系列前面八篇讲了怎么搭知识库——从四层架构、分类标签、自动采集到日常使用、搜索进阶甚至备份方案。搭好了之后有个很自然的问题：几千篇文章堆在那，怎么让 AI 来帮忙读？
这篇来说说。
## 需求：知识库缺一个「读者」
我的 vault 目前存了 5000 多篇公众号文章，加上个人笔记和资料，总量接近一万条。日常用搜索和标签能找到大部分东西，但有些场景搜索搞不定：
* 想总结某个话题下最近半年的观点变化
* 要从几十篇相关文章里提取关键信息
* 想跟已有的知识库「聊天」——问一个复杂问题，看大模型能不能从笔记里找到答案
这些问题本质上是同一个需求——知识库需要一个 AI 阅读助手。
)
## 方案一：用 Hermes 直接搜 vault
Hermes 内置了 Obsidian 集成，可以通过 notes agent 直接搜索 vault 里的文件。单篇查询基本够用。
做法很简单——问 notes 一个问题，它会自动在 vault 里搜关键词，找到相关文章，再把内容摘回来。
实际效果：问「去年关于 prompt engineering 的文章里都提到了哪些主流方法」。notes 搜了 20 多篇相关文章，提取了 3 种主流方法——Chain-of-Thought、Few-shot 和 Role-playing。每类旁附了文章链接和关键引用。整个过程不到 10 秒。换人工来，从 5000 篇里找相关文章至少半小时。
但这个方案有局限——notes 搜的是文件名和标签，文章正文内容不纳入索引。所以只能搜到标题匹配的，搜不到正文里提到但标题没写的东西。
## 方案二：全文检索加 AI 摘要
更好的方案是在 vault 上做全文索引。
Obsidian 自带的搜索功能（Ctrl+Shift+F）支持全文检索，加上正则和文件路径过滤，已经够强。问题在于——搜出来的结果是一堆文件名，还得一篇篇点开看才知道有没有用。
所以需要一个中间层——全文检索找出候选文章，AI 给每篇写摘要。
做法是三步：
1. 全文搜索找到 20 篇以上候选
2. AI 扫读每篇正文，输出 1-2 句摘要
3. 根据摘要筛选真正相关的文章，人工精读
这一步可以跟 Hermes 联动。把搜索需求丢给总指挥，它会去 vault 里搜文件、读内容、摘要、汇总。最后收到的是几段摘要和来源链接，不是几十个文件名。
)
## 方案三：RAG 方案
如果觉得方案二还不够自动化，下一步就是 RAG（检索增强生成）。简单说就是把知识库的文档向量化，存到向量数据库里，让大模型在回答时参考这些向量检索的结果。
对 Obsidian vault 做 RAG，大致是这样：
1. 把 vault 里的文章切片（每段 500-1000 字）
2. 用 embedding 模型转化成向量
3. 存到向量数据库（比如 Chroma 或 Qdrant）
4. 问问题时，先搜索最相关的几个片段
5. 把这些片段作为上下文传给大模型，让它基于此回答
好处是搜索粒度更细——不是搜标题或文件名，而是搜语义相似的内容。问「怎么写好公众号标题」的时候，它找到的不只是标题里带「公众号」的文章，而是那些真正讨论写作方法的段落。
缺点是维护成本不低——文章新增或修改时需要重新生成向量，向量数据库也得定期维护。
)
三个方案的选择因人而异：只偶尔用 AI 翻笔记，方案一已经够用。追求更好的体验，方案二性价比最高。方案三是终极形态，适合把知识库当核心生产力工具的人。
## 我现在的做法
目前主力用方案二——全文检索加 AI 摘要。每天固定时间，Hermes 会扫描 vault 里当天新增的文章（主要是公众号自动采集入库的），给每篇生成摘要，存到每篇文章的 frontmatter 里。
步骤不复杂：
* 采集工具自动把公众号文章拉入库
* 增量脚本扫描新入库的文章
* 调大模型接口，分析正文后写摘要
* 摘要写回文件的 frontmatter 里（summary 字段）
* 搜索时直接看摘要判断是否需要精读
)
这样做的收益很明显——以前打开一个文件夹看到 20 篇新文章，头都是大的。现在 20 个摘要扫一眼，5 分钟就知道哪些值得读。
如果你也搭了知识库，可以试试这个思路。不用一步到位做 RAG，从最简单的 AI 摘要开始，效果可能比想象的好。
前几篇讲了知识库从搭建到使用的完整链路。这篇算是一个扩展——搭好了，怎么让 AI 读。