核心用法
Zettel Brainstormer 是一套专为 Obsidian/Zettelkasten 用户设计的智能笔记增强工作流。用户只需指定一个种子笔记，系统即自动执行三阶段管道：首先通过 find_links.py 扫描本地笔记库，追踪 wikilinks（支持 N 层深度、M 篇上限）并匹配重叠标签，可选集成 obsidian-cli 或语义搜索发现"隐藏概念关联"；随后以低成本模型并行预处理所有相关笔记，提取相关性评分、摘要、关键论点与引用；最终由专业模型综合所有材料，生成带有 Obsidian 属性、标签和外链的标准化草稿。
显著优点
1. 网络效应放大：将孤立笔记重新嵌入知识图谱，激活沉睡的关联，实现卢曼式"意外发现"（serendipity）的自动化。
2. 成本分层设计：预处理用廉价模型、终稿用专业模型，兼顾质量与经济性，适合大规模知识库。
3. 生态兼容性强：原生支持 Obsidian wikilink 语法，可选 obsidian-cli 索引、zettel-link 语义发现，对现有工作流侵入性极低。
4. 可扩展架构：JSON 配置 + 模板化指令，便于用户自定义提取策略与输出风格。
潜在缺点与局限性
- 依赖本地知识库质量：若笔记本身缺乏结构化链接或标签，召回率会显著下降；语义发现虽可弥补，但增加复杂度与成本。
- 上下文窗口瓶颈：大规模笔记库在终稿阶段可能触及 token 上限，需手动调整
max_links参数牺牲召回率。 - 模型幻觉传导：预处理阶段的廉价模型若提取错误，可能在终稿中被放大；缺乏人工校验环节。
- 冷启动成本：首次运行需配置 Python 环境、路径及可选 CLI 工具，对非技术用户存在门槛。
适合人群
- 拥有 500+ 笔记的中重度 Obsidian/Zettelkasten 实践者
- 学术研究者、作家、知识管理者，需将碎片素材快速整合为文章框架
- 对 AI 辅助写作有基础认知，愿意维护本地工具链的技术型用户
常规风险
- 隐私泄露：脚本扫描本地文件系统，若配置
search_skill启用网络搜索，可能意外上传敏感笔记标题或片段。 - 数据覆盖：
output_dir若与zettel_dir重叠，存在草稿覆盖原稿风险，建议隔离目录。 - 依赖维护：
obsidian-cli与zettel-link为外部可选依赖，版本迭代可能导致接口失效。