本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在这里。
在上一篇文章中，我介绍了自己使用 Obsidian 结合 PARA 方法论搭建起了自己的本地知识库，同时介绍了如何使用 Gemini CLI 让 Obsidian 有了强大的 AI 能力。
虽然 Gemini 很强，但它毕竟是云端模型，将私人的笔记数据发送到云端始终是许多人心中的一根刺。
今天来介绍下我是如何使用 本地 Ollama + Qwen 3 模型 ，结合 Obsidian 构建真正的本地隐私 RAG（检索增强生成）知识库的。我的目标很明确：打造一个完全离线、绝对隐私、且懂你的私人 AI 助理。
为什么要 "完全本地化"？
Obsidian 的核心价值观是 "Your data is yours" （你的数据属于你）。当我们把所有的思考、日记、工作计划都记录在这些 Markdown 文件中时，它们就构成了我们的"第二大脑"。
然而，传统的云端 AI 助手存在天然的悖论：
- 隐私泄露风险：要让 AI 懂你，就得把数据发给它；发给它，数据就离开了你的控制。
- 网络依赖： 非常依赖于在线网络，如果断网就完全不可用。
- 数据安全：你的个性化模型在云端服务，如果云服务停止运营，个人训练的模型也就消失了。
如果你有一台还不错的电脑，那么构建本地 RAG 知识库就完美解决了这个问题：数据不出门，推理在本地，不仅安全又高效。
我想要的是什么？
有了构建的想法，接下来就是如何实施。其实一直以来，我都渴望拥有一个能记忆个人敏感信息的智能体助理。我可以放心地将一些个人或家人的敏感数据交给它，而它也能随时准确地回答我的提问。
比如我可以问它："我爸妈的身份证号是多少？""我去年过年的年夜饭都吃了什么？""今年的车险我是什么时候缴的？""六一儿童节晚上我和孩子们聊了什么？"涉及隐私的细节问题。
因为我们使用 Obsidian 作为知识库，所有的知识都存储在本地。配合 Thino 插件，可以实现类似于 Flomo 的灵感记忆存储。我便将这个插件与日记功能结合起来，专门用来记录生活中的琐事。
之前一直没有找到实现这个目标的有效路径，直到我使用 Obsidian 作为我的知识库，我这个想法才真正的变成了现实。
构建的底层原理：什么是 RAG？
构建个人知识库智能问答体，其实标准的做法那就是 RAG。
什么是 RAG？RAG (Retrieval-Augmented Generation，检索增强生成) 最简单理解是：它给大模型（LLM）配了一个实时查阅的"外挂数据库"或"离线手册"。
大模型虽然强大，但有两个致命伤：
- 幻觉（Hallucination）：没见过的数据它会一本正经地胡说八道。
- 知识滞后：它的知识停留在训练结束的那一天（比如 2023 或 2024 年）。
RAG 的核心思想： 既然模型不能实时记住所有新知识，那就在回答问题前，先去"书架"上把相关的资料查出来，贴在 Prompt 后面发给模型："请参考以下资料回答问题"。
所以我们只要把我们的 Obsidian 本地知识库作为外挂知识库让本地的模型参考，那他就可以基于这些知识回答我们的问题。
但是一般的模型并不能直接读取原始的文档，这中间需要一个对文档建立索引的过程，也就是将文档向量化。具体的过程如下：
- 读取：扫描 Obsidian 库中的 .md文件。
- 切片：把长文章切分成一个个小的文本块（Chunks）。
- 嵌入 (Embedding)：利用 BGE-M3 模型，将这些文本块转换成高维向量。比如，"Obsidian 插件配置" 这段文字会被转化成一组代表其语义的数字。
- 存储：将这些向量存入本地的 ChromaDB 数据库。
完成这一步后，我们的知识库内容就可以被大模型检索和识别了。接下来就是第二步：大模型通过 RAG 的方式回答我们的私人问题。
它首先会识别用户的问题，把用户的问题也转成向量，然后在 ChromaDB 中快速寻找与问题最相关的笔记片段（Top-K）。将找出的文档块拼接到 Prompt 中，调用本地的推理模型生成答案，我使用的本地推理模型是 qwen-corder3:30b。
构建属于自己的 MyGPT
构建本地知识库也有很多种选择，也有些开源的产品选择，比如 RAGFlow 或者 PrivateGPT。我个人是选择了自己开发，有以下几个原因：
- RAGFlow 虽然能力很强但是特别的重，它需要跑 Docker，启动一堆服务。
- PrivateGPT 虽然相对轻量，但也需要一定的研究成本，且最重要的是，我希望能够进行高度的个性化定制。
因此，我用 electron 构建了一个 mac 原生的应用，其中的核心模块之一就是 MyGPT。目前，这个 MyGPT 已经完美实现了上述的个人知识库问答功能。未来，我还计划加入工具调用功能，从而实现真正的本地 Agent。
如上图所示，我可以问："我今年的取暖费交了没，交了多少钱？"它不仅能精准地告诉我答案，还会列出原始文档的参考来源。点击这个参考来源，可以直接跳转到 Obsidian 的原始文档，这是许多其他 RAG 产品所无法做到的体验。
利用同样的方法，我也将吴军老师的一些内容制作成了知识库，作为我的第三方外部知识库加以利用。我可以在做问答的时候选择加载的知识库。
如果你也有和我类似的需求，也可以试试我现在的这种做法。
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在这里。