匯出 AI 對話之後，我在 Obsidian 建立了一個真正能用的知識中心
幾天前，我分享了一項實驗：把 ChatGPT、Claude、Gemini、Perplexity、Grok 與 Genspark 的對話集中到同一個 Notion 工作區。
那項實驗回答了一個問題：
來自不同 AI 平台的對話，能不能當成同一個個人知識庫來管理？
答案是可以。
但它也帶來一個更重要的問題。
當數百則、甚至數千則對話都安全匯出後，接下來要怎麼使用它們？
保存 AI 歷史紀錄很有價值。
能夠重新利用這些紀錄來思考，價值更高。
因此，我開始在 Obsidian 裡打造這套系統的下一個版本。
從 AI 對話封存，走向 AI 知識中心
最初的問題是資訊太分散。
研究可能在 Perplexity 進行。
長篇思考可能留在 Claude。
腦力激盪通常發生在 ChatGPT。
有些實驗在 Gemini，其他對話則散落在 Grok 或 Genspark。
每個平台都保存自己的歷史紀錄。時間一久，我實際上建立了六個彼此隔離的知識孤島。
AIExportHub 先解決了前半部問題：把這些對話匯出為 Markdown、Notion、Obsidian 與 PDF 等可攜格式。
但在匯出大量歷史紀錄之後，我意識到：
裝滿 Markdown 檔案的資料夾，比聊天側邊欄更安全，但它不會自動變成知識系統。
所以，我沒有繼續增加新的匯出格式，而是開始在 Markdown 之上建立一個使用層。
它就是 AI Knowledge Hub for Obsidian。
你可以在 Obsidian 社群頁面查看外掛介紹並參與討論。如果想閱讀原始碼、回報問題或參與開發，可以前往 AI Exporter Hub GitHub 儲存庫。
目前版本：在同一個地方管理 1,400 多則 AI 對話
目前，這個 Obsidian Vault 包含從六個平台匯入的 1,400 多則對話：
- ChatGPT
- Claude
- Gemini
- Perplexity
- Grok
- Genspark
這仍然只是我全部 AI 歷史的一部分。
最大的差別是，我不再需要把它們當成六個獨立封存來瀏覽。
現在，它們都出現在同一個儀表板裡。
首頁提供幾種不同方式，幫助我了解封存裡有什麼。
Conversations（對話）
這裡顯示已匯入的 AI 歷史紀錄數量。
數字本身並不是目標。但當封存達到上千則之後，很容易看出，普通的資料夾瀏覽已經不夠用了。
Sources（來源）
儀表板會依原始 AI 平台將對話分組。
這樣一來，ChatGPT、Claude、Gemini、Perplexity、Grok 與 Genspark 就只是資訊來源，而不是六套彼此獨立的知識系統。
這個差別很重要。
平台只能說明一則對話從哪裡來，卻不能說明它在討論什麼。
Projects（專案）
使用一段時間後，我發現專案比平台更重要。
一個專案裡可能同時包含：
- 一次 ChatGPT 腦力激盪
- 一次 Claude 策略討論
- 一則 Perplexity 研究紀錄
- 一次 Gemini 實作方案討論
從知識管理的角度來看，這四則對話應該屬於同一個地方。
所以，長期來說更合理的層級可能是：
Platform = 來源
Project = 目的
Category = 知識類型
而不是只依賴資料夾。
批次匯入之後，還需要一個 Inbox
當匯入變得夠簡單，另一個問題很快就會出現。
你可能突然得到數百則等待處理的新對話。
因此，外掛裡加入了 Inbox（收件匣）。
它的概念類似電子郵件收件匣或「稍後閱讀」服務：
新對話可以自動進入系統，但不必永遠維持未整理狀態。
之後，每則對話都可以：
- 分配到某個專案
- 設定知識分類
- 標記為已檢視
- 加入最愛
- 直接封存
這看起來只是一項小功能，卻呈現了封存庫與工作型知識系統之間的重要差別。
封存庫回答：
我把它存在哪裡？
Inbox 回答：
還有哪些內容需要處理？
「最近匯入」與「最近檢視」應該分開
儀表板也刻意區分了兩個看起來相似的區域。
Recent Imports（最近匯入）
這裡顯示最近進入系統的對話。
它回答：
剛剛新增了什麼？
Recently Reviewed（最近檢視）
這裡顯示我真正開啟並處理過的對話。
它回答：
最近認真看過哪些內容？
當匯入流程自動化後，這個差別就很有用。
否則，儀表板很容易變成一長串「已經到達，卻從未真正使用」的內容。
專案比資料夾更重要
把真實資料放進系統之後，我得到一個重要結論：實體資料夾遠遠不夠。
一份 Markdown 檔案可以存放在：
AI Knowledge/
ChatGPT/但它真正所屬的專案可能是：
AIExportHub
Marketing
Product Design
Customer Support
Finance
Research所以，我主要把資料夾當成來源位置，並把專案與分類寫進中繼資料。
一則對話在概念上可以是這樣：
---
type: ai-conversation
platform: ChatGPT
project: AIExportHub
category: Product
favorite: false
status: reviewed
---這樣，同一份 Markdown 檔案不必移動，就能出現在多個實用檢視中。
這也是 Obsidian 很適合這類實驗的原因之一。
Markdown 檔案才是資料來源
這可能是目前版本與傳統網頁儀表板最大的架構差異。
外掛不是資料庫。
Markdown 檔案才是資料來源。
整個流程更接近：
ChatGPT
Claude
Gemini
Perplexity
Grok
Genspark
↓
AIExportHub
↓
Markdown files
↓
Obsidian Vault
↓
AI Knowledge Hub儀表板只是這些檔案之上的操作介面。
即使外掛明天消失，對話仍會以一般 Markdown 檔案的形式留在本機知識庫中。
它們依然可以被：
- 開啟
- 搜尋
- 移動
- 備份
- 同步
- 編輯
- 交給其他工具建立索引
- 匯入其他系統
這讓我愈來愈認同一個原則：
儀表板是暫時的，Markdown 才是長期資產。
對於需要長期保存的個人知識，這比再次把全部內容鎖進另一個封閉資料庫更可靠。
比儀表板更重要的是對話詳細頁
首頁適合掌握全貌，但我不認為首頁才是這套產品真正的核心。
更重要的是點選某則對話後，接下來會發生什麼。
對話詳細頁仍然以原始聊天內容為中心。
我不想用 AI 摘要取代原始對話。
更理想的方向，是把原文放在中心，並讓周圍介面協助回答：
- 這則對話屬於哪個專案？
- 它是哪一類知識？
- 是否值得加入最愛？
- 我是否已經檢視過？
- 有哪些相關對話？
- 這裡產生了哪些有用的點子？
- 是否在這裡做過某項決策？
- 其中一部分是否應轉成長期知識筆記？
到了這裡，它才可能超越「更好用的聊天封存」。
對話不等於知識
在建立這套系統的過程中，這個差別變得愈來愈重要。
一則包含 50 輪訊息的對話，六個月後真正有用的可能只有一個想法。
另一則對話裡，則可能同時包含：
- 一項決策
- 三個有效來源
- 一段可以重複使用的說明
- 一個尚未完成的點子
所以，最終的知識系統不應永遠把「整則對話」視為最小單位。
更合理的模型可能是：
Conversation
↓
Extract
↓
Insight / Idea / Decision / Resource
↓
Project
↓
Personal Knowledge對話仍然會作為來源保留。
其中重要的部分，則可以轉成一般 Markdown 知識筆記。
---
type: ai-knowledge
knowledge_type: insight
project: AIExportHub
source_conversations:
- "[[AI Knowledge Hub Product Strategy]]"
---這才更接近真正的第二大腦。
搜尋很有用，但「重新發現」可能更有價值
儀表板裡還有一個名為 Rediscover（重新發現） 的區域。
這項功能最初只是 Notion 版本中的概念，現在我希望把它變成 Obsidian 版本裡的真實體驗。
搜尋解決的問題是：
我記得某個內容存在，請幫我找到它。
重新發現解決的是另一個問題：
我已經忘記它存在，請在適合的時候把它重新帶回來。
例如，系統未來可以提醒：
你在六個月前研究過這個主題。
或是：
這三則 Claude 對話與你目前處理的專案有關。
或是：
你八個月前把這則討論加入最愛，但之後從未開啟。
甚至：
你在 ChatGPT、Claude 與 Perplexity 中問過 14 次相似的問題。
這種體驗比一般搜尋更接近人的記憶。
為什麼選擇 Obsidian
我不認為 Obsidian 在所有情境下都優於 Notion。
它們擅長解決不同的問題。
Notion 特別適合：
- 資料庫
- 結構化檢視
- 雲端存取
- 團隊協作
- 對外分享
而在 AI 對話封存這件事上，Obsidian 的以下特性特別有吸引力：
- 本機檔案
- Markdown
- 雙向連結
- 中繼資料
- 搜尋
- 可攜性
- 長期的資料所有權
AI 對話最後可能成為多年研究、決策、實驗與思考的紀錄。
我不希望整段歷史依賴某一家 AI 服務商，甚至也不希望它完全依賴自己的外掛。
工具可以消失，檔案應該留下。
AIExportHub 正在變成「擷取層」
建立 Obsidian 版本，也改變了我對 AIExportHub 的理解。
它最初主要用來匯出 AI 對話。
這項功能仍然重要，但匯出愈來愈像整套系統的第一層。
現在，我把整個流程分成四層：
Layer 1 — Capture（擷取）
AIExportHub 從 ChatGPT、Claude、Gemini、Perplexity、Grok、Genspark 等 AI 平台取出對話。
Layer 2 — Organize（整理）
Obsidian 外掛依以下面向整理對話：
- 來源
- 專案
- 分類
- 狀態
- 最愛
- 時間
Layer 3 — Retrieve（找回）
透過搜尋與篩選，在需要時找回對話。
Layer 4 — Rediscover（重新發現）
由系統主動呈現已被遺忘的知識與關聯。
簡單來說：
AIExportHub 幫助我擷取 AI 對話。
AI Knowledge Hub 幫助我再次使用這些對話。
接下來想實作的功能
目前版本仍處於早期階段。
基礎功能已經可以運作：
- 多平台對話庫
- 儀表板
- Inbox
- Recent Imports
- Projects
- Categories
- Favorites
- Recently Reviewed
- Rediscover
- 獨立的對話詳細頁
下一層功能會更有意思。
相關對話
依專案、分類、標籤，以及未來的語意相似度，顯示彼此相關的討論。
知識擷取
把對話中的部分內容轉成：
- 洞察
- 點子
- 決策
- 行動項目
- 資料
對話比較
選擇來自不同 AI 平台的對話，並比較：
- 共同結論
- 不同觀點
- 彼此衝突的看法
- 各自獨有的發現
語意搜尋
依意思搜尋，而不必記得幾個月前使用的精確說法。
詢問自己的 AI 歷史紀錄
最終，我希望可以問：
關於這個主題，我過去已經學到了什麼？
答案不應只來自某一個模型目前的上下文視窗，而應來自多年累積在多個 AI 工具中的個人對話。
同時，每一則答案都應該可以回到原始對話。
保留來源非常重要。
問題已不再是「如何保存 AI 對話」
剛開始開發匯出工具時，問題很簡單：
如何保存 ChatGPT 對話？
後來變成：
如何保存所有 AI 平台的對話？
現在，問題變得更大：
如何把多年累積的 AI 對話，轉化成未來還能繼續使用的知識？
答案顯然不只是「全部匯出」。
匯出是必要的。
匯出之後是整理。
整理之後是找回。
找回之後，還有一件可能更有價值的事：
重新發現。
這正是 AI Knowledge Hub 想繼續探索的方向。
建立自己的 AI 知識封存
如果你的對話已經散落在 ChatGPT、Claude、Gemini、Perplexity、Grok、Genspark 與其他 AI 工具中，AIExportHub 可以協助你把它們保存成 Notion、Markdown / Obsidian 與 PDF 等可攜格式。
也可以閱讀前一篇實驗：
我把 784 則 AI 對話整理進 Notion，才發現匯出只是第一步
Notion 版本幫助我理解資訊應該如何整理。
Obsidian 版本則讓我繼續探索另一個問題：
一個「本機優先」的 AI 第二大腦，應該是什麼樣子？
答案仍在形成中。
但目前版本已經離它更近一步。
你會用這樣的 Obsidian 工作區來管理自己的 AI 歷史紀錄嗎？
如果本機已經保存數千則對話，你最需要的是什麼：
搜尋、專案、知識擷取、對話比較，還是重新發現？