讓 Claude 真正「住進」Obsidian 知識庫：MCP 與 Filesystem 實戰踩坑紀錄

原始來源與檔名：2026-05-21T093205+0800-我花了大半天，让Claude真正“住进”我的Obsidian知识库.md

NAPKIN | 餐巾紙

餐巾紙公式

Knowledge Agent = Filesystem Connector (Structural read/write) + MCP Server (Semantic search & logic) + Clean Directory Structure

公式說明：要讓 AI 成為知識庫的管家，單靠手動複製貼上是低效的。透過 Claude Desktop 內建的 Filesystem 處理檔案結構，加上 obsidian-mcp 提供語意搜尋能力，並將知識庫路徑與檔名英文化 (避免編碼問題)，就能打造出一個具備全局檢索能力的 AI 第二大腦。

一句話

不要再把 AI 擋在你的知識庫門外。透過 Filesystem 與 MCP 雙管齊下，並把 Vault 目錄全數改為英文以避免底層路徑報錯，你就能讓 Claude 一秒內翻出你四年前寫下的思考軌跡。

餐巾紙草圖

[ The Two-Pronged Setup ]

Claude Desktop
  |
  |-- (Scheme A: Filesystem) --> Direct I/O (Create/Move .md files) -> Local Vault
  |
  |-- (Scheme B: MCP Server) --> `obsidian-mcp` (Semantic Search/Tags) -> Local Vault

* Pitfall: "Allen的知识库" (Chinese Path) -> MCP breaks.
* Solution: Rename to "allen-vault" (English Path) -> MCP works -> Re-sync OneDrive/Mobile.

ROUND 1: SKELETON | 骨架掃描

「這篇文章在說什麼」

核心問題: 新手如何將 Claude 接入本地端的 Obsidian 知識庫，讓 AI 能自動讀寫、搜尋與關聯筆記，而不是仰賴手動複製貼上？
核心答案: 結合兩種方案：使用 Claude 內建的 Filesystem 進行基礎讀寫，並架設 obsidian-mcp 伺服器進行高階搜尋與整理。過程中最大的地雷是「中文路徑」與「多端同步機制」，必須將 Vault 名稱與資料夾全數英文化才能穩定運作。
論證結構: 動機 (為何要接上 Obsidian) -> 結論預告 -> 方案 A (Filesystem, 3分鐘搞定) -> 方案 B (MCP, 連續踩坑紀錄) -> 解決中文路徑引發的三端同步問題 -> 最終效果展示 -> 總結四個核心教訓。

章節骨架

引言: AI Agent 時代來臨，幾乎不需要寫程式也能打造個人智能體。
兩種方案並行:
- Filesystem 負責結構性操作 (穩定)。
- obsidian-mcp 負責內容語意搜尋 (功能強但複雜)。
踩坑實錄 (MCP 配置):
- 坑一：Microsoft Store 版與普通版的 Config 路徑不同。
- 坑二：PowerShell 寫入中文路徑導致 UTF-8 亂碼。
- 坑三：路徑必須作為參數 (args) 傳入，不能放 env。
- 坑四：obsidian-mcp 不支援中文 Vault 名稱，會導致搜尋當機。
三端同步的混亂: 將資料夾英文化後，由於 OneDrive 與手機端 Remotely Save 插件的雙向同步機制，導致中英文資料夾並存。必須釐清「覆蓋順序」才能徹底清理。
最終效果: 成功讓 Claude 一秒內檢索出橫跨四年的「意識」相關筆記，證明了打造本地 AI 記憶庫的價值。

ROUND 2: DISSECTION | 血肉解剖

「憑什麼這麼說」

論證鏈

AI Agent 需要存取使用者的長期記憶庫 (Obsidian) 才能發揮真正價值 --> 但原生的 Claude Desktop 需要透過 MCP 協議才能深度檢索 --> MCP 工具 (如 obsidian-mcp) 由開源社群開發，通常未對非英語系環境 (中文路徑) 進行完整壓力測試 --> 導致中文路徑編碼失敗或 Vault 無法識別 --> 解決之道是妥協於底層系統：將所有根目錄與資料夾英文化，並手動排解雲端同步的衝突 --> 最終獲得流暢的 AI 讀寫體驗。

關鍵證據

中文路徑的致命傷 (Encoding Issue): 作者記錄了 obsidian-mcp 會將中文 Vault 名稱 (“Allen的知识库”) 強制轉為 “d-note”，導致路徑迷失。這印證了在配置各類 CLI 或 MCP 伺服器時，「路徑全英文」是避免詭異 Bug 的第一鐵律。
同步機制的時間差 (Race Condition): 由於 OneDrive 加上手機端的 Remotely Save，在本地端刪除中文資料夾後，手機端又會把它 push 回來。這在系統工程上就是典型的分散式狀態同步衝突 (State Synchronization Conflict)。
兩種方案互補 (Filesystem + MCP): 作者體會到不需要執著於單一工具。原生的 Filesystem I/O 速度快且穩，適合搬移檔案；MCP 適合呼叫特定的搜尋邏輯，兩者在 Claude Desktop 的 claude_desktop_config.json 中可以完美共存。

隱形假設與邊界

隱形假設:
- 使用者的筆記主要儲存於本地端 (Local File System)，因此可以透過 Claude Desktop 直接訪問，這排除了完全雲端化 (如 Notion) 的使用情境。
邊界條件:
- 配置 MCP 需要修改 JSON 檔案並了解基本的終端機/路徑概念。雖然作者自稱「非 IT 背景」，但仍需具備一定的 Debug 韌性才能走完這段流程。

ROUND 3: SOUL | 靈魂提取

「還能怎麼用」

知識連接: 這一篇踩坑實錄，與我們之前處理 jkopay-agents 中 YAML 配置檔路徑、以及上一篇提到的「不要讓模型處理跳脫字元」的 ACI 概念不謀而合。系統底層對於非標準字元 (如中文路徑) 永遠是不友善的。
行動觸發: 檢查你目前的開發環境與知識庫。如果你的主目錄包含中文 (例如 C:\Users\王小明\Documents\我的筆記\)，強烈建議趁早將它們全數改為英文 (C:\Users\xiaoming\Documents\notes\)，這會為你未來的 AI 工具整合省下無數個除錯的夜晚。

MCP 整合與系統狀態同步 (Architectural Deep Dive)

前言

這是一篇非常生動的「終端使用者踩坑報告」。從系統架構師的角度來看，這篇文章展示了在推動 AI 基礎設施落地到一般使用者端時，最容易發生斷層的兩個環節：底層字元編碼 (Character Encoding) 與 分散式狀態同步 (Distributed State Synchronization)。

核心架構洞察

1. Model Context Protocol (MCP) 的脆弱性

MCP 是 Anthropic 推出用於讓 AI 存取本地資源的標準協定。但 obsidian-mcp 這類開源實作，在處理字串時顯然依賴了某種預設的英文編碼假設 (如 ASCII 或未正確處理 UTF-8 的 Node.js/Python 腳本庫)。

架構教訓：在設計跨平台或跨語系的 Middleware (中介軟體) 時，URL Encode 或是嚴謹的 Unicode 處理是不可省略的防線。作為防禦性設計 (Defensive Design)，要求系統層面統一採用英文命名，是最簡單暴力的解法。

2. 三端同步的 Race Condition (競爭危害)

作者在更改資料夾名稱時，遭遇了典型的分散式系統同步問題：

Node A (電腦) 執行了 Delete(中文資料夾)。
Node B (手機) 仍保有 中文資料夾，並根據其 Local State，發起了 Push(中文資料夾) 到 Node C (OneDrive)。
結果導致 Node A 剛剛刪除的資料夾又復活了。

架構決策：作者最終找到了正確的解法——破壞雙向同步的對等性 (Symmetry)。將 Node B (手機) 強制設為 Pull only (只讀模式)，由 Node A 取得絕對的寫入權威 (Single Source of Truth)，待狀態收斂後，再恢復雙向同步。這與資料庫在處理 Split-brain (腦裂) 時的選主 (Leader Election) 邏輯如出一轍。

3. 多路徑存取 (Multi-path Access) 的設計

作者最終採用了 Filesystem 與 obsidian-mcp 並行的架構。

Filesystem 就像底層的 Block Storage API (直接讀寫磁區/檔案)。
obsidian-mcp 就像上層的 Search Engine API (具備索引與語意理解)。讓 Agent 同時掛載兩種 API，由 LLM 自行決定何時用粗暴的 I/O，何時用精緻的 Search，這正是 Agentic System 最強大的特徵——工具路由 (Tool Routing)。

總結

這篇文章證明了「AI 作業系統」的最後一哩路，往往不是大模型本身的智商，而是如何將 AI 無縫地接上人類現有的、充滿髒資料與舊習慣的 Legacy Data (遺留資料)。在通往 AGI 的路上，解決字元編碼與路徑衝突，依舊是每個工程師必修的苦工。