9 Things My Obsidian Vault Does While I Sleep

原始來源與檔名：2026-06-16T093951+0800-9 Things My Obsidian Vault Does While I Sleep.md

NAPKIN | 餐巾纸

餐巾紙公式

Obsidian + n8n + LLM = Automated Intelligence Layer (自動化智慧層)

透過 n8n 串接 Obsidian 與 Claude，將靜態的筆記庫轉變為 24 小時運作的主動式大腦，幫你合成洞見與抓出盲點。

一句話

將 n8n 部署在底層作為自動化大腦，Obsidian 就不再只是儲存資訊的死水，而是一個每天早晨為你獻上洞見與挑戰的智慧工作夥伴。

餐巾紙草圖

[Telegram/Readwise] --> (n8n Automation) --> [Obsidian Vault]
                                ^                  |
                                |                  v
                                +----(Claude)------+
                                     Synthesis
                                     Contradictions
                                     Triage

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

核心問題: 如何讓個人筆記庫 (Obsidian) 從被動的儲存系統，升級為能主動幫忙思考、發現盲點的基礎設施？
核心答案: 在 Obsidian 底層建構一個獨立運行的 n8n 自動化層，利用 Claude 每天定時對筆記進行跨維度分析、總結與矛盾檢查。
論證結構: 案例型

章節骨架

基礎建設: VPS 部署 n8n 以確保持續運行
每日合成: 清晨產出非摘要式的筆記關聯報告
無縫捕獲: 透過 Telegram 30秒內隨時抓取靈感
市場簡報: 結合外部 API 對比自身論點與市場現況
收件匣分類: LLM 協助分類待發展、封存或捨棄的筆記
矛盾檢查: 找出新舊筆記中互相衝突的論點
舊知重構: 結合 Readwise 與新筆記激發長尾洞見
每週深思: 跨月維度分析宏觀趨勢與知識盲區
清除與備份: 孤兒筆記警告與自動 GitHub 備份

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

隱形假設與邊界

隱形假設:
- 筆記的真正價值在於它們之間的「關聯與碰撞」，而非單純的「儲存與收集」。
- 使用者有一套結構化的資料夾體系（如 Inbox, Sources, Ideas），自動化流程才能精準定位與執行。
- 創作者每天會產生大量且瑣碎的想法，需要自動化系統來協助過濾與關聯，否則大腦會超載。
邊界條件:
- 若筆記庫的日常輸入量不足，LLM 將難以產生有意義的交叉關聯 (Synthesis)，最終報告會顯得空洞。
- 如果 n8n 沒有獨立部署在雲端伺服器 (VPS) 上，而是安裝於本機筆電，當筆電休眠時自動化將完全失效。

ROUND 3: SOUL | 靈魂提取

“還能怎麼用”

作者盲點: LLM 在進行「洞見合成」時可能產生幻覺 (Hallucination)，強行將兩個毫不相干的概念連結在一起，使用者需具備足夠的批判思考來審視這些自動生成的報告。
知識連接: 這種做法非常類似軟體工程中的「CI/CD Pipeline」與「背景定時任務 (Cron Jobs)」。作者將開發者確保程式碼品質的機制（如自動化測試找 bug、自動構建）搬到了知識管理領域，用於測試邏輯與重構思想。
行動觸發: 首先在雲端 (如 DigitalOcean) 部署一套 n8n 實例，接著先實作最基本的「Telegram 捕捉」與「GitHub 每日備份」功能，確保資料能安全且無阻礙地流入系統中。

9 Things My Obsidian Vault Does While I Sleep (Architectural Deep Dive)

前言/背景

本文探討如何將 Obsidian 從一個被動的儲存系統（Storage System）轉變為一個主動的智慧層（Intelligence Layer）。作者透過在 Obsidian 底層建立一個 n8n 自動化架構，並串接 Anthropic Claude API，設計了 9 個背景工作流（Cron Jobs）。這些工作流會在夜間自動對個人的知識庫進行分析、對比、分類與備份，使得隔天清晨就能獲得整理好的洞見與行動建議。

章節詳細總結

部署前提與基礎設施 (Prerequisites and Hosting)

作者強調，整個自動化架構的基石在於 n8n 必須獨立運作。若 n8n 只安裝在本機筆電，當筆電休眠時所有夜間排程都會失效。

最佳架構決策：強烈建議採用 VPS 自行託管 (Self-hosted)。在 DigitalOcean 或 Hetzner 租用一個 $5-7/月的虛擬主機（1-2GB RAM），透過 Docker Compose 部署 n8n 社群版。這樣能獲得無限次的執行次數 (Unlimited executions) 且完全掌握資料控制權，遠勝於限制執行次數的 n8n Cloud 方案。
系統依賴要求：
- 嚴格遵守 5 個核心資料夾結構以利腳本定位：00-Inbox, 01-Sources, 02-Ideas, 03-Projects, 04-Claude。
- 各項外部 API 金鑰：Anthropic (Claude)、Readwise、CoinGecko、LunarCrush、Telegram Bot Token。
- 主機上配置好 SSH Key 以存取 GitHub Private Repository 進行備份。

1. 清晨 6 點：每日綜合簡報 (The 6am Daily Synthesis Brief)

在每天早上 6 點，系統會將過去 7 天內新增的筆記傳遞給 Claude，並產出一份專注於「合成」而非「摘要」的報告。

N8N 節點配置與提示詞工程：
- Schedule Trigger: 每天 06:00 觸發。
- Read Binary Files: 讀取 Obsidian Vault 中過去 7 天有修改過的檔案。
- Anthropic Node: 呼叫 Claude 3.5 Sonnet，並在 System Prompt 嚴格要求「合成，不要摘要 (Synthesise, do not summarise)」。指示其產出四個具體區塊：
  1. Connections: 找出兩篇無關筆記之間非顯而易見的關聯。
  2. Pattern: 總結出現在三篇以上筆記中的共同趨勢。
  3. Contradiction: 找出敘述互相衝突的筆記。
  4. Best capture: 選出最值得深入發展的單一筆記。
- Write Binary File: 將結果直接寫入 00-Inbox/brief-[date].md。

2. Telegram 即時捕捉管線 (The Telegram Capture Pipeline)

隨時隨地將靈感在 30 秒內寫入 Obsidian，將捕捉的摩擦力降到最低。

運作原理與實作細節：
- Telegram Trigger: 透過 BotFather 連結 Bot Token 監聽訊息。
- Code Node (JavaScript): 使用 JS 解析輸入訊息並動態生成 Markdown 內容。
```
const msg = $input.first().json.message;
const text = msg?.text || "(no text)";
const date = new Date().toISOString().split("T")[0];
return [{ json: { filename: "00-Inbox/" + date + "-capture.md", content: "# Capture\n" + text + "\nDate: " + date } }];
```
- Write Binary File: 將 Code 節點輸出的 JSON 物件提取檔案路徑與內容，寫入實體資料夾中。

3. 清晨 5:45：加密貨幣市場簡報 (The Crypto Morning Brief)

利用外部資料 API 對比內部的研究假設，以獲得即時且客製化的市場動態。

工作流架構：
- 透過 HTTP Request 呼叫 CoinGecko API 獲取指定資產的價格與交易量，以及透過 LunarCrush API 獲取社交聲量 (Social volume)。
- 讀取 03-Projects 資料夾中作者自行建立的「論點筆記 (Thesis notes)」。
- AI 推理分析: 將市場數據與現有論點交由 Claude 分析。提示詞特別要求：「這份今天的數據是支持 (support)、挑戰 (challenge) 還是增加了新維度 (add new dimension) 到目前的論述中？請具體說明並參考數據。」

4. 晚上 11 點：收件匣處理器 (The Inbox Processor)

實作「Triage (檢傷分類)」系統，自動處理每天進入 Inbox 的瑣碎思緒，防止 Inbox 變成無底洞。

自動化流程：
- 讀取當天新增的 Inbox 筆記，同時讀取整個 Vault 作為比對上下文。
- 要求 Claude 產出建議報告，為每則筆記標註三種狀態之一：
  - DEVELOP: 內容夠好，值得發展成獨立的 Ideas。
  - ARCHIVE: 概念有價值但與現有 Vault 某筆記重複，提供重複的來源參考。
  - DELETE: 經不起數小時沉澱的無意義靈感。
- 架構亮點: 此步驟不會自動刪除檔案，而是只產出一個 Markdown 清單。決策與執行的主控權仍留在人類手上，避免 AI 誤刪重要想法。

5. 早上 7 點：論點矛盾檢查 (The Thesis Contradiction Check)

自動化尋找反面證據的機制，有效對抗確認偏誤 (Confirmation Bias)。

配置邏輯：
- 讀取 02-Ideas 裡使用者的核心論述。
- 讀取過去 30 天內加進 01-Sources 的外部資料筆記。
- 提示詞防護: 提示詞設定極為嚴格：「你的唯一工作就是找矛盾 (Your only job is contradiction)」。LLM 不允許尋找同意的觀點，只能指出新輸入的外部來源是否會推翻或複雜化現有論點。若沒有衝突則一律只回覆 “Clear”。

6. 晚上 10 點：Readwise 舊知重構 (The Readwise Resurfacer)

活化長尾資料，讓過去的知識點能與當前的思考產生共鳴。

技術整合：
- 呼叫 Readwise API，優先提取超過 90 天且鮮少複習的 20 條畫線重點 (Highlights)。
- 讀取 00-Inbox 過去 14 天的筆記。
- 交由 Claude 找出兩者之間「非顯而易見的關聯」，只要有關聯就產出一句話的解釋，藉此引發跨時間維度的思考碰撞。

7. 星期日晚上 11 點：每週深度連結 (The Weekly Deep Connection Session)

跨越 30 天維度的宏觀分析，用來彌補每日 7 天維度分析的侷限性。

執行腳本目標：
- 分析過去 30 天所有新增內容，要求 LLM 產出四個洞察：
  1. Emerging thesis: 思考中正在成形但尚未被明確命名的新論述。
  2. Full contradiction map: 盤點所有衝突與矛盾的全域地圖。
  3. Knowledge gaps: 根據現有觀點指出「明顯缺失的視角」。
  4. One action: 推薦本週單一最高槓桿的研究或寫作行動。

8. 星期一早上 8 點：過期來源警告 (The Source Aging Alert)

建立系統的垃圾回收 (Garbage Collection) 與強制轉化機制。

實作機制：
- 讀取 01-Sources 內超過 60 天的舊筆記。
- 使用 Code Node 尋找筆記內是否有包含 "My take:" 或 "Reaction:" 標題，判斷該外部來源是否已經過使用者的個人思考。
- Filter Node 會將那些缺少反應段落的「孤兒筆記 (Orphaned captures)」過濾出來。
- 透過 Telegram 發送警告，強制使用者在當週處理或刪除這些積壓的來源。

9. 午夜：GitHub 備份 (The Midnight GitHub Backup)

自動化指令：這被認為是最關鍵的防禦性機制，利用 Execute Command 節點每天深夜執行 Shell 腳本：

cd /path/to/your/vault && git add -A && git commit -m "vault-backup-$(date +%Y-%m-%d)" && git push origin main

藉此確保 Vault 中所有的 AI 產出報告、原始筆記與分類建議，都能被永久保存且具備 Git 版本控制的歷史紀錄。

總結與結論

基礎設施即習慣 (Infrastructure as a Habit)：將 N8N (事件驅動與排程引擎) 獨立部署在 VPS 上，是讓系統持續運算的關鍵。這改變了應用程式的生命週期，將 Obsidian 從一個靜態的本機編輯器，升級為一個具有運算能力的背景服務。
利用 LLM 執行自動化測試與斷言：作者巧妙地將軟體工程中「自動化測試 (Automated Testing)」的概念引入知識管理。例如「Thesis Contradiction Check」，透過 Prompt 強制 LLM 只尋找衝突與矛盾，相當於為個人的論點編寫了一套自動化的壓力測試腳本。
遵循防禦性設計的非破壞性工作流：在諸如 Triage 垃圾清理等高風險操作中，系統並不直接執行覆蓋或刪除，而是產出「建議清單」。決策權始終保留在人類身上，有效管控了 LLM 產生幻覺 (Hallucination) 可能帶來的資料遺失風險。
極高的成本效益比 (High Cost-Efficiency)：即便每天執行 9 個包含 LLM 推理的定時任務，藉助高效能模型（如 Claude 3.5 Haiku）與免費開源自託管的 n8n，整套系統的每月運行成本僅約 $8 到 $15 美金。相較於其產出的智慧綜合成效，這是一筆回報極高架構投資。