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）

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

使用#

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：