空中之阁

把 AI / LLM 压成一张结构图：我如何理解一个完整的 AI 系统很多人在学习 AI / LLM 时，容易陷入一种“知识点越来越多，但脑子里没有地图”的状态。 今天看 Transformer，明天看 RAG，后天看 Agent，再过几天又开始研究 Memory、Tool Calling、Evaluation。每个词都认识，但一旦要把它们放进同一个系统里，就会立刻变得模糊。 我最近更倾向于用一种结构化的方式来理解这件事： 不把 AI 看成一次模型调用，而是把它看成一个完整系统的设计问题。 这篇文章想做的事情，就是把这些分散的知识压缩成一张可以随时展开的“认知结构图”。它既适合复习，也适合做技术判断，更适合沉淀成个人知识库。 一条主线：一个 AI 系统到底是怎么工作的先把最重要的主线固定下来。 一个典型 AI 系统，从输入到输出，大致会经历这样一条链路： 12345678用户问题→ Prompt 设计→ 模型推理→ 外部增强（RAG / Tools）→ Agent / Workflow 调度→ Memory 参与→ 输出生成→ Evaluation 验证...

基于公开文章观点整理并重新写作，适合作为二次发布版本。建议正文发布时保留“参考来源”说明，以降低转载争议。 Obsidian + AI：把笔记库升级成真正能用的第二大脑我试过很多笔记工具。 从 Notion、Roam Research、Logseq，到 Bear、Craft、语雀，几乎每一类都认真用过一段时间。它们各有亮点，但真正长期留下来的，还是 Obsidian。 原因并不复杂：你的数据在自己手里、格式足够开放、插件生态足够强，而且 AI 能真正深入到你的知识库里工作。 过去，笔记只是“存下来”；现在，接入 AI 之后，笔记开始变成“会被重新调用、重新组合、重新激活”的知识网络。你不再只是记录信息，而是在慢慢训练一个属于自己的外部大脑。 这篇文章不谈空泛概念，只讲一件事：怎样把 Obsidian 和 AI 插件组合起来，做成一套真正能落地的个人知识系统。 为什么 Obsidian 特别适合和 AI 结合市面上并不是没有 AI 笔记工具，但如果你想长期使用、逐步积累，并且保留对数据和模型的控制权，Obsidian 依旧是非常特别的存在。 1. 本地优先，数据控制权更完整O...