微信扫码
与创始人交个朋友
我要投稿
最近学习中医,发现学习新知识真的太难了。在读到某个药材、经络、方剂的时候,总想到这些内容之前在哪里读过, 然后往前翻,而且时长找不到。
于是乎,想到了 Obsidian,想到了知识图谱,想到了 AI 自动生成知识图谱。
整体的方案就是:
1. 使用 Obsidian 转录数据
2. 使用 AI 自动解析成 Wiki 格式
3. 使用 Obsidian 的双线连接和图谱来发辅助学习
先看一下效果:
配合 Obsidian 自带的图谱功能,还可以看到漂亮的知识图谱,
大家可以根据自己的需要设置下节点颜色,
原理也很简单,让 AI 把自己笔记的内容转换成需要的Wiki模式即可。
首先分享一下提示词:
你是一个 Obsidian 笔记处理助手,识别下面内容中出现的中药材、药方,添加 wiki 链接,并使用如下要求返回:
1. 原文中的药材名和经脉名称用 [[]] 包裹,返回原文
2. 请不要删除原文中出现的任何文字
下面是示例:
# 原文
附子去脏腑之沉寒,浮而不降。治三阴之厥逆,走而无踪。反本固阳,童便煮用。干姜暖中,除寒邪腹痛,兼治呕吐。
# 回答
[[附子]]去脏腑之沉寒,浮而不降。治三阴之厥逆,走而无踪。反本固阳,童便煮用。[[干姜]]暖中,除寒邪腹痛,兼治呕吐。
提示词很简单,直接说出来你的需求即可,然后使用少样本提示给AI举例。
对于文本的处理,我测试下来几乎所有的模型都能很好处理,比如:
• GPT-3.5, GPT4o
• Gemini
• 智谱 GLM4
• 通义千问
• 讯飞星火
对于 Kimi 等其他我没有 Key 的模型,我测试了下网页版,效果也挺好。
在 Obsidian 里面实现我需求最近的方案就是写一个插件。
大家不要觉得写插件是很复杂的事情,从官网下载模板按照文档一步一步来,其实很简单。
下面给出中文和英文的教程:
• Obsidian PLugin[1]
• Obsidian 插件入门指南[2]
大家跟着来就行,我讲一下模板之外我们要做的事情。
首先默认注册一个指令,这样就可以使用命令面板调用你的程序了。
import { Plugin } from "obsidian";
export default class ExamplePlugin extends Plugin {
async onload() {
this.addCommand({
id: "shuyi-wikilize-zhongyi",
name: "数翼 Wikilize 中药",
callback: () => {
// 这里写你的代码
},
});
}
}
获取当今笔记的内容可以使用 editor.getValue()
方法。
获取当前笔记的选中内容,可以使用 editor.getSelection()
方法。
AI的结果我这里就直接替换选中文字,如果没有选中文字,就追加到当前笔记,使用 editor.replaceSelection
即可。
// 调用你的 AI
const result = await chat.sendMessageStream(prompt);
for await (const item of result.stream) {
editor.replaceSelection(item.candidates[0].content.parts[0].text)
}
如果只是本地自己用不需要发布,我们可以把认证的 API Key 放到 代码里面,直接调用即可。
如果想发布,可以加一个插件配置项:
new Setting(containerEl)
.setName('Your API Key')
.setDesc('Your api key')
.addText(text => text
.setPlaceholder('Enter your api key')
.setValue(this.plugin.settings.apiKey)
.onChange(async (value) => {
this.plugin.settings.apiKey = value;
await this.plugin.saveSettings();
}));
至此,我们就可以在 Obsidian 使用命令面板来调用插件,自动处理文本了。
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-11-22
技术动态 | 如何使用知识图谱改进RAG?
2024-11-22
RAG前沿之RAG–知识图谱构建框架Graphusion:兼看LongRAG双视角检索增强生成范式
2024-11-21
OpenSPG/KAG 新版发布:聚焦用户反馈,大幅优化用户体验!
2024-11-15
大语言模型与图结构的融合:推荐系统中的新兴范式
2024-11-15
利用LLM构建非结构化文本的知识图谱
2024-11-13
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
2024-11-13
利用LLM Graph Transformer实现知识图谱的高效构建
2024-11-12
什么是知识图谱和AI多模态推理
2024-07-17
2024-07-11
2024-07-13
2024-08-13
2024-07-08
2024-07-12
2024-07-26
2024-06-10
2024-07-04
2024-06-24
2024-11-22
2024-11-04
2024-10-10
2024-10-03
2024-09-27
2024-09-08
2024-09-05
2024-08-27