一直以來，我都有一個習慣：每次和 AI 完成一段有價值的討論，就把過程整理成摘要存下來。我在〈Session is Knowledge：把 AI 對話保存成自己的知識庫〉寫過這個做法。

因為一個 session 結束後，我通常會問兩件事：剛剛解掉的問題，怎麼留下來變成知識？這次跑順的流程，怎麼下次直接重複使用？後者可以慢慢整理成 Skill；前者則先把對話、試錯和決策理由存成 Markdown，讓它不只留在某一個 AI 的對話窗裡。這篇要談的是前者。

但它有一個很手動的地方。我要先記得「好像以前討論過」，再想起可能放在哪個資料夾、該用什麼關鍵字，最後還得明確叫 AI 去那裡找。筆記已經存下來了，真正麻煩的是我得一直當那個指路的人。

後來我在網路上一直看到「第二大腦」和 Obsidian 這個名字，才開始研究：它到底是什麼，為什麼會有這麼多人用？

Obsidian 迷人的地方，是筆記沒有被關在 App 裡

研究 Obsidian 時，我先遇到的是它的 CEO Steph Ango 提出的 File over app 理念：App 一定會隨時間變遷，真正值得留下的是使用者自己掌控、能隨時取回與閱讀的檔案。他自己的規則也刻意避開非標準 Markdown；這不是因為 Markdown 很潮，而是純文字格式不需要把未來綁在某一個 App 上。

Obsidian 正好把這個想法落到工具上：它是用來閱讀、編輯 Markdown 筆記的 App，但 vault 本身就是你電腦上的檔案。你可以用它整理連結、看 Graph、慢慢讀長文；即使不打開 App，資料也仍然是一份你自己拿得到的 Markdown 筆記庫。

我後來才理解它受歡迎的原因不只是 Graph 視覺很漂亮，而是它把核心資料留在本機文字檔，再讓社群把不同的使用方法往外長。撰文時，Obsidian 官方社群列出超過 6,260 個 plugins，其中 715 個在 AI 分類；這不代表每個人都該裝一堆外掛，反而說明了同一份 vault 可以長成很多不同的工作方式。Obsidian Community

我需要的那一種不是「在 Obsidian 裡多開一個 AI 面板」，而是讓我平常使用的 AI 能讀到筆記原文。這正好是 MCP（Model Context Protocol）能補上的位置。

手動查找、AI memory 與 Obsidian MCP，差在哪裡？

做法資料留下什麼找資料時誰要帶路是否保留原始脈絡適合什麼情況
對話摘要手動查找一份份 Markdown 摘要我得記得可能的關鍵字與資料夾可以想回看某次明確知道存在的討論
OpenMemory（記憶引擎）壓縮後的偏好、結論與記憶片段AI 先用語意回想不一定；表格、流程與完整推理可能被壓縮想快速找回「我平常怎麼做」
Obsidian MCP同一份本機 Markdown 原文AI 依當下問題自行搜尋、讀取可以需要找全文、上下文、表格或決策理由

Obsidian MCP 不只一種，我為什麼選 MCPVault？

開始找 MCP 時，才發現「讓 AI 讀 Obsidian」不是單一方案。有人透過 Obsidian plugin 把 App 的功能接出去，也有人讓 MCP server 直接讀 vault 的檔案。我挑的是後者，因為我最在意的是 AI 能找回筆記，不是要讓 AI 遙控 Obsidian 的介面。

方案GitHub ⭐要開 App 嗎？要裝 plugin 嗎？適合情況
MCPVault1,581❌❌想讓 AI 搜尋、讀取 Markdown，並保留乾淨的設定
obsidian-mcp719❌❌願意自行 clone、build，再把本機程式接進 AI client
官方 Filesystem MCP—❌❌想最快把 vault 當一般檔案系統交給 AI 存取
obsidian-mcp-server + Local REST API646✅✅除了讀寫筆記，也希望觸發 Obsidian UI 或 Command Palette 動作

真正符合「不開 App、不裝 plugin、直接讀檔」的，是前面三個方案。官方 Filesystem MCP 的設定最快，但它是通用檔案系統工具，不知道 frontmatter、標籤或筆記間連結的語意；obsidian-mcp-server 則明確要求 Local REST API plugin，所以放在表中是為了對照它能換來的 App 功能，而不是把它當成同條件選擇。

MCPVault 是我使用的橋接工具。它是一個開放原始碼的 MCP server，直接連接 vault，讓支援 MCP 的 AI 助理搜尋、讀取或在授權下寫入筆記。我選它不是因為它是唯一的 MCP，而是它剛好符合這次的邊界：可用 npx 直接執行、無須裝 Obsidian plugin、能安全處理 frontmatter，並且有適合筆記搜尋的 BM25 排序。MCPVault GitHub

這不是三選一。我保留對話摘要，因為它把一次對話沉澱成可讀的紀錄；OpenMemory 則是我的記憶引擎，適合先叫回一小段可能相關的線索。Obsidian 是知識倉庫，保存能重讀、能驗證的全文、格式與脈絡；Obsidian MCP 的工作，是讓 AI 拿著記憶引擎找回的線索，回到這個倉庫取用原文。

第一次設定 MCP，之後就不用每次帶路

第一次需要做的事不多：準備一個存放 Markdown 的 Obsidian vault、安裝 Node.js，再把 MCPVault 加到你使用的 AI 工具設定中。MCPVault 官方文件提供各種 AI client 的設定方式；下面是最小概念，/path/to/your/vault 換成自己的筆記庫路徑即可。

{
  "mcpServers": {
    "obsidian": {
      "command": "npx",
      "args": ["@bitbonsai/mcpvault@latest", "/path/to/your/vault"]
    }
  }
}

這不是要把 Obsidian App 常駐開著，也不是要在 Obsidian 裡裝外掛。MCPVault 直接讀取 vault 裡的檔案；設定完成後，重新啟動 AI 工具並用一句「列出我的筆記庫檔案」驗證即可。完整的安裝與各平台設定可看 MCPVault Quick Start。

從「幫我查這個資料夾」變成自然地繼續討論

設定前，我的問題通常長得像這樣：「我印象中之前有寫過對話摘要，請到某個資料夾搜尋某個詞。」問題本身已經夾帶了一半的搜尋工作。

設定後，我只需要照平常的方式說：「我們之前為什麼決定這個流程？」「幫我找上次討論過的架構取捨。」「這個決定有沒有舊紀錄可以佐證？」AI 會先從 memory 找可能的片段，再依需要用 MCP 搜尋筆記庫、讀取相符的全文，最後帶著找到的脈絡繼續討論。

這條路也讓 OpenMemory 記憶策略 有了更清楚的位置：OpenMemory 不需要裝成全文資料庫，它是記憶引擎，負責快速喚回線索；Obsidian 是知識倉庫，負責保留可以驗證、可以重讀的原文。兩者接起來，手動回想與指定搜尋路徑的工作就自然交給 AI 了。

我最喜歡的不是 AI 多了一個工具，而是對話終於能順著問題往前走。以前要先證明自己記得哪裡有資料；現在我只要把問題說清楚，剩下的交給它去翻筆記。

換帳號、換 AI，不變的是我的知識庫。今天不管換成什麼工具，AI 都能沿著同一條路回去找資料；我累積下來的知識與脈絡，不需要跟著某個 App 或帳號重新開始。