我用 Claude Code + Obsidian + NotebookLM 搭了一套會自我進化的AI研究系統
整理版優先睇
搭建一套令AI記住你、知識留低、系統越用越聰明嘅自我進化研究系統
作者發現大多數人用AI嘅方式好似用計算器——用完一次就關閉，下次重新開始，每次對話都要重新交代背景，AI對你一無所知，亦都冇積累任何嘢。作者自己系統學習AI之後，搭建咗一套系統，核心邏輯係「讓AI記住你，讓知識留喺你度，讓系統越用越聰明」。
呢套系統叫AI Research Command Center，由四個角色組成：Claude Code做核心控制枱，負責調度所有任務同工具；NotebookLM做分析引擎，可以離線深度處理大量文檔，仲可以生成播客、腦圖等；Obsidian做記憶庫，所有研究結論同Claude嘅行為規則都存喺呢度，支援雙向連結；Skill Creator做進化引擎，將好用嘅工作方式固化做Skill，不斷疊加。
完整流程係：數據自動抓取（例如YouTube字幕、PDF）→ NotebookLM深度分析（提取觀點、識別空白、生成播客）→ 結論自動寫入Obsidian（帶雙向連結）→ 更新Claude行為規則（claude.md）。形成「你用系統→系統產出→你更新規則→系統變聰明」嘅自我進化循環。作者強調呢套系統真正解決嘅問題係知識嘅複利，而唔係更快生成內容。
- 核心結論：系統令AI記住你嘅偏好同框架，知識留喺本地，越用越聰明，實現知識複利。
- 方法：四大組件——Claude Code調度、NotebookLM深度分析、Obsidian存儲、Skill Creator固化方法論，形成閉環。
- 差異：與普通用法最大分別係上下文傳遞同知識積累，唔再每次從零開始。
- 啟發：數據來源（YouTube、PDF）可自動抓取，NotebookLM能生成播客音頻，邊做家務邊學習，提升效率。
- 可行動點：由最小可行版本開始——裝Obsidian、建CLAUDE.md、試NotebookLM音頻、封裝一個常用Skill。
yt-dlp
命令行工具，用於下載YouTube視頻字幕，自動存為Markdown放入Obsidian Inbox。
NotebookLM-PI
NotebookLM的非官方接口，可批量推送文檔進行深度分析，生成播客、腦圖等。
Skill Creator
Claude Code內置機制，用 /skill-creator 將常用工作流封裝成可重用Skill。
AI研究流程
數據抓取 → NotebookLM分析 → Obsidian存儲 → 更新Claude行為規則，構成自我進化循環。
問題同核心邏輯
好多人用AI嘅方式好似用計算器——用一次就關掉，下次重新開始。每次對話都要重新交代背景，AI對你一概不知，你都冇從每次使用中積累任何嘢。
作者最近幾個月系統學習AI後，搭建咗一套系統，核心邏輯只有一句話：讓AI記住你，讓知識留喺你度，讓系統越用越聰明。呢個先係用AI嘅正確姿勢——令每次使用都產生複利。
系統架構：四個角色各司其職
呢套系統叫AI Research Command Center，由四個角色組成：Claude Code係核心控制枱，唔止係聊天機械人，而係成個系統嘅調度中樞；NotebookLM係分析引擎，可以離線深度處理大量文檔，仲有被低估嘅播客生成能力；Obsidian係記憶庫，存放所有研究結論同Claude嘅行為規則；Skill Creator係進化引擎，將好用嘅工作方式固化做Skill。
- 1 Claude Code：所有任務發起、工具調用、輸出整合都經呢度走，係成個系統嘅大腦。
- 2 NotebookLM：離線深度分析十幾個PDF、幾十個視頻字幕，能生成播客音頻、腦圖、PPT/PDF。
- 3 Obsidian：Markdown格式，雙向連結，完全本地，Claude Code讀取呢啲文件就等於「記住」咗你之前積累嘅嘢。
- 4 Skill Creator：每次發現好用嘅工作方式，就固化成一個Skill，下次直接調用，技能不斷積累。
一次完整嘅研究流程
第一步：數據進來。例如YouTube上有個講AI產品策略嘅片，Claude Code調用yt-dlp將字幕抓落嚟，存成Markdown放入Obsidian嘅Inbox文件夾。幾篇相關PDF報告一齊導入。呢一步係全自動嘅，唔需要手動做任何嘢。
第二步：NotebookLM深度分析。通過NotebookLM-PI（非官方接口），將呢批材料批量推入去，叫佢做三件事：提取核心觀點、識別市場空白、生成一段播客形式嘅音頻總結。播客呢個輸出特別有意思，做家務、散步、通勤時戴住耳機聽，資訊密度高又唔攰。
第三步：結論落進Obsidian。分析結論自動寫回Obsidian，帶雙向連結，連到相關嘅已有筆記上。時間耐咗，筆記之間嘅關係圖譜越嚟越密，從一個點出發，可以揾到三年前研究過嘅相關內容。
呢個就係「自我進化循環」：你用系統 → 系統產出 → 你更新規則 → 系統變聰明 → 你用得更順手 → 你更新規則……
幾個令系統真正跑起嚟嘅技術細節
- Skill系統：Claude Code嘅Skill機制係可編程嘅提示詞模板。用 /skill-creator 將常用工作流封裝成Skill，之後用 /skill名 一鍵調用。作者已積累十幾個Skills，包括自動寫文章、配圖、發佈到多平台、頭腦風暴、從NotebookLM拉取報告等。Skill最大價值係將方法論固化，三個月後用返同一框架，唔會因為換工具而丟失。
- 節省Token成本：將大量文檔分析工作交畀NotebookLM（免費），Claude Code只處理最終結構化輸出，Token消耗大幅下降，而且可以處理更大量材料，唔使擔心context window限制。
- Obsidian雙向連結：積累到一定程度，會出現神奇體驗——研究新話題時，意外連接到兩年前研究嘅另一個領域。呢種跨領域關聯，靠腦記根本冇可能做到。
開始搭建：由最小可行版本開始
作者建議唔好一次過上曬所有嘢。先由最小可行版本開始：
- 1 第一步：裝Obsidian，將現有筆記遷入去。然後喺根目錄建立一個CLAUDE.md，寫低你最常同Claude講嗰幾句話。呢步花唔到一個鐘。
- 2 第二步：試一次NotebookLM嘅音頻摘要功能。揀一篇想讀但一直冇讀嘅PDF，導入去，等佢生成播客，用聽嘅方式消化。
- 3 第三步：喺Claude Code入面用 /skill-creator 將你最常用嘅一個工作流封裝成Skill。
- 4 呢三步做完，你已經有咗呢套系統嘅雛形。剩下嘅，跑起嚟之後自然會知道下一步要加咩。
記住：工具唔係越多越好，係越連通越好。
好多人用AI嘅方式好似用計數機咁——用一次，熄咗佢，下次重新開始。
咁樣用AI永遠都喺原地踏步。每次對話都要重新交代背景，AI對你一無所知，你都冇從每次使用入面累積到任何嘢。
最近幾個月我係統咁學咗AI，然後我整咗一套系統，核心邏輯得一句話：等 AI 記住你，等知識留返喺你度，等系統越用越聰明。
點解大多數人嘅 AI 工作流係斷嘅
問題嘅本質係：工具冇串聯，上下文冇傳遞，知識冇沉澱。
你喺 ChatGPT 度問咗一個問題，得到一個答案，閂咗個窗口。呢個答案、呢個過程，同你嘅知識庫冇任何關係。下次遇到類似問題，你仲係由零開始問。
更大嘅問題係，你研究嘅內容都好散。一個 YouTube 影片、幾篇 PDF 報告、自己嘅筆記，分散喺唔同地方，互相冇連接。AI 每次淨係睇到你掟俾佢嘅嗰一小部分，睇唔到全局。
呢個就係點解好多人用咗 AI 好耐，覺得自己冇變叻——工具喺用，但冇複利效應。
呢套系統嘅核心架構
我叫它 AI Research Command Center，四個角色各司其職：
Claude Code 係核心控制枱。佢唔止係聊天機械人，佢成個系統嘅調度中樞。所有任務嘅發起、工具嘅調用、輸出嘅整合，都係經佢走。
NotebookLM 係分析引擎。Google 呢個工具有個俾人嚴重低估嘅能力：離線深度處理大量文檔。你掟畀佢十幾個 PDF、幾十段影片字幕，佢做到嘅分析質素，好過你自己讀完再總結好多。更加關鍵嘅係，佢可以生成播客音頻、影片、腦圖、PPT/PDF。
Obsidian 係記憶庫。所有研究結論、思維導圖、Claude 嘅行為規則，都喺度儲起。Markdown 格式，雙向連結，完全本地。Claude Code 讀取呢啲檔案，就等於佢「記住咗」你之前積累嘅嘢。
Skill Creator 係進化引擎。每次你發現一個好用嘅工作方式，將佢固化做一個 Skill，下次直接調用。技能不斷積累，系統能力不斷疊加。
一次完整嘅研究流程係咁行嘅
第一步，數據入嚟。
YouTube 上面有個講 AI 產品策略嘅影片，我想深度消化佢。Claude Code 調用 yt-dlp 將字幕拉落嚟，存成 Markdown，放落 Obsidian 嘅 Inbox 文件夾。幾篇相關 PDF 報告一齊導入。呢一步係全自動嘅，我唔使手動做任何嘢。
第二步，NotebookLM 深度分析。
經由 NotebookLM 嘅非官方接口（NotebookLM-PI），將呢批材料批量推入去。等佢做三件事：提取核心觀點、識別市場空白、生成一段播客形式嘅音頻總結。
播客呢個輸出特別得意。做家務嘅時候、散步嘅時候、通勤嘅時候，戴住耳機，NotebookLM 用兩個 AI 主持人對話嘅形式，將導入嘅研究材料講俾人聽。資訊密度高，又唔攰。
第三步，結論落返 Obsidian。
分析結論自動寫返落 Obsidian，帶雙向連結，連到相關嘅現有筆記度。時間耐咗，呢啲筆記之間嘅關係圖譜越嚟越密，由一個點出發，可以揾到你三年前研究過嘅相關內容。
第四步，更新 Claude 嘅行為規則。
呢個係最容易被忽略，亦都係最核心嘅一步。
Obsidian 入面有個檔案叫 claude.md。佢唔係普通筆記，係 Claude Code 嘅設定檔——入面記錄咗你嘅研究偏好、回應風格、常用框架。每次研究完，如果發現咗新嘅好用規則，就更新呢個檔案。
下次 Claude Code 啟動，佢讀取呢個檔案，就知你鍾意乜，用咩框架諗嘢，上次研究到邊度。
呢個就係「自我進化循環」：你用系統 → 系統產出 → 你更新規則 → 系統變聰明 → 你用起嚟更順手 → 你更新規則……
幾個令呢套系統真係行得順嘅技術細節
關於 Skill 系統。
Claude Code 有個 Skill 機制，簡單講就係可編程嘅提示詞模板。你用 /skill-creator 命令，將一個常用嘅工作流封裝成 Skill，之後用 /skill名字 一鍵調用，唔使每次重新寫 prompt。
我目前積累咗十幾個 Skills，包括：自動寫文章嘅、自動為文章配圖嘅、自動上傳圖片去圖牀嘅、自動發佈文章去微信公眾號·推特·小紅書·知乎·簡書等平台嘅、using-superpowers自動評審需求、自動寫需求文檔、自動寫設計方案、自動寫代碼開發業務嘅、頭腦風暴、自動生成 App Store 所需宣傳設計稿、由 NotebookLM 拉取分析報告、將研究結論整理成資訊圖表提綱、批量處理 YouTube 影片字幕等等 Skills。
之後仲會有越來越嘅 Skill 俾我充分利用。當然，我都會自己創建越來越多嘅 Skill。
Skill 最大嘅價值係將你嘅方法論固化落嚟。你今日諗清楚咗一個分析框架，寫成 Skill，三個月後用嗰陣仲係同一個框架，唔會因為換咗工具就唔見咗。
關於節省 Token 成本。
將大量文檔分析嘅工作交俾 NotebookLM，而唔係直接塞俾 Claude。NotebookLM 免費，處理大文檔冇 Token 成本。Claude Code 淨係處理最終嘅結構化輸出，Token 消耗大幅下降。
呢個唔止係慳錢，更加重要係：你可以處理更大量嘅材料，而唔使擔心 context window 嘅限制。
關於 Obsidian 嘅雙向連結。
呢個功能聽落好普通，但積累到一定程度，會出現一種神奇嘅體驗：你研究一個新話題，發現佢意外咁連接到兩年前研究嘅另一個領域。呢種跨領域嘅關聯，靠個腦記係根本冇可能做到嘅事。
呢套系統真正解決嘅問題
唔係「更快咁生成內容」。
是知識嘅複利。
普通用法之下，你用 AI 一年，AI 對你嘅認識仲係零。你嘅知識庫仲係散嘅。你嘅研究方法仲係靠感覺。
用呢套系統一年之後：Claude Code 知道你嘅研究偏好同框架；Obsidian 入面有你所有研究嘅結構化結論同關聯；Skill 系統入面有你驗證過嘅方法論；NotebookLM 入面有你建立嘅知識源庫。
呢個係一個真正意義上嘅個人知識操作系統，而唔係一個聊天工具。
如果你想開始砌呢套系統
由最小可行版本開始。唔好一次過全部上。
第一步，先將 Obsidian 裝起，將你現有嘅筆記搬入去。然後喺根目錄建立一個 CLAUDE.md，寫低你最常同 Claude 講嘅嗰幾句說話。呢一步用唔夠一個鐘。
第二步，試一次 NotebookLM 嘅音頻摘要功能。揾一篇你最近想讀但一直拖住冇讀嘅 PDF，導入去，等佢生成播客，用聽嘅方式消化。
第三步，喺 Claude Code 入面用 /skill-creator 將你最常用嘅一個工作流封裝成 Skill。
三步做完，你已經有咗呢套系統嘅雛形。剩低嘅，行起咗之後自然會知道下一步要加咩。
工具唔係越多越好，係越連通越好。
2026.03.13 22:52
滬 · 趙巷
📌 聲明：本文由 AI 輔助完成
很多人用 AI 的方式像在用計算器——用一次，關掉，下次重新開始。
這樣用 AI 永遠在原地踏步。每次對話都要重新交代背景，AI 對你一無所知，你也沒有從每次使用中積累任何東西。
最近幾個月我係統學習了AI，然後我搭了一套系統，核心邏輯只有一句話：讓 AI 記住你，讓知識留在你這裏，讓系統越用越聰明。
為什麼大多數人的 AI 工作流是斷的
問題的本質是：工具沒有串聯，上下文沒有傳遞，知識沒有沉澱。
你在 ChatGPT 裏問了一個問題，得到一個答案，關掉窗口。這個答案、這個過程，跟你的知識庫沒有任何關係。下次遇到類似問題，你還是從零開始問。
更大的問題是，你研究的內容也是散的。一個 YouTube 視頻、幾篇 PDF 報告、自己的筆記，分散在各處，互相沒有連接。AI 每次只能看到你扔給它的那一小塊，看不到全局。
這就是為什麼很多人用了 AI 很久，感覺自己並沒有變厲害——工具在用，但沒有複利。
這套系統的核心架構
我叫它 AI Research Command Center，四個角色各司其職：
Claude Code 是核心控制枱。它不只是聊天機器人，它是整個系統的調度中樞。所有任務的發起、工具的調用、輸出的整合，都從這裏走。
NotebookLM 是分析引擎。谷歌的這個工具有一個被嚴重低估的能力：離線深度處理大量文檔。你扔給它十幾個 PDF、幾十個視頻字幕，它能做出來的分析質量，比你自己讀完再總結要好得多。更關鍵的是，它能生成播客音頻、視頻、腦圖、PPT/PDF。
Obsidian 是記憶庫。所有研究結論、思維導圖、Claude 的行為規則，都存在這裏。Markdown 格式，雙向連結，完全本地。Claude Code 讀取這些文件，就等於它"記住了"你之前積累的東西。
Skill Creator 是進化引擎。每次你發現一個好用的工作方式，把它固化成一個 Skill，下次直接調用。技能不斷積累，系統能力不斷疊加。
一次完整的研究流程是這樣跑的
第一步，數據進來。
YouTube 上有一個講 AI 產品策略的視頻，我想深度消化它。Claude Code 調用 yt-dlp 把字幕抓下來，存成 Markdown，放進 Obsidian 的 Inbox 文件夾。幾篇相關 PDF 報告一起導入。這一步是全自動的，我不用手動做任何事。
第二步，NotebookLM 深度分析。
通過 NotebookLM 的非官方接口（NotebookLM-PI），把這批材料批量推進去。讓它做三件事：提取核心觀點、識別市場空白、生成一段播客形式的音頻總結。
播客這個輸出特別有意思。做家務的時候、散步的時候、通勤的時候，戴上耳機，NotebookLM 用兩個 AI 主持人的對話形式，把導入的研究材料講給人聽。信息密度高，又不累。
第三步，結論落進 Obsidian。
分析結論自動寫回 Obsidian，帶雙向連結，連到相關的已有筆記上。時間久了，這些筆記之間的關係圖譜越來越密，從一個點出發，能找到你三年前研究過的相關內容。
第四步，更新 Claude 的行為規則。
這是最容易被忽略、也是最核心的一步。
Obsidian 裏有一個文件叫 claude.md。它不是普通筆記，它是 Claude Code 的配置文件——裏面記錄了你的研究偏好、回應風格、常用框架。每次研究結束，如果發現了新的好用規則，就更新這個文件。
下次 Claude Code 啓動，它讀取這個文件，就知道你喜歡什麼，用什麼框架思考，上次研究到哪裏了。
這就是"自我進化循環"：你用系統→系統產出→你更新規則→系統變聰明→你用起來更順手→你更新規則……
幾個讓這套系統真正跑起來的技術細節
關於 Skill 系統。
Claude Code 有一個 Skill 機制，簡單說就是可編程的提示詞模板。你用 /skill-creator 命令，把一個常用的工作流封裝成 Skill，以後用 /skill名字 一鍵調用，不用每次重新寫 prompt。
我目前積累了十幾個 Skills，包括：自動寫文章的、自動為文章配圖的、自動上傳圖片圖牀的、自動發佈文章到微信公眾號·推特·小紅書·知乎·簡書等平台的、using-superpowers自動評審需求自動寫需求文檔自動寫設計方案自動寫代碼開發業務的、頭腦風暴、自動生成 App Store所需宣傳設計稿、從 NotebookLM 拉取分析報告、把研究結論整理成信息圖表提綱、批量處理 YouTube 視頻字幕等等 Skills。
以後還會有越來越多的 Skill 被我充分利用。當然，我也會自己創建越來越多的 Skill。
Skill 最大的價值是把你的方法論固化下來。你今天想清楚了一個分析框架，寫成 Skill，三個月後用的時候還是同一個框架，不會因為換了工具就丟失。
關於節省 Token 成本。
把大量文檔分析的工作交給 NotebookLM，而不是直接塞給 Claude。NotebookLM 免費，處理大文檔沒有 Token 成本。Claude Code 只處理最終的結構化輸出，Token 消耗大幅下降。
這不只是省錢，更重要的是：你可以處理更大量的材料，而不用擔心 context window 的限制。
關於 Obsidian 的雙向連結。
這個功能聽起來普通，但積累到一定程度，會出現一種神奇的體驗：你研究一個新話題，發現它意外地連接到兩年前研究的另一個領域。這種跨領域的關聯，是靠腦子記根本不可能做到的事。
這套系統真正解決的問題
不是"更快地生成內容"。
是知識的複利。
普通用法下，你用 AI 一年，AI 對你的瞭解還是零。你的知識庫還是散的。你的研究方法還是憑感覺。
用這套系統一年之後：Claude Code 知道你的研究偏好和框架；Obsidian 裏存着你所有研究的結構化結論和關聯；Skill 系統裏有你驗證過的方法論；NotebookLM 裏有你建立的知識源庫。
這是一個真正意義上的個人知識操作系統，而不是一個聊天工具。
如果你想開始搭這套系統
從最小可行版本開始。不用一次全上。
第一步，先把 Obsidian 裝起來，把你現有的筆記遷進去。然後在根目錄建一個 CLAUDE.md，寫下你最常告訴 Claude 的那幾句話。這一步花不了一個小時。
第二步，試一次 NotebookLM 的音頻摘要功能。找一篇你最近想讀但一直拖着沒讀的 PDF，導進去，讓它生成播客，用聽的方式消化。
第三步，在 Claude Code 裏用 /skill-creator 把你最常用的一個工作流封裝成 Skill。
三步做完，你已經有了這套系統的雛形。剩下的，跑起來之後自然會知道下一步該加什麼。
工具不是越多越好，是越連通越好。
2026.03.13 22:52
滬 · 趙巷
📌 聲明：本文由 AI 輔助完成