免越权操作
审计日志：记录AI助手的所有操作，便于审计
3. 备份策略
定期备份：NAS设置自动备份到外部硬盘
版本控制：使用Git对知识库进行版本管理
云备份：重要文档同步到加密的云存储
常见问题与解决方案
1. OpenClaw转换质量不佳
问题：某些复杂网页转换后格式混乱
解决方案：
配置OpenClaw使用不同的转换引擎
手动调整转换后的Markdown格式
开发自定义转换规则skill
2. Claude Code理解偏差
问题：AI助手对技术概念理解不准确
解决方案：
提供更详细的上下文信息
人工审核和修正AI生成内容
训练领域特定的提示词模板
3. WebDAV同步不稳定
问题：网络波动导致同步失败
解决方案：
使用Tailscale建立稳定连接
配置同步重试机制
定期检查同步状态
未来展望
1. 工作流优化
视频内容处理：集成Bilibili/Youtube视频转文字功能，自动提取技术要点
语音笔记：支持语音输入，自动转为文字并结构化
智能推荐：基于知识图谱推荐相关学习资料
2. AI能力增强
多模态分析：支持图片、图表的AI分析
代码理解：增强对复杂代码的理解和生成能力
个性化模型：基于个人知识库训练个性化AI模型
3. 团队协作
共享知识库：建立团队级知识库，实现知识共享
协同编辑：支持多人实时协作编辑
知识评审：建立知识质量评审机制
结论
Obsidian+Claude Code+OpenClaw的AI笔记工作流代表了下一代研发知识管理的发展方向。通过将自动化信息捕获、智能知识处理和结构化知识管理有机结合，这套工作流极大地提升了研发工程师的工作效率和知识质量。
本文详细介绍了该工作流的安装配置流程、核心组件功能和实际应用场景，并通过案例分析展示了其在研发工作中的巨大优势。我其实强烈推荐研发团队采用这套AI笔记工作流，以应对日益增长的信息处理需求，构建强大的个人和团队知识资产。
未来，随着AI技术的进一步发展，这套工作流将变得更加智能和高效，为研发工作带来革命性的变化。建议团队从今天开始尝试和部署这套系统，逐步优化和完善，最终构建属于自己的智能研发知识引擎。
附录
A. 目录结构参考
Android R&D Lab/
├── 00-Inbox/
├── 01-Daily/
├── 03-Meetings/
├── 10-Projects/
├── 20-Domains/
│ ├── ARM/
│ ├── Linux内核/
│ └── Android系统/
├── 30-Issues/
├── 40-Solutions/
├── 50-Snippets/
├── 60-References/
├── 65-Writing/
│ └── 草稿箱/
├── 70-Assets/
├── 80-Templates/
├── 90-MOCs/
└── .obsidian/