核心用法
Zettel Brainstormer 是一套面向 Zettelkasten 笔记系统用户的智能创意扩展工具。其核心流程分为三个阶段：
1. 发现关联：通过 find_links.py 脚本追踪维基链接（支持 N 层深度）和标签相似性，从本地笔记库中检索相关文档；
2. 智能预处理：使用轻量级模型（preprocess_model）对每篇关联笔记进行结构化提取，输出相关性评分、摘要、关键要点和引用（控制在 200-600 tokens 以节省成本）；
3. 深度 drafting：调用专业模型（pro_model）综合所有预处理结果，生成带有 Obsidian 属性、标签和链接的完整草稿，支持风格匹配。
用户可通过 setup.py 完成首次配置，自定义模型选择、笔记目录、搜索深度等参数。触发指令包括 "brainstorm X"、"expand this draft" 等自然语言指令。
显著优点
- 成本-质量平衡：三阶段流水线设计，轻量模型处理大批量数据，昂贵模型仅用于最终 synthesis，显著降低 API 开销；
- 深度关联挖掘：同时支持维基链接层级遍历和标签语义匹配，超越简单关键词搜索；
- 生态系统集成：原生支持 Obsidian 格式，可无缝对接现有知识管理工作流；
- 可配置性强：模型、目录、搜索策略均可自定义，适应从个人笔记到团队知识库的不同规模。
潜在缺点与局限性
- 初始配置门槛：需手动运行 setup 脚本并理解
models.json配置逻辑，对非技术用户不够友好； - 本地依赖限制：仅支持本地 Zettelkasten 文件系统，无法直接集成云端笔记服务（如 Notion、Roam Research）；
- 预处理质量波动：轻量模型的提取效果直接影响最终 draft 质量，廉价模型可能遗漏关键 nuance；
- 链接深度权衡：默认 2 层深度/10 篇上限可能在大型知识库中遗漏重要关联，提高参数则线性增加成本；
- 缺乏实时协作：设计为单人工作流，无并发编辑或版本冲突处理机制。
适合人群
- 使用 Obsidian/Zettelkasten 方法的知识工作者、研究人员、作家；
- 拥有 500+ 笔记、需要突破"孤立笔记"困境的中高级笔记用户；
- 愿意投入时间优化 AI-人协作流程的效率极客（power users）。
常规风险
- 隐私泄露：笔记内容需经第三方 API（OpenAI/Anthropic 等）处理，敏感信息存在传输风险；建议配置本地模型或审查
preprocess_model的数据处理协议； - 幻觉污染：AI synthesis 可能生成与原文不符的"合理 sounding"内容，需人工验证关键引用；
- 成本失控：大型知识库+深层链接遍历可能导致 token 消耗激增，建议设置预算上限；
- 笔记依赖腐蚀：过度依赖 AI 扩展可能削弱用户的主动关联思考能力，建议保留"无 AI" 的原始写作环节。