Obsidian + 本地 LLM：Copilot 和 Smart Connections 搭配 Ollama

#为什么将本地大语言模型连接到 Obsidian

一个Obsidian的vault通常包含最个人化的数据：日记、会议笔记、研究资料、草稿。将此类语料库发送至云端服务以‘与笔记对话’，实质上是将个人的第二记忆完全交由第三方处理。本地LLM从根源上解决了这一问题：模型、嵌入向量和索引始终保留在您的本地磁盘上。

具体来说，Obsidian + Ollama 支持三种用法：直接在编辑器中生成和改写文本（自动补全、摘要、翻译），用自然语言查询整个笔记库（“我记下了哪些关于项目 X 的内容？”），以及自动显示与正在撰写的笔记语义相近的笔记。两个插件可满足这些需求：Copilot 用于聊天和生成，Smart Connections 用于相似性搜索。

隐私

任何笔记或嵌入向量都不会离开本机。非常适合用于日记或客户数据。

Hors-ligne

模型下载完成后，可在飞机或火车上运行。

零成本

无论笔记数量多少，都无需订阅，也不会按请求次数计费。

模型控制

您根据硬件选择大小、量化方式和上下文长度。

#先决条件

这套配置由三个组件构成：Obsidian、作为本地守护进程运行的 Ollama，以及一个社区插件。除此之外不需要任何东西——无需 API 密钥，也无需账户。

Obsidian 1.5+

桌面版本（Windows、macOS或Linux）。社区插件在移动设备上的运行方式与桌面环境不同；本指南针对桌面端。

Ollama 已安装

守护进程默认在 http://localhost:11434 上监听。如果尚未安装 Ollama，请参阅文章末尾列出的 Ollama 安装指南。

一个聊天模型

例如采用 Q4_K_M 量化的 qwen3.5:9b（约需 6.6 GB 显存），它是 2026 年 8 GB 显存配置的标杆选择（256k 上下文，支持视觉）。

嵌入模型

nomic-embed-text 或 mxbai-embed-large，是 vault 聊天和 Smart Connections 的必备组件。

RAM/VRAM

8 GB 显存足以运行现代 9B 模型（Qwen 3.5 9B，约 6.6 GB）。在纯 CPU 环境下，建议选择 2-3B 模型（Qwen 3.5 2B 或 Granite 4.2 3B），并耐心等待。

#为Obsidian准备Ollama

在开始操作 Obsidian 之前，先下载模型，并确认守护进程能够响应。Ollama 在 11434 端口提供与 OpenAI 兼容的 API，插件可以调用这一接口。

# Modèle de chat (généraliste, ~6,6 Go en Q4)
ollama pull qwen3.5:9b

# Modèle d'embeddings (obligatoire pour le RAG)
ollama pull nomic-embed-text

# Vérifier que le daemon tourne
ollama ps

Obsidian 有一点需要特别注意：插件运行在类似浏览器的环境（Electron）中，向 Ollama 发出的请求可能被 CORS 策略拦截。因此，需要允许 Obsidian 调用 API。应在启动守护进程之前设置环境变量 OLLAMA_ORIGINS。

# Autoriser les origines Obsidian (app://) et relancer Ollama
export OLLAMA_ORIGINS="app://obsidian.md*"
ollama serve

# Définir la variable puis relancer Ollama
setx OLLAMA_ORIGINS "app://obsidian.md*"
# Quitter Ollama depuis la barre système, puis le relancer

#配置 Copilot 插件以连接 Ollama

Copilot（由logancyang开发）是目前最完整的本地模型聊天与生成插件，支持编辑器中的改写、对话聊天以及「Vault QA」模式。以下是安装步骤。

1. 01
   安装插件

   设置 → 第三方模块 → 浏览、搜索「Copilot」(logancyang)，安装并启用。如果 Obsidian 要求，首先接受社区插件的使用权限。
2. 02
   打开Copilot设置

   在设置 → Copilot 中找到「Model」部分。Copilot 提供预设的服务提供商；选择 Ollama 作为聊天的 provider。
3. 03
   填写 URL 和模型名称

   基础 URL：http://localhost:11434。聊天模型名称：qwen3.5:9b（与 ollama list 显示的标签完全一致）。API 密钥留空，本地环境无需该密钥。
4. 04
   配置嵌入向量

   在「Embedding Model」部分，再次选择 Ollama 作为服务提供商，并输入 nomic-embed-text。这样就能通过聊天查询整个笔记库的内容。
5. 05
   测试

   打开 Copilot 面板（点击侧边栏图标，或使用命令「Copilot: Open Chat」），提出一个简单的问题。收到本地模型的回复，就说明连接正常。

Copilot 还提供上下文命令：选中一段文本，打开命令面板（Ctrl/Cmd+P），然后执行“Copilot: Summarize”、“Simplify”或“Translate”。所选文本会发送给本地模型，回复会根据所用命令插入或显示。

#在本地与整个 Obsidian 知识库对话

Copilot 最强大的模式是「Vault QA」（也称 QA 模式）：您不再只是与模型对话，而是向自己的笔记提问。Copilot 会在后台使用嵌入模型为您的笔记库构建向量索引，然后检索相关段落并将其插入提示词中。这就是将 RAG 应用于您的个人笔记。

1. 01
   启用 Vault QA 模式

   在 Copilot 聊天面板中，将模式选择器从“Chat”切换为“Vault QA”（或“QA”）。
2. 02
   构建索引

   执行命令“Copilot: Index (refresh) vault for QA”。插件会遍历您的笔记，并通过 Ollama 计算嵌入向量。耗时取决于知识库的大小和所用模型。
3. 03
   提出跨笔记的问题

   示例：“总结我关于六边形架构的所有笔记”或“哪些会议提到了 Q3 预算？”。回答会引用源笔记。
4. 04
   在重大变更后重新索引

   索引不会自动包办一切：添加大量笔记后，请重新执行索引构建，让这些笔记纳入索引。

#用 Smart Connections 查找相关笔记

Smart Connections（由 Brian Petro 开发）满足的是另一种需求：无需您提问，它会持续显示与您正在编辑的笔记语义相近的笔记。这是一个动态侧边栏，会呈现您手动整理时根本想不到的关联——相当于基于向量相似度计算的自动“相关笔记”功能。

1. 01
   安装 Smart Connections

   设置 → 第三方插件 → 浏览，搜索“Smart Connections”，然后安装并启用。
2. 02
   将嵌入服务连接到 Ollama

   在插件设置的嵌入部分，选择 Ollama 作为适配器，URL 为 http://localhost:11434，模型使用 nomic-embed-text（或 mxbai-embed-large 以获得更高精度）。
3. 03
   让索引自动完成

   首次启动时，Smart Connections会为您的所有笔记计算嵌入向量。随后在浏览过程中，「Smart Connections」面板会逐步填充内容。
4. 04
   可选：Smart 聊天

   Smart Connections 还内置了聊天模式（Smart Chat），它基于这些相同的嵌入向量，并可使用您在 Ollama 中的聊天模型，根据相关笔记作答。

与 Copilot Vault QA 相比，Smart Connections 的优势在于它以被动方式持续运行。您无需提出任何请求；当您围绕某个主题写笔记时，相关的旧笔记会自动出现，有助于在大型笔记库中发现意外的关联。这两个插件功能互补，可以共用同一个 Ollama 嵌入模型。

#根据vault大小推荐的模型

选择合适的模型首先取决于您的硬件配置，其次取决于笔记量。对于文本生成，采用Q4_K_M格式的8-9B现代模型（Qwen 3.5 9B）在大多数配置下提供了最佳的质量与显存平衡。对于嵌入向量，nomic-embed-text轻量且足够使用；mxbai-embed-large在大容量知识库上精度更高，但索引更庞大。

小型知识库（< 500 条笔记）

聊天：qwen3.5:9b（Q4，约需 6.6 GB 显存）。嵌入：nomic-embed-text。RTX 3060 12GB 的显存足以容纳这套配置。

中等容量仓库（500–3000 条笔记）

聊天：qwen3.5:9b；嵌入：mxbai-embed-large，以提升链接的相关性。RTX 4070/4080 显卡可良好运行。

大型知识库（> 3000 条笔记）

聊天：Qwen 3.8 27B（qwen3.8:27b，约 18 GB，262k 上下文），用于更细致的总结。嵌入：mxbai-embed-large。硬件：RTX 4090 24GB 或采用统一内存的 Mac M4 Pro。

无 GPU（仅 CPU）

聊天：使用一个 2–3B 模型（qwen3.5:2b，约 1.9 GB，或资源消耗很低的 granite4.2:3b）。嵌入：使用 nomic-embed-text，它在 CPU 上也能保持较快的速度。响应较慢，但仍可用。

搭载 Apple Silicon 的 Mac

统一内存是一项优势：配备 24–48 GB 内存的 M4 Pro 可以轻松运行 Qwen 3.8 27B 并进行嵌入向量索引。

#故障排除

大多数问题源于三种原因：CORS、模型名称错误，或 Ollama 守护进程已停止。以下是快速排查方法。

「连接失败」/ 网络错误

OLLAMA_ORIGINS 不包含 Obsidian。请添加 app://obsidian.md* 并重启守护进程（不能只重启 Obsidian）。

« model not found »

插件中输入的标签不匹配。请使用 ollama list 检查并复制精确的名称，包含标签（qwen3.5:9b，而非 qwen3.5）。

空响应或截断响应

上下文过短。请通过Modelfile增加num_ctx，或减少发送的笔记长度。

索引速度非常慢

嵌入模型在 CPU 上运行，或 Obsidian 知识库过大。请用 ollama ps 检查；可考虑使用更轻量的 nomic-embed-text。

Smart Connections 为空

索引尚未完成构建，或者适配器指向了聊天模型而非嵌入模型。

# Vérifier les modèles disponibles et leurs tags exacts
ollama list

# Confirmer que le daemon répond et voir ce qui est chargé en mémoire
ollama ps

# Test brut de l'API embeddings (doit renvoyer un vecteur)
curl http://localhost:11434/api/embeddings -d '{
  "model": "nomic-embed-text",
  "prompt": "note de test"
}'

#深入了解

一旦将 Obsidian 连接到您的本地模型，本网站的指南将帮助您完善技术栈，并深入理解底层组件：

安装 Ollama：Windows、macOS 和 Linux

整个搭建方案的基础：规范安装守护进程并管理模型。

选择量化方案（Q4、Q5、Q8、FP16）

用于在生成质量与您的显卡可用显存容量之间进行权衡。

AnythingLLM：可用于生产环境的本地 RAG

如果您希望在 Obsidian 之外进一步扩展 RAG，并使用工作区和 API。