技能介绍

解决什么问题

Obsidian 适合长期积累笔记，但当 .md 文件数量增多后，靠目录浏览或全文搜索会很快变得吃力：关键词没出现但意思相近的段落很难命中，返回结果也常常缺乏上下文。这个技能把笔记仓库变成可查询的本地知识库，先做离线向量索引，再用混合检索返回更贴近语义的片段。

它如何工作

核心流程分三步：

初始化向量库：扫描指定路径下的 Markdown 文件，按 H1/H2/H3 标题层级切块，同时保护表格、代码块和 YAML frontmatter 不被拆散；片段之间保留重叠，降低语义断裂。
嵌入与存储：使用 jinaai/jina-embeddings-v2-base-zh 在本地生成 768 维向量，依托 ONNX Runtime，无需 PyTorch，也不依赖外部 API；向量持久化到本地 ChromaDB。
查询与更新：检索时融合向量相似度（权重 0.7）与 BM25 关键词匹配（权重 0.3），综合评分后返回 Top-K 结果；脚本末尾通过 [SUCCESS] 或 [ERROR] 标记明确执行状态，即使输出被截断也能判断。

增量更新会检测新增、修改、删除和未变化文件，并只对受影响部分重算向量，通常几秒到几十秒完成。

适用边界

它只索引 UTF-8 编码的 Markdown 文件，不适用于 Word、PDF 或其他格式。初始化 500 篇文档大约需要 5–10 分钟，向量库通常占用 100–200MB；知识库更新后需要手动触发增量更新，否则检索结果会滞后。向量库查询失败时应按错误信息修复环境，不能回退到 grep 等替代查询方式。