RAG工作流：Claude + Obsidian Vault集成

将库分块。把每篇Markdown笔记拆成约500个token的片段，保留文件路径和标题作为元数据。 本地嵌入。在本地运行嵌入模型（nomic-embed、BGE或MiniLM）处理每个片段。这里不调用Claude，这部分免费且在你的机器上运行。 存储向量。将它们放入本地向量数据库（Chroma、LanceDB或sqlite-vec）。现在，1000万token的笔记变成了可搜索的索引，而不是提示词。 按问题检索。嵌入问题，按相似度拉取最接近的5到10个片段。 调用Claude。只通过API发送问题加上那些片段。Claude基于你自己的笔记给出答案。 封装。在localhost上运行本地Web应用，将库渲染为3D力导向图。 为什么Claude用量下降：一个朴素的构建会把整篇笔记塞进每个提示词，所以你为从未需要的数千个token付费。RAG只发送匹配的少数片段，因此每次调用的输入token大幅减少。搜索本身在本地嵌入模型上运行，所以找到答案从不触及Claude。提示缓存以输入成本的一小部分复用固定的系统提示词。 图上的空中手势：在浏览器中运行MediaPipe手部跟踪，它每帧返回每只手21个关键点。将手势映射到图：拇指尖到指尖距离低于阈值即为捏合，选择节点。张开手掌移动即旋转，双手分开即缩放。用Three.js上的3d-force-graph渲染图，将关键点增量输入轨道控制和节点拾取。对于真正的触摸屏，将MediaPipe换成指针和触摸事件：捏合缩放，拖动旋转，点击选择。