obsidian-bmo-chatbot

527 61 简单 1 次阅读 2天前MIT插件语言模型

AI 解读由 AI 自动生成，仅供参考

obsidian-bmo-chatbot 是一款专为 Obsidian 笔记软件设计的智能助手插件，旨在让用户在撰写笔记时，能够无缝调用各类大语言模型（LLM）来激发灵感、生成内容或进行头脑风暴。它有效解决了传统写作中思路卡顿、资料整理耗时以及难以即时获取 AI 辅助的痛点，将对话式 AI 深度融入用户的知识管理流程。

这款工具非常适合依赖 Obsidian 构建第二大脑的知识工作者、研究人员、学生以及任何希望提升笔记效率的用户。其独特亮点在于极高的兼容性与灵活性：不仅支持 OpenAI、Anthropic、Google Gemini 等主流云端模型，还能通过本地部署的 Ollama 或 LM Studio 连接私有化模型，充分保障数据隐私。此外，obsidian-bmo-chatbot 允许用户自定义具有特定人设与专业知识的机器人角色，并能在聊天窗口中直接渲染 Obsidian 特有的 Markdown 格式（如 Dataview 代码块），确保生成的内容与现有笔记风格完美统一。无论是从当前笔记上下文发起对话，还是选中特定文本进行针对性生成，它都能提供流畅且高度定制化的智能体验。

使用场景

一位知识管理博主正在 Obsidian 中撰写关于"2024 年 AI 技术趋势”的深度文章，需要整合大量碎片化笔记并生成结构化大纲。

没有 obsidian-bmo-chatbot 时

思维断层严重：在写作卡壳时，必须切换浏览器去外部网页版 AI 提问，打断心流，回来后再手动复制粘贴内容，效率极低。
上下文割裂：外部 AI 无法直接读取当前笔记中的私有数据和前文逻辑，每次都需要重新输入背景信息，导致生成的建议缺乏针对性。
格式整理繁琐：从外部获取的回答通常是纯文本或通用 Markdown，插入 Obsidian 后往往丢失双链引用或 Dataview 代码块样式，需二次手工调整。
角色单一固定：难以快速切换“批判性审稿人”或“创意发散者”等不同视角来打磨同一篇笔记，只能依赖通用默认回复。

使用 obsidian-bmo-chatbot 后

沉浸式创作：直接在编辑器内调用本地 Ollama 或云端模型进行头脑风暴，选中段落即可通过"Prompt Select Generate"即时获得灵感，全程无需离开界面。
深度上下文感知：插件自动关联当前笔记内容，AI 能基于已有的笔记素材和前文逻辑提供连贯的续写建议或反驳观点，真正实现“与笔记对话”。
原生渲染兼容：生成的回复直接以 Obsidian 标准 Markdown 格式呈现，完美保留内部双链、Dataview 查询块及自定义样式，无需任何格式清洗。
个性化角色预设：通过 Profiles 功能一键切换不同人设（如“严谨的技术顾问”或“活泼的创意伙伴”），针对同一主题获取多维度的差异化洞察。

obsidian-bmo-chatbot 将大语言模型无缝嵌入笔记工作流，让 AI 从“外部搜索工具”转变为懂你上下文的“内在创作搭档”。

运行环境要求

操作系统

Windows
macOS
Linux

GPU

非必需（取决于所选 LLM 后端
若使用本地 Ollama 或 LM Studio，需参考对应模型的 GPU 要求）

内存

未说明（取决于所选 LLM 模型的大小）

依赖

notes该工具是 Obsidian 社区插件，并非独立的 Python 应用程序。运行环境主要依赖 Obsidian 客户端。若使用本地大模型，需单独安装并运行 Ollama、LM Studio 等服务并提供 REST API 地址；若使用云端模型（如 OpenAI、Anthropic），则仅需配置 API Key。插件本身通过 npm install 和 npm run build 进行构建。

python未说明

Node.js/npm (用于构建插件)

Ollama 或 LM Studio (可选，用于本地模型)

有效的 LLM API Key (用于云端模型)

快速开始

BMO 聊天机器人 for Obsidian

使用来自 Ollama、LM Studio、Anthropic、Google Gemini、Mistral AI、OpenAI 等的大型语言模型 (LLMs)，在创建笔记时生成内容并进行头脑风暴。

original_example

功能

个人资料

创建具有特定知识、个性和预设的聊天机器人。

profiles_example

BMO 生成

使用您连接的 LLM 在编辑器中生成回复。

bmo_generate_example

“提示选择生成”命令

在编辑器中提示、选择并生成内容。

prompt_select_generate_example

Obsidian Markdown 渲染

渲染代码块（例如 Dataview），这些代码块可以在您的聊天视图中显示。使用系统提示自定义您的聊天机器人回复。

dataview_example

需求

如果您想通过 Ollama 或 LM Studio 与自托管大型语言模型 (LLMs) 交互，您需要先设置并运行自托管 API。您可以按照自托管 API 提供商的说明来启动和运行它。一旦您获得了自托管 API 的 REST API URL，就可以将其与本插件一起使用，与您的模型进行交互。

访问其他模型可能需要 API 密钥。

请参阅说明以设置与其他 LLM 提供商的连接。

您可以在 GPT4ALL 的“模型探索”部分或 Ollama 的库中探索一些模型。

如何激活插件

三种方法：

Obsidian 社区插件（推荐）：

在 Obsidian 社区插件中搜索“BMO Chatbot”。
在设置中启用“BMO Chatbot”。

从本仓库激活插件：

在终端中导航到插件文件夹。
运行 npm install 以安装插件所需的任何依赖项。
安装完依赖项后，运行 npm run build 来构建插件。
插件构建完成后，即可激活。

使用 Beta Reviewers Auto-update Tester (BRAT) 安装 - 使用 BRAT 的快速指南

在 Obsidian 社区插件中搜索“Obsidian42 - BRAT”。
打开命令面板，运行命令 BRAT: 添加一个用于测试的测试版插件（如果您希望插件版本冻结，请使用命令 BRAT: 添加一个基于发布标签的冻结版本的测试版插件）。
粘贴“https://github.com/longy2k/obsidian-bmo-chatbot”。
单击“添加插件”。
在 BRAT 确认安装后，在设置中转到社区插件选项卡。
刷新插件列表。
找到您刚刚安装的测试版插件并启用它。

开始使用

要开始使用该插件，请在设置菜单中启用它，并插入来自提供商的 API 密钥或 REST API URL。完成这些步骤后，您可以通过单击左侧边栏中的机器人图标来访问机器人面板。

命令

/help - 显示帮助命令。
/model - 列出或更改模型。
- /model 1 或 /model "llama2"
  - ...
/profile - 列出或更改个人资料。
- /profile 1 或 /profile [PROFILE-NAME]
/prompt - 列出或更改提示。
- /prompt 1 或 /prompt [PROMPT-NAME]
/maxtokens [VALUE] - 设置最大 token 数。
/temp [VALUE] - 更改温度范围，从 0 到 2。
/ref on | off - 开启或关闭引用当前笔记的功能。
/append - 将当前聊天历史附加到当前活动笔记。
/save - 将当前聊天历史保存到笔记中。
/load - 列出或加载聊天历史。
/clear 或 /c - 清除聊天历史。
/stop 或 /s - 停止获取回复。

支持的模型

使用 Ollama 的任何自托管模型。
- 请参阅说明以将 Ollama 与 Obsidian 配合使用。
使用基于 OpenAI 端点的任何自托管模型。
- LM Studio
- LocalAI
Anthropic（警告：Anthropic 模型无法中断。请谨慎使用。如有必要，请重新加载插件。）
- claude-instant-1.2
- claude-2.0
- claude-2.1
- claude-3-haiku-20240307
- claude-3-sonnet-20240229
- claude-3-5-sonnet-20240620
- claude-3-opus-20240229
Mistral AI 的模型
Google Gemini 模型
OpenAI
- gpt-3.5-turbo
- gpt-4
- gpt-4-turbo
- gpt-4o
- gpt-4o-mini
任何 Openrouter 提供的模型。

其他说明

“BMO”是该项目的标签名。灵感来源于《探险活宝》中的角色“BMO”。

Be MOre!

贡献

任何想法或支持都将不胜感激！

目前我太忙了，无法更新项目。欢迎提交拉取请求！ :)

如果您发现任何错误或有改进建议，请创建一个问题。

如果您想分享您的想法、个人资料或其他内容，请加入或创建讨论。

Obsidian BMO Chatbot 快速上手指南

BMO Chatbot 是一款强大的 Obsidian 插件，允许你在笔记创作过程中直接调用大语言模型（LLM）进行灵感生成、头脑风暴和对话。它支持 Ollama、LM Studio、OpenAI、Anthropic、Google Gemini 等多种模型提供商。

环境准备

在开始之前，请确保满足以下条件：

Obsidian 客户端：已安装最新版本的 Obsidian。
大语言模型服务（二选一）：
- 本地部署（推荐）：安装并运行 Ollama 或 LM Studio。确保对应的 REST API 服务正在运行（通常 Ollama 默认地址为 http://localhost:11434）。
- 云端 API：拥有 OpenAI、Anthropic、Google Gemini 等服务的 API Key。
网络环境：若使用国内网络访问海外模型服务（如 OpenAI），请确保网络通畅或配置好代理；若使用本地模型（Ollama/LM Studio），则无需额外网络配置。

安装步骤

方法一：通过社区插件安装（推荐）

这是最简单且稳定的安装方式：

打开 Obsidian，进入 设置 (Settings) > 社区插件 (Community plugins)。
关闭“安全模式”（如果尚未关闭），点击 浏览 (Browse)。
在搜索框中输入 BMO Chatbot。
找到插件后点击 安装 (Install)，安装完成后点击 启用 (Enable)。

方法二：手动构建安装（适用于开发者）

如果你需要从源码构建最新版本：

在终端中克隆仓库或进入插件文件夹：

git clone https://github.com/longy2k/obsidian-bmo-chatbot.git
cd obsidian-bmo-chatbot

安装依赖项：
```
npm install
```
构建插件：
```
npm run build
```
将生成的 main.js、manifest.json 和 styles.css 文件复制到你的 Obsidian 仓库下的 .obsidian/plugins/obsidian-bmo-chatbot/ 目录中。
在 Obsidian 设置中启用该插件。

方法三：使用 BRAT 插件安装（测试版）

如果你想体验最新的测试版本：

在社区插件中搜索并安装 Obsidian42 - BRAT。
打开命令面板 (Ctrl/Cmd + P)，运行 BRAT: Add a beta plugin for testing。
粘贴仓库地址：https://github.com/longy2k/obsidian-bmo-chatbot。
点击 Add Plugin，确认后在 community plugins 列表中刷新并启用。

基本使用

1. 配置模型连接

启用插件后，点击左侧侧边栏的 机器人图标 打开聊天面板。
首次使用时，插件会提示配置。
- 本地模型：选择 Provider 为 Ollama 或 LocalAI，输入 API URL（例如 http://localhost:11434）。
- 云端模型：选择对应的提供商（如 OpenAI），并在设置中填入你的 API Key。
在聊天窗口中使用 /model 命令切换或确认当前模型：
```
/model llama2
```
或者通过图形界面选择已加载的模型。

2. 开始对话与生成

开启新对话：直接在聊天输入框输入问题，例如：“帮我总结这篇笔记的核心观点”。
引用当前笔记：输入 /ref on 开启上下文引用，Bot 将自动读取当前打开的笔记内容作为背景知识。
选中生成：在编辑器中选中一段文字，打开命令面板运行 BMO: Prompt Select Generate，可针对选中内容进行扩写或润色。

3. 常用命令速查

在聊天输入框中输入以下命令来控制行为：

/help：查看所有可用命令。
/profile [名称]：切换预设的角色人设（如“专业作家”、“代码助手”）。
/save：将当前聊天记录保存为一个新的 Markdown 笔记。
/load：加载历史聊天记录。
/append：将当前对话内容追加到当前激活的笔记末尾。
/clear 或 /c：清空当前聊天历史。
/stop 或 /s：停止当前正在生成的回复。

4. 高级功能：Markdown 渲染

BMO Chatbot 支持在聊天窗口中直接渲染 Obsidian Markdown 语法，包括代码块和 Dataview 查询结果。你可以通过系统提示词（System Prompt）定制 Bot 的输出格式，使其完美融入你的笔记工作流。

版本历史

2.3.32024/07/25

2.3.22024/07/21

2.3.12024/07/14

2.3.02024/07/13

2.2.02024/07/08

2.1.22024/07/03

2.1.12024/05/24

2.1.02024/05/23

2.0.02024/03/18

1.9.02024/03/16

1.8.92024/03/04

1.8.82024/02/26

1.8.72024/02/11

1.8.62024/02/05

1.8.52024/02/04

1.8.42024/02/03

1.8.32024/01/18

1.8.22024/01/16

1.8.12024/01/16

1.8.02023/12/30

常见问题

为什么 BMO 会出现自言自语或重复回复的现象？

连接 Ollama 后发送提示词但没有收到任何回复怎么办？

升级插件后 Ollama API 停止工作，显示“未找到连接”且模型列表为空？

本地部署的 llama.cpp 或 Jan.ai 突然无法连接或获取模型？

聊天消息顺序错乱、消失或删除功能误删消息怎么办？

Mac 用户如何正确配置 Ollama 以避免端口冲突并成功加载模型？

相似工具推荐

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 140.4k|★★☆☆☆|今天

开发框架Agent语言模型

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备

★ 90.1k|★★★☆☆|今天

语言模型图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。

★ 87.6k|★★☆☆☆|昨天

开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|昨天

图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|2天前

Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。

★ 75k|★★★☆☆|今天

语言模型图像开发框架