01 · A
问题
搜索可以找回笔记，却不一定帮助学习者练习和长期掌握。产品需要把回答连接到证据与学习行动，同时避免把模型输出悄然变成事实。
全部项目07 / 09
本地优先的主动学习系统
Vault Coach
一个 Obsidian 学习伴侣，把带来源的检索、练习、掌握度反馈与可审查的概念—证据图谱连接成完整工作流。
- 时间
- 2026 — present
- 方向
- Knowledge Systems · Agentic AI · Software Engineering
- 核心技术
- TypeScript · Obsidian API · RAG · Knowledge Graphs
三行摘要
- 问题
- 搜索可以找回笔记，却不一定帮助学习者练习和长期掌握。产品需要把回答连接到证据与学习行动，同时避免把模型输出悄然变成事实。
- 我做了什么
- 实现带来源的问答、评估流程、掌握度视图与复习建议。
- 结果 / 限制
- 截至 2026 年 10 月，Obsidian 插件市场显示约 1,000 次下载、158 名 regular users；GitHub 显示 9 个 Stars。
01 · B
背景
插件运行在 Obsidian 内，适配 Vault 文件与本地存储，并在隔离的 WASM worker 中运行内置多语言 embedding 模型。
为什么重要
学习 Agent 只有在学习者能把回答追溯到证据、进行主动回忆，并决定哪些机器候选关系可以进入可信知识时才真正有用。
展开技术细节真正的难点 · 系统路径 · 关键取舍
真正的难点
- 01
除用户配置的模型调用所需选定上下文外，知识保留在 Vault 内。
- 02
在 Markdown 与文本型 PDF 分块中保留来源位置。
- 03
模型提出的语义关系必须经审查才能影响有效图谱。
- 04
恢复中断的本地写入，并使过期派生数据失效。
我的方案
系统路径
索引
解析 Vault 内容并维护增量文本/向量索引
检索
融合关键词与向量排名，同时保留来源位置
学习
生成考试、保存评估事实并派生掌握度视图
治理
确认、拒绝或撤销候选概念—证据关系
带来源的检索
两类排序各自完成工作后再融合
关键词检索捕捉精确语言，向量检索捕捉语义相似性，RRF 在不假设原始分数同尺度的前提下融合排名位置。
01查询
问题
用户意图与当前上下文
02词法
关键词排序
精确术语与文档语言
03语义
向量排序
内置本地 embedding 表征
04混合检索
RRF
融合排名，而不是原始数值
05可追溯
回答 + 来源
返回带页码/笔记链接的片段
关键取舍
用 RRF 融合混合检索
关键词与向量排序先保持独立，再做倒数排名融合；不假设两类原始分数共用一个尺度。
候选关系不等于事实
确定性结构、模型候选、用户决策和有效图谱保持分层。
先保存事实，再生成投影
评估记录是事实；掌握度与建议是可重新生成的派生视图。
04 · A
我的贡献
- 实现带来源的问答、评估流程、掌握度视图与复习建议。
- 构建概念—证据图谱，并为模型候选关系加入确认、拒绝与撤销门控。
- 加入增量索引、本地完整性检查、备份恢复、测试与 CI 资产。
04 · B
已实现结果
- 实现从证据检索、练习到受治理图谱更新的端到端学习闭环。
- 通过显式用户决策，把 AI 建议与已确认图谱事实分离。
- 截至 2026 年 10 月，Obsidian 插件市场显示约 1,000 次下载、158 名 regular users；GitHub 显示 9 个 Stars。
图谱治理
关系抽取是候选工作流，不是自动写入事实
有效图谱只包含确定性结构与明确接受的关系；被拒绝和待处理候选仍可审查，但不会进入可信知识。
01来源事实
确定性结构
文档、标题与显式链接
02待确认
模型候选
概念或证据关系建议
03治理
用户决策
确认、拒绝或撤销
04可信
有效图谱
只有已接受关系影响学习视图
经验与反思
01本地优先描述数据所有权，不代表所有用户配置的模型都离线。
02知识图谱的可信度来自治理状态，而不是绘制更多连线。
我能公开的内容
这是我的开源 Obsidian 项目。其生产路径使用 WASM，而不是 WebGPU。插件市场与 GitHub 的公开数字描述的是传播范围，不构成学习效果声明。
公开来源