本地文件深度交互新玩法：Obsidian Copilot的深度开发

优质文章学习记录

— 10 min read
本地文件深度交互新玩法：Obsidian Copilot的深度开发

前言

当 “本地知识库管理” 撞上 “AI 智能分析”，会擦出怎样的火花？试想一下：你的 Obsidian 里存着多年积累的笔记、文档，却只能手动翻阅检索；而现在，一个插件 + 蓝耘 API，就能让这些 “静态文字” 瞬间 “活” 起来 —— 自动总结核心内容、智能回答专业疑问，甚至挖掘隐藏关联！今天，就带大家拆解 Obsidian 联动蓝耘 API 的全新玩法，看看如何让本地文件从 “信息仓库” 变身 “智能助手” 。

蓝耘API KEY的创建

先进行API的创建
先点击蓝耘进行一个正常的注册流程

image.png


进入到主页之后，我们点击上方的MaaS平台

image.png


进入到平台后我们可以看到很多的大模型

image.png


不仅仅是文本生成、音频理解、视频理解还是视频生成，都有对应的大模型
每个模型都有很详细的介绍以及价格示例，用过api调用的都可以看到这个价格还是比较贴近平民的

image.png


并且可以进行在线体验的，这里是先进行思考的，然后再给出结果的，算上思考的时间，给出结果只花了几秒钟，效率还是很不错的

image.png


并且这里还有一个可视化的界面，观察你的tokens消耗数量

image.png


仔细发现还有大额的token，也是很香的，这就是我为什么选择蓝耘的原因

image.png


废话不多说，我们直接来到API KEY管理，点击创创建API KEY。创建好了之后我们直接点击复制就ok 了
格式如下：sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

image.png

进行obsidian Copilot的配置

这里的obsidian你如果没有下载的话可以私信我哦，我可以发给你的
进入到obsidian的主页，点击左下角的齿轮进入到设置中

image.png


来到第三方插件中，可以看到这里有一个社区插件市场，我们直接点击预览按钮

image.png


在搜索框中输入Copilot
选择第一个

image.png


然后我们可以看到这个插件相关的信息，下面都是一些展示样例

image.png


我们这里直接点击安装操作
等待安装

image.png


完成安装

image.png


点击启用

image.png


这里右上角报提示了

image.png


我们来到第三方插件这里，可以看到我们这里可以进行api的设置

image.png


我们来到Model

image.png

往下翻找到Add Custom Model，并进行点击操作，添加对话模型

image.png


进入到添加模型的界面是这样的

image.png


这里们将信息进行写入，写入之后我们点击右下角的Verify进行测试下是否能链接成功，如果链接成功的话是会在右上角反馈successful的，如下：

image.png


可以参考下我这里的数据

Model Nmae:/maas/qwen/Qwen3-235B-A22B Provider:OpenAI Format Base URL:https://maas-api.lanyun.net/v1 API KEY:你得去蓝耘MASS平台进行创建

测试成功了之后，我们直接点击这个Add Model进行模型的添加操作
然后这里我们就可以看到我们刚刚添加的蓝耘api模型

image.png

这里我在配置的时候一直报错，得亏蓝耘的工作人员反馈速度快，不然我一直处于报错现象

image.png

添加好了模型之后，我们这里是可以进行参数调节的，具体如何调节看你们的喜好

image.png


上面我们添加的是对话模型，下面的是嵌入模型，这里我们就不添加了，因为用不到，我们正常的进程对话就行了

image.png


然后我们来到Basic，我们将Default Chat Model默认对话模型设置为我们刚刚添加的

image.png


image.png


其他的参数我们就默认就行了

image.png

文件分析测试

我这里有一个表达式求值的实验报告

image.png


我们在安装了obsidian Copilot这个插件后，左侧有一个对话的按钮

image.png


我们直接进行点击，右侧就能看到我们的对话框了

image.png


我们这里可以根据提示，输入[[就能引用我们的文件了

image.png


输入好问题之后，我们直接点击chat进行问题的询问

image.png


如下是ai的回答

image.png


ai分析了我们的文件，然后对某些小点进行优化操作

image.png


他这里还询问我是否需要提供一个可视化的图，答案生成的速度也是非常的快

image.png


下面他的回答真的惊掉了我的下巴，

image.png


这种流程图的语法我是一点儿都不会，我这里直接就是让蓝耘的ai帮我生成，这看着就很舒服了

下面我还想试下更长的文章他是还能像这样进行优化操作
这里我们展示的是C++的日志系统项目，我们让ai帮我梳理下项目，生成一个流程图，

image.png


这里我们一定要先引用上这个文件，不然是会出现报错的
第一次我们这里出现了报错了，估计是文件太大了哈哈哈

image.png


所以我们这里得设置下我们上传的token数了，来到我们的Copilot Settings面板
将这三个参数进行一个适度的增加操作

image.png


image.png


看来还是不行哈哈哈，因为这个项目的字数到54761了，确实超过了上传的tokens了

image.png


那我们就针对于这个项目创建一个简单的介绍吧，这样应该是没问题了

image.png


效果如下：也是可以清晰的看到我们的项目的落地情况以及同步模式和异步模式

image.png


我们这里可以复制它的回答粘贴到文章中去
效果也是很不错的

image.png


像日常写项目的时候，写项目比较的时候，用到这个工具直接让ai分析我们的项目流程，也是很方便，再加上蓝耘的api快速反应，效率更高了

这里展示下这个生成的流程图吧，我觉得ai做的挺好的

同步模式异步模式是否开始日志记录日志模式选择直接调用输出方法写入前端缓冲区选择输出目标控制台输出文件输出滚动文件输出缓冲区已满?交换前后端缓冲区继续写入后台线程处理批量写入输出目标控制台输出文件输出滚动文件输出

Ai的Prompt的设置

使用 ctrl+P 唤出命令菜单，然后输入 copilot add 就会出现添加命令的选项

image.png
使用 Copilot 进行文本编辑时，有时你会遇到一个问题：Copilot 不知道你正在编辑的是哪篇文章。为了避免这种情况，你可以在自定义的 Prompt 中使用以下变量： - `{activeNote}` 告诉 Copilot，你指定的是「当前窗口下激活的这篇文章」 - `{[[]]}` 告诉 Copilot 你指定的是哪一篇文章 - `{}` 告诉 Copilot 你指定的是光标选中的段落 - `{#tag1,tag2}`告诉 Copilot 你指定的是包含了哪些标签的文章，只要包含其中一个标签就会命中 - `{FolderPage}` 告诉 Copilot 你指定的是哪个文件夹路径下的所有文档 我们也可以在这里给ai设置角色设定

基于prompt的设定，ai会更加的智能化的
你们也可以设定一个自己的ai机器人哦，针对某些固定的事情进行回答操作

总结

通过 Obsidian 插件搭桥、蓝耘 API 赋能，我们见证了本地文件从 “被动存储” 到 “主动交互” 的蜕变 —— 自动总结、智能问答，每一步都在重塑知识管理的效率边界。不过，这场 “AI + 本地工具” 的融合实验，还有多少潜力待挖掘？那得你自己循着轨迹来试试哦！！！

Read more

自动驾驶用户指令解析模型：Llama-Factory交通出行应用

自动驾驶用户指令解析模型：Llama-Factory交通出行应用 在智能汽车日益普及的今天，驾驶员与车辆之间的交互方式正经历深刻变革。过去，我们通过按钮、旋钮或简单的语音命令控制导航；而现在，用户更希望用自然语言表达复杂意图——“前面堵车了，能不能绕一下？”、“找个最近能充电的地方”、“我有点累，帮我找家附近的酒店”。这些看似随意的话语，背后却对系统的语义理解能力提出了极高要求。 传统车载语音系统依赖规则引擎和关键词匹配，面对口语化、多义性甚至隐含需求时常常束手无策。而通用大语言模型虽然具备强大的语言理解能力，但直接部署成本高、响应延迟大，且缺乏领域专业知识。如何在有限资源下，快速构建一个懂交通、听人话、可落地的指令解析模型？这正是 Llama-Factory 所要解决的核心问题。 从数据到部署：一体化微调实践路径 Llama-Factory 并非只是另一个训练脚本集合，它是一个真正面向工程落地的全周期框架。它的价值不在于炫技式的算法堆叠，而在于将复杂的深度学习流程封装成可复用、易操作的标准模块，让团队能把精力集中在“做什么”而非“怎么做”。 以中文交通指令解析任务为例，整
LLaMA Factory 从入门到精通，一篇讲完

LLaMA Factory 从入门到精通，一篇讲完

目录 一、LLaMA-Factory 简介 二、安装部署 三、数据微调 1、数据集的建立 2、数据集格式 3、模型参数 4、开始运行 5、导出模型 四、webui 评估预测与对话 导出 五、SFT 训练 命令行 六、LoRA 合并 合并 量化 七、推理 原始模型推理配置 微调模型推理配置 多模态模型 批量推理 八、评估 通用能力评估 NLG 评估 评估相关参数 一、LLaMA-Factory 简介 LLaMA Factory 是一个简单易用且高效的大型语言模型（Large

Stable-Diffusion-v1-5-archive中文提示词避坑指南：英文翻译策略与参数调优

Stable-Diffusion-v1-5-archive中文提示词避坑指南：英文翻译策略与参数调优 你是不是也遇到过这样的问题：用Stable Diffusion v1.5 Archive生成图片，明明输入了很详细的中文描述，结果出来的图却“货不对板”？要么是细节缺失，要么是风格跑偏，甚至完全理解错了你的意思。 这其实不是你的问题，而是SD1.5模型的一个“先天特性”——它对英文的理解能力远超中文。直接使用中文提示词，就像让一个只会说英语的人去听中文指令，效果自然大打折扣。 别担心，这篇文章就是为你准备的“避坑指南”。我会带你深入理解为什么中文提示词在SD1.5上效果不佳，并分享一套经过验证的、从中文到英文的翻译策略和参数调优方法。看完之后，你就能稳定地生成出符合预期的精美图片，彻底告别“抽卡”式的随机结果。 1. 为什么中文提示词在SD1.5上“水土不服”？ 在开始讲“怎么做”之前，我们先要搞清楚“为什么”。理解背后的原因，能帮你更好地应用后面的技巧，而不是死记硬背。 1.1 模型训练的“语言偏好”

体验Stable Diffusion 3.5省钱攻略：比买显卡省90%，按需付费

体验Stable Diffusion 3.5省钱攻略：比买显卡省90%，按需付费 你是不是也遇到过这样的情况：作为自由职业者，客户突然发来一个AI绘画项目需求，说“先做个样图看看效果”。你心里一紧——要测试 Stable Diffusion 3.5 吗？可自己电脑跑不动，租专业显卡又太贵，动辄每月上千元，就为了做几次测试，实在不划算。 别急，我最近发现了一个超低成本的解决方案：用云端算力平台按小时计费的方式，部署 Stable Diffusion 3.5 镜像，完成一次高质量图像生成测试，总成本不到10块钱！相比动辄上万元买显卡或每月固定租赁高端GPU，直接省下90%以上的费用。 这篇文章就是为你量身打造的“小白友好型”实操指南。我会带你一步步从零开始，在ZEEKLOG星图提供的预置镜像环境中，快速启动 Stable Diffusion 3.5，生成专业级图像，并掌握关键参数调优技巧。无论你是设计师、