obsidian-llm-wiki是一款 Obsidian 社区插件，能把你的笔记和 PDF 自动变成带双向链接、可对话问答的 LLM 知识库（实体页、概念页、图谱检索）。它本身不孤立使用——真正强大的地方，在于和 Obsidian 全家桶生态无缝组合。本文给你一份 7 大集成的实用清单：从 Dataview 查询、图谱视图可视化，到 Web Clipper 采集、Git 版本管理，帮你在 5 分钟内搭出"采集 → 入库 → 检索 → 输出"的完整知识流水线。

一、先搞懂基础：Wiki 链接图谱是全家桶的"公共语言"

安装 obsidian-llm-wiki（社区插件市场搜索 "Karpathy LLM Wiki"）、配置 LLM 提供商后，插件会把源笔记拆解成三类页面：

每个页面都携带标准 frontmatter（tags:、type:、aliases:）和[[双向链接]]。这意味着：所有基于 frontmatter 或 wiki-link 的生态工具，开箱即用——这正是全家桶能组合的底层原因。核心写入逻辑见 src/core/frontmatter.ts。

二、7 大生态集成清单 🧩

1. 图谱视图（Graph View）：把知识库变成可视化网络

Obsidian 原生图谱视图零成本集成：每个[[wiki-link]]变成一个节点，每条反向链接变成一条边。在任意 wiki 页面上打开本地图谱，就能直观看到"哪些实体围绕哪个概念聚集"。

💡实战技巧：把检索阶段 Personalized PageRank 的走向和图谱对照看——图谱里越"中心"的枢纽页，对问答召回的影响越大。相关实现见 src/core/monte-carlo-ppr.ts。

2. Dataview：把 Wiki 当数据库查询

由于插件写入的是标准 frontmatter，Dataview 的 DQL 直接可用，例如：

LIST FROM "wiki/entities" WHERE contains(tags, "person")

常用查询场景：

• 列出所有人物实体：contains(tags, "person")
• 按别名搜索：contains(aliases, "模型对齐")
• 统计 wiki 规模：TABLE type, tags FROM "wiki"

自定义标签体系在 设置 → Wiki → Tag Vocabulary 中维护（见下图），Dataview 查询的标签口径与插件写入口径完全一致。

3. Web Clipper：网页采集到批量入库的流水线

官方浏览器扩展 Obsidian Web Clipper 负责"进水"，obsidian-llm-wiki 负责"提炼"：

1. 用 Web Clipper 把文章、博客、论文、视频转录稿保存到 vault 的固定文件夹
2. 命令面板（Cmd/Ctrl+P）→Ingest from folder批量摄取
3. 实体/概念页自动进入图谱，供后续问答与图谱检索

多文件摄取界面支持实时队列、逐文件取消，适合大批量资料入库：

4. MinerU：PDF 与 Office 的内置转换后端

v1.27.0 起，MinerU 多格式后端直接内置为插件开关：设置 → Wiki Configuration → Markdown Conversion Backend →MinerU，即可摄取PDF + 图片 + DOCX/PPTX/XLSX。科学论文、扫描件、Office 文档的最佳路径。云端提供商（Anthropic、OpenAI、Bedrock、Gemini）也支持原生 PDF。完整配置见 docs/PDF-OCR-GUIDE_CN.md。

5. Git：人和 LLM 的改动从此清晰分家

插件从不修改你的源笔记，只在wiki/下新建页面。配合任意 Git 客户端：

• git diff一眼区分"我写的"和"LLM 生成的"
• 每次批量摄取前 commit，误操作直接回滚
• 跨设备同步时 wiki 目录可单独策略管理

操作历史面板也帮你留痕：每次摄取、Lint 扫描、自动维护都有时间线和报告。

6. Marp Slides：Wiki 页一键变幻灯片

wiki 页面是纯 Markdown，加上marp: truefrontmatter 即可渲染为幻灯片。适合把某个概念页直接变成内部分享或学习笔记的 slides，无需二次转换。

7. Canvas：无限画布组装知识地图

把 wiki 卡片拖进 Obsidian 原生 Canvas，即可拼装学习指南、思维导图、研究综述。由于卡片之间仍保留[[wiki-link]]关系，画布既是"静态海报"，也是可跳转的活地图。

三、一条完整工作流：从采集到问答 🔍

把全家桶串起来，一个典型的知识工作流是：

1. 采集：Web Clipper / 本地 PDF / 手写笔记 → 统一文件夹
2. 入库：命令面板 → Ingest from folder（或侧边栏贴纸图标一键摄取当前笔记）
3. 查询：侧边栏气泡图标 → Query Wiki，答案自带[[wiki-links]]回指图谱
4. 整理：Lint wiki 健康扫描 + Smart Fix All 一键修复重复页、死链、孤儿页
5. 输出：Dataview 查询、Canvas 组装、Marp 演示

所有核心命令都集中在命令面板里，一眼可查：

问答界面采用右侧停靠的 Copilot 风格侧栏，边看笔记边提问，回答中的链接可直接跳回知识图谱：

四、组合避坑小贴士 ⚠️

• 检索依赖你写的链接：[[wiki-link]]是图谱信号，随手多写一个链接，比多配一个参数更有用
• 摄取粒度先粗后细：大批量入库时选 Minimal/Coarse 粒度控制成本，单篇深读再调 Fine
• 本地模型查、云端模型摄：2000 页级 vault 的批量摄取通常需要长上下文云端模型，查询则本地模型（Ollama / LM Studio）即可，数据完全不出本机
• reviewed: true保护页：手工精修过的页面加上该标记，防止被后续摄取覆盖

模型选型细节可参考 docs/MODEL-GUIDE.md，摄取引擎与检索管道的源码在 src/wiki/ 下，想深入原理可以从 src/core/query-expansion.ts 的查询扩展逻辑读起。

把 obsidian-llm-wiki 当作全家桶的"中枢"，而不是孤立插件，你的 Obsidian 才算真正从笔记工具升级成了会回答问题的第二大脑。