McKay 的 Obsidian 笔记库里有上千个文件。
但他几乎不需要手动整理标签，不需要手动创建文件夹，连每天的日记模板都是 AI 自动生成的。打开他的知识图谱，你会看到一张错综复杂的关系网——节点之间自动连接，标签系统自动维护，文件按照他的思维习惯自动归档。
这不是什么科幻场景。McKay 是一名开发者，但他做这件事用的工具，你也能用。他把 Anthropic 推出的 Claude Code——一个原本为程序员设计的 AI 编码工具——改造成了一个「笔记智能体」。在 Obsidian 里，它不写代码，它写笔记、做研究、管理文件，甚至能在你散步的时候，自己在云端跑起来，完成你交代的任务。
如果你还在一个个手动整理笔记，你可能正在用打字机时代的方式管理知识。
McKay 的笔记系统不是一天建成的。
他是典型的「知识库强迫症患者」——喜欢把信息连起来，喜欢看着知识图谱一点点长大。但随着笔记越来越多，维护成本也越来越高。手动打标签？太慢。手动建立双向链接？容易漏。每次想找某个概念，得在搜索框里试三四个关键词。
他的转折点出现在 2025 年初，Anthropic 发布了 Claude Code。
这是一个命令行工具，本质上是把 Claude AI 搬进了终端，让它可以直接操作文件、运行脚本、调用工具。大多数人把它当成「AI 结对编程助手」——你描述功能，它写代码。但 McKay 看到的是另一种可能性：「这不就是一个超级灵活的 AI 智能体吗？」
Obsidian 的笔记都是 Markdown 文件。Claude 最擅长的就是 Markdown。两者结合，几乎没有摩擦。
McKay 试着在 Obsidian 的笔记库文件夹里运行 Claude Code，输入了一句话：「帮我创建一个斐波那契数列的笔记。」几秒钟后，笔记出现了——标题、正文、标签、格式，全都自动生成。他又试了一句：「把数学相关的文件放进一个文件夹。」Claude Code 自己搜索了整个笔记库，找到了那个刚创建的斐波那契笔记，新建了一个「Math」文件夹，把文件挪了进去。
他意识到，这不是工具，这是劳动力。
McKay 的方法论核心是「让 AI 学会你的规则」。
他的第一步，是创建一个「规则文件」。在 Obsidian 笔记库的根目录，他让 Claude Code 生成了一个 CLAUDE.md 文件。这个文件像是 AI 的「员工手册」——每次 Claude Code 启动，都会读取这个文件，把里面的规则注入到自己的系统提示词里。
「你是我的笔记助手。笔记风格简洁，标题用二级标题，正文用短句。标签放在文件最底部，用 # 格式。创建文件时，优先放进 /daily、/projects、/research 这三个文件夹。」
这个文件只有 200 多字，但它改变了一切。
McKay 不需要每次都重复自己的偏好。他只需要更新这个文件，Claude Code 就会在所有任务中自动遵守。他甚至在里面写了一句：「如果不确定，问我。」于是 Claude Code 在遇到模糊指令时，会主动追问——就像一个真正的助手。
但光有规则还不够。McKay 的第二步，是创建「可复用的指令」。
Claude Code 支持自定义命令——你可以写一个 Markdown 文件，把复杂的任务流程固化成一条命令。McKay 创建了一个 /daily-template 命令：打开终端，输入 /daily-template，然后语音输入今天的目标。Claude Code 会自动生成一篇日记，包括日期、待办事项、反思区域，甚至会根据你的语音内容，自动补充相关的上下文信息。
「我每天早上花 30 秒说话，它就帮我生成一篇结构化的日记。以前我要手动复制模板，手动改日期，手动填内容。现在这些全自动了。」
他还有一个 /tag-file 命令。选中一个笔记，运行这个命令，Claude Code 会读取笔记内容,参考 TAGS.md 文件里定义的标签系统，自动给笔记打上合适的标签。如果遇到新概念，它甚至会问你：「这个概念要不要加进标签系统？」
到这里，大多数人会觉得够了。
但 McKay 发现了一个问题——他需要的不是「一个 AI」，而是「一群 AI」。
他开始用「子智能体」。
Claude Code 有一个功能叫 Sub-Agents——你可以让它同时启动多个并行任务。McKay 给了它一个指令：「帮我研究 OpenAI、Anthropic、Google 三家公司的 AI 模型定价，按每百万 token 计算，做成表格。」
Claude Code 立刻启动了三个子智能体，每个负责一家公司。它们同时去网上搜索，同时抓取数据，同时整理格式。几分钟后，一篇笔记自动生成——表格、数据、备注，全都在。
这就是「AI 智能体」和「AI 聊天工具」的本质区别。
ChatGPT 和 Claude 的网页版，像是「顾问」——你问，它答。但 Claude Code 像是「实习生」——你交代任务,它自己去找工具、跑流程、交付结果。它会主动调用网页搜索、读取文件、创建文件夹、修改内容，甚至可以连接外部 API。
McKay 最喜欢的一个场景是「边走边研究」。
他把 Obsidian 笔记库同步到 GitHub。然后在 GitHub 上装了 Claude Code 的自动化插件。现在，他在手机上打开 GitHub，创建一个 Issue，写上：「帮我研究 Vercel AI SDK 的最新文档，整理成笔记。」然后 @ 一下 Claude。
Claude Code 会在云端自动启动，去爬文档、提取关键信息、生成笔记、提交 Pull Request。等他散步回来，打开电脑，笔记已经在 Obsidian 里了——他只需要合并 PR，就能看到完整的研究报告。
「我把它当成一个 24 小时在线的研究助理。我只负责提问题，它负责找答案。」
这听起来很技术，但本质上是一个「委托决策」的问题。
McKay 的系统背后，是一套「已知解释未知」的认知框架。
他用了一个比喻：「你最后一次在超市买电钻——你不是在买电钻，你是在买墙上的那个洞。PRD 就是电钻，原型就是那个洞。」
这是乔布斯「Jobs to Be Done」理论的核心思想。用户要的不是工具本身，而是工具能完成的任务。McKay 说，大多数人用 AI 的时候，还在「买电钻」——他们关心模型参数、上下文窗口、提示词技巧。但真正的效率提升，来自「买洞」——你要的不是 AI 回答得多聪明,而是它能不能帮你把任务完成。
Claude Code 的本质，是把「对话」变成「执行」。
传统的 AI 工具，你和它聊完,还得自己去复制粘贴、手动操作。但 Claude Code 直接跳过这一步——它读取文件、修改文件、创建文件夹、调用 API、搜索网页。你只需要说「我要什么」，它负责「怎么做」。
这就是为什么 McKay 坚持叫它「Claude Agent」而不是「Claude Code」。
代码只是它的一个应用场景。笔记是另一个。销售、写作、数据分析、项目管理——任何需要「读取信息 + 处理信息 + 输出结果」的任务，都可以变成 Agent 的工作流。
但这套系统不是万能的。
McKay 很清楚它的局限性。
第一，门槛还是有。虽然他在视频里说「非技术人员也能用」，但你至少得会打开终端、输入命令、理解文件路径。对很多人来说，这已经足够劝退。
第二，成本不算低。Claude Code 需要 Claude 订阅（每月 20 美元起）或 API 密钥。如果你频繁使用，费用会累积。McKay 自己用的是 Claude Max 计划——每月 200 美元。
第三，它会犯错。AI 不是人，它会误解你的指令，会删错文件，会生成格式不对的内容。McKay 建议新手开启「手动审批模式」——每次 Claude Code 要修改文件，都需要你点确认。等熟悉了再开启自动模式。
第四，这套工作流很个人化。McKay 的规则文件、自定义命令、标签系统，都是为他自己设计的。如果你照搬，不一定适合你。你需要花时间调整、测试、迭代。
最重要的是，这套系统的价值，和你的笔记库大小成正比。
如果你的 Obsidian 里只有十几篇笔记，手动管理可能更快。但如果你有上百篇、上千篇笔记，AI 自动化的边际效益会越来越高。McKay 的笔记库用了好几年才长到现在这个规模——他的自动化系统,是为这个规模设计的。
McKay 在视频最后说了一句话：「我们只是刚刚开始挖掘 AI 智能体的可能性。」
他提到，未来可能不需要 Obsidian。你可以自己搭一个笔记界面,底层直接连 Claude Code。它会根据你的思维习惯,自动组织信息、自动生成摘要、自动建立连接。你只需要输入原始想法，其他的全都自动化。
这让我想到一个问题：当 AI 可以帮你整理所有笔记、管理所有知识，「笔记」这件事本身还有意义吗？
McKay 的答案是：「笔记不是为了记录,是为了思考。AI 负责记录，你负责思考。」
他的 Obsidian 笔记库，现在更像是一个「外部大脑」。他把信息扔进去，AI 帮他分类、连接、检索。他需要某个概念的时候,直接问 AI：「我之前关于 X 的笔记在哪？」AI 会找出来，甚至会总结相关的上下文。
但问题在于——当 AI 变成你的「外部大脑」，你的「内部大脑」会不会退化？