起因
浏览了很多排行，调研了很多框架，但是都没找到很满意的 RAG 框架用来结合 Obsidian 做个人知识库：
- 比如 HayStack 感觉非常客制化，不是开箱即用
- RagFlow 开箱即用但是我是 Macbook Air，达不到要求
又找了一些 Obsidian 的插件，但是要么没办法配置自己的 API，要么不支持 RAG，要么很久没有更新了
所以最后还是退回了这个 obsidian copilot插件，可以配置 DeepSeek ，同样也支持 RAG（这也是我唯一需要的功能）
Cite
大部分步骤参考 此篇文章
LM Studio
首先我们需要一个模型来将知识库向量化，这个模型是跑在本地的大模型，用于将知识库内的文件向量化
这里我们使用 LM-Studio 来运行本地大模型，安装十分简单：
brew install lm-studio打开后，我们在其中随便选择一个算 embedding 的模型（按照下载量即可），例如这里选择的是 Qwen
下载完成后，运行这个模型，然后牢记这个字段：text-embedding-qwen3-embedding-0.6b
我们还需要将跨域请求勾选上：
插件配置
打开 Obsidian 中 Copilot 的设置，首先我们添加模型：
这里，Model Name 填入上文中提到的，例如 text-embedding-qwen3-embedding-0.6b ，并勾选上跨域请求
然后在 QA 处配置如下：
最后，我们打开对话框后，将模式切换到 vault QA 后即可开始使用
Attention
在第一次打开时会进行索引，记得把需要排除的文件删除，在
QA这个下面可以配置，否则可能会很大，跑起来也比较慢，毕竟是轻薄本（
使用
Note
在开启了
vault QA后，本地大模型需要一直跑着以提供支持，但是负责问答的大模型是通过 API 配置的，例如我这里是deepseek-reasoner
在每次加入新的文件后都需要刷新一遍数据库，以获得更好的支持
使用起来十分简单，例如（当然这里的问题是随便选的一个提示词）：
提问后，我们还可以打开他自动列出的关联笔记，帮助更好的联想与总结：
