文章总结： 本文以关键矿产供应链为案例，详细介绍了基于Obsidian和AI搭建开源情报知识库的实战方法。通过7层目录结构实现信息从原始资料到核心研判的流动，系统已产出资源民族主义范式转移、金属合金化瓶颈等结构化发现，并提供了具体的搭建步骤与工具组合。 综合评分： 87 文章分类： 威胁情报,安全建设,安全工具
191 篇 → 1 页研判：开源情报 AI 知识库搭建实战
原创
罗城OSINT 罗城OSINT
百灵猫开源情报分析师
2026年4月28日 15:03 四川
在小说阅读器读本章
去阅读
受 Andrej Karpathy 启发，我们用 Obsidian + AI 搭建了一套结构化知识系统（LLM Wiki），以关键矿产供应链为真实案例运行至今。
以下先用这套系统实际挖出的东西说话，再拆解架构本身。
一、看看这套架构挖出了什么
在介绍任何方法论之前，先展示结果。
过去几个月，我们用这套架构追踪美西方“去中国化”关键矿产供应链。191 篇来源 → 23 个项目追踪 → 47 个实体 → 1 页核心研判。以下是一些靠“人肉阅读+记忆”很难发现的模式——它们是从结构化的信息网络中自然浮现出来的：
图1
发现 1：资源民族主义不是单一事件，是系统性范式转移
2026 年第一季度，以下事件密集发生：
- 美国：Project Vault 战略储备 ~$120 亿
- 澳大利亚：立法建立储备，拨款 A$12 亿
- 韩国：$1.72 亿关键矿产储备基金
- 欧盟：RESourceEU 战略储备框架
- 越南：禁止稀土原矿出口，强制外资建加工设施
- 巴西：政党向最高法院申请阻止美国公司收购本土稀土矿
放在单篇新闻里，每个都是孤立事件。放在 wiki 的 cross-link 网络中，模式一目了然：全球主要经济体正在从“市场供需驱动”同步转向“国家储备驱动”。这不是某个国家的策略调整，而是国际秩序的范式转移。
发现 2：竞争者有一个“看不见的瓶颈”
23 个追踪项目按供应链环节分类后，发现一个惊人的分布不均：
| 环节 | 项目数 | 占比 | | — | — | — | | 采矿 | 4 | 17% | | 分离加工 | 10 | 44% | | 金属合金化 | 1 | 4% | | 磁体制造 | 4 | 17% | | 回收 | 4 | 17% |
图2
金属合金化——从分离后的氧化物转化为磁体可用的金属锭——只有 1 个项目覆盖。这是西方非华供应链中最隐蔽的断裂点：有分离厂、有磁体工厂，但中间缺了把“粉末”变成“金属”的关键一步。
这个判断不可能来自任何单一文章。它是汇总、分类、对比后的结构涌现。
发现 3：价格已在“脱钩”——定价权侵蚀的先行指标
中国内外市场正在形成两套定价体系：
- 镓： 中国内 ~
2,500/kg（8 倍价差）
- 重稀土： 中国内价格持续低于外部市场
价差本身就是出口管制效果的证明。但更重要的信号是：竞争者对“中国价格”的接受度正在下降。即使我方有成本优势，如果对方宁愿付溢价也要建替代供应链，定价权就在被侵蚀。
这是跟踪 191 篇来源、持续比对价格数据后浮现的趋势判断。
发现 4：多国供应链网络的可视化
跨 47 个实体节点之间的链接关系，构成了一幅清晰的全球供应链博弈地图：
1
2
3
4
5
6
7
8
9
10
11
12
13
USA ──→ FORGE / Project Vault (多边框架)
├──→ Energy Fuels → 稀土扩产
├──→ USA Rare Earth → $28亿收购巴西 Serra Verde
│ ↓
│ 巴西政党申请最高法院阻止收购
└──→ Critical Metals Corp → 格陵兰 Tanbreez + 沙特 $1.5B JV
Japan ──→ Sojitz → Lynas → 重稀土分离
├──→ 信越化学/大金/日立 → 磁体回收
└──→ France → Caremag → 欧亚三边合作
Australia ──→ Lynas (中游分离) + Iluka (Eneabba 精炼厂)
UK → Pensana → Longonjo (安哥拉稀土)
这不是手工绘制的——Obsidian Graph 视图自动生成。每个节点是一页笔记，每条边是一个 [[wikilink]]。链接即逻辑。
发现 5：“纸面实力”与“实际能力”之间的鸿沟
Wiki 内部有一个反复出现的数字：美国 12+ 联邦机构已授权超 $7000 亿用于关键矿产供应链建设，但实际部署不足 15%，联邦许可审批平均需 29 年。
这个数字在多个来源中被交叉验证，最终成为核心结构性判断之一。它的意义在于：竞争者的政策声明与实际交付能力之间存在巨大落差——而 wiki 的结构能让这种落差在每次新增来源时被自动关联和提醒。
以上只是当前运行状态的快照。新来源持续流入，新的模式会继续浮现。这套架构的价值不在于“存储”，而在于让模式和关联从信息中自然生长出来。
下面是这套系统是怎么搭建的。
二、Karpathy 的 LLM Wiki：核心逻辑
2026 年 4 月，Andrej Karpathy 提出 LLM Wiki 概念，两天内获得 1600 万+ 浏览。
核心逻辑：
1
2
传统笔记：写给"人"看的 → 依赖人的记忆和检索
LLM Wiki：写给"人 + AI"看的 → AI 能理解结构，协助维护
实现前提：笔记结构足够规范——清晰的分类、统一的前置元数据、可交叉引用的链接体系。
我们基于这个思路，做了一个可运行的实例。
三、架构设计：7 层目录结构
知识库分为 7 层，每层有明确的职责边界：
图3
各层职责
| 层级 | 内容 | 维护方式 | AI 参与度 | | — | — | — | — | | 30-来源 | 每篇原始资料的 AI 摘要 | AI 生成，人工审核 | 高 | | 20-实体 | 国家/企业档案 | 人工维护 | 低 | | 15-项目 | 具体项目追踪 | 人工维护 | 低 | | 13-时间线 | 关键事件时间序列 | 自动汇聚（Dataview） | 无 | | 12-证据 | 可引用的事实条目 | 人工提取 | 中 | | 10-主题 | 综合研判 | 人工撰写 | 低 | | 00-首页 | 目录 + 数据统计 | 自动更新 | 无 |
信息流动方向
1
2
3
4
5
6
7
8
9
10
11
12
13
原始材料（网页/PDF/报告/新闻）
│
▼ AI 摘要 + 结构化
30-来源（每篇一页，含关键事实）
│
▼ 人工提取核心信息
20-实体 · 15-项目 · 12-证据 · 13-时间线
│
▼ 综合判断
10-主题（威胁评估）
│
▼ 汇总呈现
00-首页（状态仪表盘）
AI 做基层处理，人做顶层判断。
四、当前运行数据
截至 2026 年 4 月 28 日：
| 指标 | 数值 | | — | — | | 来源页（AI 摘要） | 191 篇 | | 追踪项目 | 23 个 | | 实体（国家+企业） | 47 个 | | 证据条目 | 24 条 | | 来源时间跨度 | 2025.01 ~ 2026.04 | | 总 Markdown 文件数 | 290 | | 总大小 | < 2 MB | | 断裂链接数 | 0 |
290 个纯文本文件总共不到 2 MB——这套架构在千页规模下仍然轻量。链接近零断裂靠的是自动化 lint 检查，每次更新后自动跑一遍。
五、搭建步骤
Step 1：安装工具
- 下载 Obsidian（免费）
- 准备 AI 模型访问（Claude、ChatGPT、本地 Ollama 均可）
Step 2：建立目录结构
在 Obsidian 库中创建以下文件夹：
1
2
3
4
5
6
7
8
your-vault/
├── 00-首页/
├── 10-主题/
├── 12-证据/
├── 13-时间线/
├── 15-项目/
├── 20-实体/
└── 30-来源/
Step 3：从 30-来源 开始填充
找一篇研究领域的关键文章，让 AI 生成结构化摘要，包含：
- 核心摘要
- 关键事实（可引用的数据点）
- 涉及的实体（公司、国家）
- 时间节点
- 研究价值评级
Step 4：建立上层节点
根据摘要中提取的实体和项目：
- 20-实体/ → 创建公司和国家的独立档案页
- 15-项目/ → 创建具体项目追踪页（含状态、威胁等级、里程碑）
- 12-证据/ → 记录可交叉验证的关键数据
- 13-时间线/ → 录入重要事件时间点
Step 5：撰写核心研判
在 10-主题/ 中记录当前分析结论。重点是判断而非罗列：
- 全局态势定位
- 主要威胁排序
- 关键瓶颈识别
- 下一步关注重点
Step 6：搭建首页仪表盘
在 00-首页/ 中创建索引页，链接到各层核心页面。可用 Dataview 插件实现数据自动汇总。
Step 7：建立维护机制
| 机制 | 作用 | | — | — | | 每日/每周固定时间更新 | 保持信息时效性 | | Lint 检查 | 确保链接不断裂、元数据一致 | | Git 自动备份 | 版本管理 + 灾难恢复 |
六、架构优劣势评估
优势
- 信息不丢失： 每篇材料被 AI 摘要为一页，可检索、可引用
- 全局可视化： 191 篇来源 → 23 个项目 + 47 个实体 + 1 页核心研判，层次清晰
- 链接即逻辑： 从来源页可顺链找到关联项目、实体、判断
- 模式自然涌现： 资源民族主义浪潮、金属合金化瓶颈、价格脱钩信号——这些不是预设的研究问题，而是结构化信息网络的副产物
- AI 辅助维护： 摘要自动化、检索语义化
- 长期可靠： lint + git 确保数据完整性
劣势
- 有学习成本：需掌握 Obsidian 基本操作 + Markdown 语法（约 30 分钟）
- 需要 AI 接口：自动摘要依赖大模型 API（我们用的是 Claudian + DeepSeek V4，性价比极高，可本地部署替代）
- 不适合碎片记录：日记、待办清单等场景下架构过重
- 需要持续投入：不自维护，每周需固定时间更新
适用场景
✅ 研究人员、分析师
✅ 长期追踪特定领域
✅ 需要从大量信息中提炼判断
✅ 想实践“AI + 知识管理”
❌ 随意记笔记
❌ 不愿学习工具
❌ 仅需 TODO 管理
七、常见问题
与 Notion 的区别
Notion 面向团队协作和项目管理。7 层架构面向长期领域追踪——结构化程度更高，更适合研究型场景。
是否需要编程能力
不需要。Obsidian 为图形界面操作，AI 摘要通过对话界面完成。Lint 和 Git 备份可一键运行。
是否限定了领域
不限。架构与领域无关，可适用于：
- 新能源技术趋势
- 地缘政治分析
- 医药研发追踪
- 竞品情报
- 行业研究报告管理
结构相同，替换内容即可。
用的是什么 AI 模型？
我们用的是 Claudian + DeepSeek V4。
DeepSeek V4 是最近才发布的新一代大模型，性能对标国外大模型，但 API 价格约为后者的 1/10，是目前市场上性价比最高的选择之一。Claudian 是我们基于 Obsidian 深度定制的 AI 助手，负责完成三件事：
- 自动摘要： 将原始文章/PDF 压缩为结构化来源页
- 信息提取： 从摘要中抽取出实体、时间线、关键数据
- 链接维护： 确保知识库的双向链接不断裂
这套组合使一篇材料的处理时间从 20 分钟（纯手工）缩短到 2 分钟（AI 生成 + 人工确认）。
数据安全
- 公开信息 → DeepSeek V4 云端 API（性价比高）
- 敏感信息 → 本地模型如 Ollama（不出本机）
扩展性
纯文本文件，290 个文件不到 2 MB。Obsidian 有缓存机制，千页规模仍然流畅。Git 版本管理确保历史可追溯。
八、核心结论
这篇指南的核心信息：
这套架构最有说服力的论据不是方法论本身，而是它已经产出的东西。 资源民族主义浪潮、金属合金化瓶颈、价格脱钩信号——这些判断来自结构化信息网络的副产物，而非预设的研究议程。
Karpathy 的 LLM Wiki 改变了信息处理的链路：
图4
AI 的角色是让“信息→结构”这一步从手工变为半自动化，使人能将资源集中在需要人类判断的环节。
如果你有类似的研究需求——无论是哪个领域——架构可以直接复用。需要讨论具体搭建问题时，欢迎交流。
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：百灵猫开源情报分析师 罗城OSINT 罗城OSINT《191 篇 → 1 页研判：开源情报 AI 知识库搭建实战》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论