导出 AI 对话之后，我在 Obsidian 里搭建了一个真正能用的知识中心
几天前，我分享了一个实验：把 ChatGPT、Claude、Gemini、Perplexity、Grok 和 Genspark 的对话集中到同一个 Notion 工作区。
那个实验回答了一个问题：
来自不同 AI 平台的对话，能否作为同一个个人知识库来管理？
答案是可以。
但它也带来了一个更重要的问题。
当几百条、甚至几千条对话被安全导出后，接下来应该怎样使用它们？
保存 AI 历史记录很有价值。
能够重新用这些历史记录思考，则更有价值。
因此，我开始在 Obsidian 中搭建这套系统的下一版。
从 AI 对话归档，走向 AI 知识中心
最初的问题是信息太分散。
调研可能在 Perplexity 中进行。
长篇思考可能留在 Claude 中。
头脑风暴通常发生在 ChatGPT。
一些实验在 Gemini，其他对话则散落在 Grok 或 Genspark。
每个平台都保存自己的历史记录。时间一长，我实际上建立了六个彼此隔离的知识孤岛。
AIExportHub 先解决了前半部分问题：把这些对话导出为 Markdown、Notion、Obsidian 和 PDF 等可迁移格式。
但在导出大量历史记录之后，我意识到：
装满 Markdown 文件的文件夹，比聊天侧边栏更安全，但它不会自动变成知识系统。
所以，我没有继续增加一种新的导出格式，而是开始在 Markdown 之上构建一个使用层。
它就是 AI Knowledge Hub for Obsidian。
你可以在 Obsidian 社区页面查看插件介绍并参与讨论。如果想阅读源代码、提交问题或参与开发，可以访问 AI Exporter Hub GitHub 仓库。
当前版本：在一个地方管理 1,400 多条 AI 对话
目前，这个 Obsidian 工作区包含从六个平台导入的 1,400 多条对话：
- ChatGPT
- Claude
- Gemini
- Perplexity
- Grok
- Genspark
这仍然只是我全部 AI 历史的一部分。
最大的变化是，我不再需要把它们当作六个独立归档来浏览。
现在，它们都出现在同一个仪表盘中。
首页提供了几种不同的方式，帮助我理解归档里有什么。
Conversations（对话）
这里显示已导入的 AI 历史记录数量。
数字本身并不是目标。但当归档达到上千条之后，很容易看出，普通的文件夹浏览已经不够用了。
Sources（来源）
仪表盘会按原始 AI 平台对对话进行分组。
这样一来，ChatGPT、Claude、Gemini、Perplexity、Grok 和 Genspark 就只是信息来源，而不是六套彼此独立的知识系统。
这个区别非常重要。
平台只能说明一条对话来自哪里，却不能说明它在讨论什么。
Projects（项目）
使用一段时间后，我发现项目比平台更重要。
一个项目中可能同时包含：
- 一次 ChatGPT 头脑风暴
- 一次 Claude 战略讨论
- 一条 Perplexity 调研记录
- 一次 Gemini 实现方案讨论
从知识管理角度看，这四条对话应该属于同一个地方。
所以，长期更合理的层级可能是：
Platform = 来源
Project = 目的
Category = 知识类型
而不是只依赖文件夹。
批量导入之后，还需要一个 Inbox
当导入变得足够简单，另一个问题会很快出现。
你可能突然得到几百条等待处理的新对话。
因此，插件里加入了 Inbox（收件箱）。
它的思路类似邮件收件箱或“稍后阅读”应用：
新对话可以自动进入系统，但不必永远保持未整理状态。
之后，每条对话都可以被：
- 分配到某个项目
- 设置知识分类
- 标记为已查看
- 加入收藏
- 直接归档
这看起来只是一个小功能，却体现了归档库和工作型知识系统之间的重要区别。
归档库回答：
我把它保存在哪里？
Inbox 回答：
还有哪些内容需要处理？
“最近导入”和“最近查看”应该分开
仪表盘还刻意区分了两个看起来相似的区域。
Recent Imports（最近导入）
这里显示最近进入系统的对话。
它回答：
刚刚新增了什么？
Recently Reviewed（最近查看）
这里显示我真正打开并处理过的对话。
它回答：
最近认真看过哪些内容？
当导入流程自动化后，这个区别就很有用。
否则，仪表盘很容易变成一串“已经到达，却从未真正使用”的内容。
项目比文件夹更重要
把真实数据放进系统之后，我得到的一个重要结论是：物理文件夹远远不够。
一份 Markdown 文件可以存放在：
AI Knowledge/
ChatGPT/但它真正所属的项目可能是：
AIExportHub
Marketing
Product Design
Customer Support
Finance
Research所以，我主要把文件夹当作来源位置，而把项目和分类写进元数据。
一条对话在概念上可以是这样：
---
type: ai-conversation
platform: ChatGPT
project: AIExportHub
category: Product
favorite: false
status: reviewed
---这样，同一个 Markdown 文件无需移动，就能出现在多个有用的视图中。
这也是 Obsidian 很适合这类实验的原因之一。
Markdown 文件才是数据源
这可能是当前版本与传统网页仪表盘最大的架构差异。
插件不是数据库。
Markdown 文件才是数据源。
整个流程更接近：
ChatGPT
Claude
Gemini
Perplexity
Grok
Genspark
↓
AIExportHub
↓
Markdown files
↓
Obsidian Vault
↓
AI Knowledge Hub仪表盘只是这些文件之上的一个界面。
即使插件明天消失，对话仍会作为普通 Markdown 文件留在本地知识库中。
它们依然可以被：
- 打开
- 搜索
- 移动
- 备份
- 同步
- 编辑
- 交给其他工具建立索引
- 导入其他系统
这让我越来越认同一个原则：
仪表盘是暂时的，Markdown 才是长期资产。
对于需要长期保存的个人知识，这比再次把全部内容锁进另一个封闭数据库更可靠。
比仪表盘更重要的是对话详情页
首页适合了解全局，但我不认为首页才是这套产品真正的核心。
更重要的是点击某条对话后发生的事情。
对话详情页仍然以原始聊天内容为中心。
我并不想用 AI 摘要替代原始对话。
更理想的方向，是把原文放在中心，并让周围的界面帮助回答：
- 这条对话属于哪个项目？
- 它是什么类型的知识？
- 是否值得收藏？
- 我是否已经查看过？
- 有哪些相关对话？
- 这里产生了哪些有用的创意？
- 是否在这里做过某项决定？
- 其中一部分是否应该转成长期知识笔记？
到了这里，它才可能超越“更好用的聊天归档”。
对话不等于知识
在构建这套系统的过程中，这个区别变得越来越重要。
一条包含 50 轮消息的对话，六个月后真正有用的可能只有一个想法。
另一条对话里则可能同时包含：
- 一个决策
- 三个有效来源
- 一段可以复用的解释
- 一个尚未完成的创意
所以，最终的知识系统不应该永远把“整条对话”当作最小单位。
更合理的模型可能是：
Conversation
↓
Extract
↓
Insight / Idea / Decision / Resource
↓
Project
↓
Personal Knowledge对话仍然作为来源保留。
其中重要的部分，则可以转成普通的 Markdown 知识笔记。
---
type: ai-knowledge
knowledge_type: insight
project: AIExportHub
source_conversations:
- "[[AI Knowledge Hub Product Strategy]]"
---这才更接近真正的第二大脑。
搜索很有用，但“重新发现”可能更有价值
仪表盘里还有一个名为 Rediscover（重新发现） 的区域。
这个功能最初只是 Notion 版本中的一个概念，现在我希望把它变成 Obsidian 版本中的真实体验。
搜索解决的问题是：
我记得某个内容存在，请帮我找到它。
重新发现解决的是另一个问题：
我已经忘记它存在，请在合适的时候把它重新呈现出来。
例如，系统未来可以提醒：
你在六个月前研究过这个主题。
或者：
这三条 Claude 对话与你当前处理的项目有关。
或者：
你八个月前收藏了这条讨论，但之后从未打开。
甚至：
你在 ChatGPT、Claude 和 Perplexity 中问过 14 次相似的问题。
这种体验比普通搜索更接近人的记忆。
为什么选择 Obsidian
我并不认为 Obsidian 在所有场景下都优于 Notion。
它们擅长解决不同的问题。
Notion 尤其适合：
- 数据库
- 结构化视图
- 云端访问
- 团队协作
- 对外分享
而在 AI 对话归档这件事上，Obsidian 的以下特性尤其有吸引力：
- 本地文件
- Markdown
- 双向链接
- 元数据
- 搜索
- 可迁移性
- 长期的数据所有权
AI 对话最终可能成为多年研究、决策、实验和思考的记录。
我不希望整段历史依赖某一个 AI 服务商，甚至也不希望它完全依赖我自己的插件。
工具可以消失，文件应该留下。
AIExportHub 正在变成“采集层”
构建 Obsidian 版本，也改变了我对 AIExportHub 的理解。
它最初主要用于导出 AI 对话。
这个功能仍然重要，但导出越来越像整个系统的第一层。
现在，我把整个流程分成四层：
Layer 1 — Capture（采集）
AIExportHub 从 ChatGPT、Claude、Gemini、Perplexity、Grok、Genspark 等 AI 平台中取出对话。
Layer 2 — Organize（整理）
Obsidian 插件按以下维度组织对话：
- 来源
- 项目
- 分类
- 状态
- 收藏
- 时间
Layer 3 — Retrieve（检索）
通过搜索和筛选，在需要时找回对话。
Layer 4 — Rediscover（重新发现）
由系统主动呈现已经被遗忘的知识与关联。
简单来说：
AIExportHub 帮助我采集 AI 对话。
AI Knowledge Hub 帮助我再次使用这些对话。
下一步想要实现的功能
当前版本仍处于早期阶段。
基础能力已经可以工作：
- 多平台对话库
- 仪表盘
- Inbox
- Recent Imports
- Projects
- Categories
- Favorites
- Recently Reviewed
- Rediscover
- 独立的对话详情页
接下来的功能会更有意思。
相关对话
根据项目、分类、标签，以及未来的语义相似度，展示彼此相关的讨论。
知识提取
把对话中的部分内容转成：
- 洞察
- 创意
- 决策
- 行动项
- 资料
对话比较
选择来自不同 AI 平台的对话，并比较：
- 共同结论
- 不同视角
- 相互冲突的观点
- 各自独有的发现
语义搜索
按含义搜索，而不必记住几个月前使用的准确措辞。
向自己的 AI 历史提问
最终，我希望可以问：
关于这个主题，我过去已经学到了什么？
答案不应该只来自某一个模型当前的上下文窗口，而应该来自多年积累在多个 AI 工具中的个人对话。
同时，每一条答案都应该能够返回原始对话。
保留来源非常重要。
问题已经不再是“如何保存 AI 对话”
刚开始开发导出工具时，问题很简单：
如何保存 ChatGPT 对话？
后来变成：
如何保存所有 AI 平台的对话？
现在，问题变得更大：
怎样把多年积累的 AI 对话，转化为以后还能使用的知识？
答案显然不只是“全部导出”。
导出是必要的。
导出之后是整理。
整理之后是检索。
检索之后，还有一件可能更有价值的事：
重新发现。
这正是 AI Knowledge Hub 想继续探索的方向。
建立自己的 AI 知识归档
如果你的对话已经散落在 ChatGPT、Claude、Gemini、Perplexity、Grok、Genspark 和其他 AI 工具中，AIExportHub 可以帮助你把它们保存为 Notion、Markdown / Obsidian 和 PDF 等可迁移格式。
也可以阅读前一篇实验：
我把 784 条 AI 对话整理进 Notion，才发现导出只是第一步
Notion 版本帮助我理解信息应该怎样组织。
Obsidian 版本则让我继续探索另一个问题：
一个“本地优先”的 AI 第二大脑，应该是什么样子？
答案仍在形成中。
但当前版本已经离它更近了一步。
你会用这样的 Obsidian 工作区管理自己的 AI 历史记录吗？
如果本地已经保存了几千条对话，你最需要的是什么：
搜索、项目、知识提取、对话比较，还是重新发现？