在Windows下用Claude Code、Ollama和Obsidian构建本地知识库的详细方案，包含机理、步骤、UML建模和项目文件结构。

涉及多个工具的配合，先了解它们各自在Windows上的安装配置、核心功能以及如何协同工作。

几个关键方向：Claude Code的Windows安装和使用、MCP配置方法、Ollama在Windows上的部署、以及Obsidian与AI插件集成的信息。

关于Claude Code，主要安装方式是通过PowerShell脚本或npm，依赖Node.js 18+，并且官方提供了详细的Windows安装指南。

MCP配置方面，有专门的npm包（如obsidian-mcp）可以连接Obsidian库，这正好是连接Claude Code和Obsidian的关键。

Ollama在Windows上安装很简单，有官方安装包，也支持通过winget安装。

Obsidian有“LLM Wiki”这类插件可以直接基于Ollama构建可查询的知识库。

另外，本地REST API插件是实现MCP连接的一个基础。

Claude Code + Ollama + Obsidian：Windows 本地大模型知识库深度实施指南

一、系统架构总览

1.1 三层架构

整个系统采用“知识存储层→AI推理层→智能交互层”的三层架构，各层之间通过标准化接口（MCP协议、REST API）实现松耦合通信。

层级	组件	职责	在Windows上的形态
知识存储层	Obsidian	管理Markdown笔记文件，支持双向链接、标签、YAML Frontmatter元数据	Windows桌面应用程序，笔记以.md文件形式存储在本地磁盘
AI推理层	Ollama + MCP Server	运行本地大语言模型和嵌入模型，提供推理和向量化服务；MCP Server作为协议桥接	Windows服务进程（默认端口11434），模型存储在%USERPROFILE%\.ollama
智能交互层	Claude Code	作为AI Agent，通过MCP协议调用工具，读写Obsidian笔记库	Windows命令行工具（PowerShell/Git Bash），通过MCP发现并调用下层服务

1.2 数据流动路径

数据流说明：

步骤	方向	数据内容	传输协议	说明
①	用户 → Claude Code	自然语言指令	终端输入	用户在终端中描述任务需求
②	Claude Code → MCP Server	工具调用请求（如读取/搜索笔记）	MCP/stdio（JSON-RPC）	Agent决定调用某个MCP工具完成任务
③	MCP Server → Obsidian	文件读/写操作	操作系统文件系统调用	直接操作.md文件，无需Obsidian打开
④	Claude Code → Ollama	模型推理请求（对话/嵌入）	Ollama REST API（HTTP/11434）	Agent需要模型推理时向Ollama发请求
⑤	Ollama → Claude Code	模型推理结果	HTTP Response（JSON）	返回生成文本或嵌入向量
⑥	MCP Server → Claude Code	工具执行结果	MCP/stdio（JSON-RPC）	返回文件内容或操作状态给Agent
⑦	Claude Code → 用户	最终回答	终端输出	Agent整合上下文和工具结果，生成最终回答

1.3 架构决策记录（ADR）

决策编号	决策内容	理由	权衡
ADR-001	选择MCP协议而非HTTP直接调用	MCP提供标准化工具发现、调用和权限管理机制	增加了额外服务进程，但换取了更好的可扩展性和安全性
ADR-002	选择文件系统直接访问而非Local REST API	文件系统访问更轻量，不依赖Obsidian运行状态	无法利用Obsidian插件生态（如Dataview动态查询）
ADR-003	选择qwen2.5:7b作为默认对话模型	中文理解能力强，7B参数量在消费级硬件上可流畅运行	在复杂推理任务上不如大型云端模型
ADR-004	Windows原生安装而非WSL	与Windows文件系统和Obsidian的直接集成更简便	WSL环境可能提供更丰富的Linux工具链支持

二、核心机理深入解析

2.1 MCP协议：AI Agent与工具之间的“USB-C接口”

MCP（Model Context Protocol）是Anthropic提出的一种开放标准协议，其核心理念类似于USB-C——为AI模型与外部工具之间提供一个统一的“插拔”接口。它基于JSON-RPC 2.0协议，定义了三种核心通信原语：

原语	方向	作用	示例
Tools	Server → Client	服务器暴露可调用的工具列表	read_note、search_content、create_note
Resources	Server → Client	暴露可读取的数据资源	笔记内容、文件夹结构、标签列表
Prompts	Server → Client	预定义的提示词模板	“总结这篇笔记”、“提取关键概念”

在Claude Code中，MCP Server通过stdio传输（标准输入/输出流）与Claude Code通信。Claude Code启动时，会自动启动配置文件中定义的MCP Server子进程，并通过子进程的stdin/stdout交换JSON-RPC消息。整个交互遵循严格的请求-响应模型：

2.2 Ollama模型推理的内部机制

Ollama在Windows上以系统服务形式运行，默认监听 127.0.0.1:11434 端口，提供兼容OpenAI格式的REST API。当Claude Code配置为使用Ollama作为模型后端时，所有推理请求都会路由到这个本地端点。

对话模型推理流程（以问答为例）：

1. 请求构建：Claude Code将用户问题与系统提示词组装成Chat Completions格式的JSON请求体
2. HTTP发送：POST请求发往 http://localhost:11434/v1/chat/completions
3. 模型加载：Ollama检查请求的模型是否已加载到内存（若未加载，从磁盘加载GGUF格式的量化模型）
4. GPU加速：若系统有NVIDIA/AMD显卡且驱动正常，Ollama自动将计算卸载到GPU
5. 流式响应：模型逐token生成文本，通过Server-Sent Events实时流式返回
6. 结果整合：Claude Code接收完整响应，进行后续处理或展示

嵌入模型的作用：nomic-embed-text 模型负责将文本段落转换为高维向量（768维），这些向量能捕捉文本的语义信息。在知识库场景中：

• 离线索引阶段：Ollama遍历Obsidian Vault中所有笔记，将每篇笔记的内容和标题分别向量化，建立向量索引
• 在线查询阶段：用户提问后，Claude Code先将问题向量化，然后在索引中通过余弦相似度搜索最相关的笔记，最后将这些笔记作为上下文注入给对话模型生成答案

2.3 Obsidian Vault的Markdown文件结构

Obsidian Vault的本质是磁盘上的一个文件夹，其中所有笔记都以标准.md文件存储。文件内部使用以下结构化约定：

语法元素	格式	作用	示例
YAML Frontmatter	文件顶部的---包裹块	存储结构化元数据（标签、日期、状态等）	tags: [AI, 机器学习]
WikiLink双向链接	[[笔记名]] 语法	建立笔记之间的关联	参见[[监督学习详解]]
标签	#标签名	分类和过滤笔记	#project/active
Markdown标题	# ## ### 层级标题	组织结构化内容	## 核心算法

2.4 Windows特有的技术考量

在Windows上部署此方案，有以下关键差异需注意：

技术点	Linux/macOS	Windows	解决方案
路径分隔符	/	\	统一使用正斜杠/或双反斜杠\\，Node.js自动处理
环境变量引用	$HOME	%USERPROFILE%	在MCP配置中使用绝对路径
Shell环境	Bash/Zsh	PowerShell/CMD	推荐安装Git for Windows获取Bash环境
MCP stdio传输	原生支持	部分MCP Server需要cmd.exe /c包装	使用mcp2win工具自动包装
文件权限	Unix权限模型	NTFS ACL	以管理员身份运行首次安装，后续无需特殊权限

三、项目实施：完整部署步骤

3.1 前置环境准备

系统要求（Windows 10 version 1809+ 或 Windows 11） ：

步骤一：安装Node.js

1. 访问 nodejs.org，下载LTS版本（18.x或20.x）
2. 运行安装程序，勾选“Add to PATH”
3. 验证安装：

node --version   # 应输出 v18.x.x 或 v20.x.x
npm --version    # 应输出 9.x.x 或 10.x.x

步骤二：安装Git for Windows

1. 访问 git-scm.com，下载安装包
2. 安装时选择“Git Bash Here”和“Use Git from the Windows Command Prompt”
3. 验证安装：

git --version    # 应输出 git version 2.x.x

3.2 安装Ollama

推荐方法：官方MSI安装包

1. 访问 ollama.com/download，下载Windows版本安装包
2. 右键安装包，选择“以管理员身份运行”
3. 安装完成后，系统托盘会出现Ollama图标，表示服务已启动
4. 也可以使用winget命令行安装：

winget install Ollama.Ollama

5. 验证安装并检查端口：

ollama --version   # 输出 Ollama v0.x.x
ollama list        # 列出已安装的模型（初始为空）
netstat -ano | findstr 11434   # 确认11434端口已在监听

拉取核心模型：

# 对话模型（推荐qwen2.5:7b，中文能力强，约4.7GB）
ollama pull qwen2.5:7b

# 嵌入模型（用于语义搜索，约274MB）
ollama pull nomic-embed-text

模型下载完成后，存储在 %USERPROFILE%\.ollama\models 目录下。

模型选择参考：

模型名称	参数量	大小	适用场景	中文支持	推荐理由
qwen2.5:7b	7B	~4.7GB	对话/问答/摘要	⭐⭐⭐⭐⭐	通义千问系列，中文效果优异
qwen2.5:14b	14B	~8.9GB	复杂推理/长文理解	⭐⭐⭐⭐⭐	更强的推理能力，需16GB+内存
qwen2.5:3b	3B	~1.9GB	轻量对话/快速响应	⭐⭐⭐⭐	低配设备首选，响应快
llama3:8b	8B	~4.7GB	通用对话	⭐⭐⭐	Meta开源，生态丰富
nomic-embed-text	137M	~274MB	文本向量化	⭐⭐⭐	支持8192 token，短长文本均衡

验证模型可用性：

# 快速测试对话模型
ollama run qwen2.5:7b "请用一句话介绍你自己。"

# 测试嵌入模型
ollama run nomic-embed-text "这是一段测试文本"

3.3 安装Claude Code

推荐方法：PowerShell一键安装

1. 以管理员身份打开PowerShell（右键开始菜单 → “Windows PowerShell (管理员)”）
2. 执行安装命令：

irm https://claude.ai/install.ps1 | iex

3. 等待安装完成，配置PATH：

   • 打开“系统属性 → 高级 → 环境变量”
   • 在“用户变量”的Path中添加 %USERPROFILE%\.local\bin
   • 重启终端

4. 验证安装：

claude --version

5. 首次启动Claude Code时，按提示完成账号认证：

claude          # 启动后按提示登录Anthropic账号

3.4 创建Obsidian Vault

1. 下载并安装 Obsidian
2. 打开Obsidian，点击“创建新库”，选择或创建文件夹，例如：

D:\MyKnowledgeBase\

3. 创建基础的笔记结构：

D:\MyKnowledgeBase\
├── 00-Inbox/          # 收集箱：暂存未整理的笔记
├── 10-Notes/          # 日常笔记
├── 20-Projects/       # 项目相关
├── 30-Resources/      # 参考资料
├── 40-Archive/        # 归档笔记
└── Templates/         # 模板

💡 提示：记下Vault的完整绝对路径，后续配置MCP时需要用到。例如 D:/MyKnowledgeBase（Windows路径建议在配置文件中使用正斜杠）。

3.5 配置MCP Server：连接Claude Code与Obsidian

这是整个方案中最关键的环节。推荐使用 @istrejo/obsidian-mcp，它通过直接文件系统访问方式连接Obsidian Vault，无需Obsidian插件配合，即使Obsidian未打开也能正常工作。

配置步骤：

1. 为Claude Code注册Obsidian MCP Server：

claude mcp add obsidian -e OBSIDIAN_VAULT_PATH=D:/MyKnowledgeBase -- npx -y @istrejo/obsidian-mcp

或者手动编辑全局MCP配置文件 %USERPROFILE%\.claude\mcp.json：

{
  "mcpServers": {
    "obsidian": {
      "command": "npx",
      "args": ["-y", "@istrejo/obsidian-mcp"],
      "env": {
        "OBSIDIAN_VAULT_PATH": "D:/MyKnowledgeBase",
        "OBSIDIAN_READ_ONLY": "false",
        "OBSIDIAN_MAX_FILE_SIZE": "10485760",
        "OBSIDIAN_BACKUP_ENABLED": "true",
        "OBSIDIAN_LOG_LEVEL": "info"
      }
    }
  }
}

关键环境变量说明：

变量名	必填	默认值	说明
OBSIDIAN_VAULT_PATH	✅	-	Obsidian Vault的绝对路径（Windows用正斜杠）
OBSIDIAN_READ_ONLY	❌	false	设为true禁用所有写入操作，适合只读查询场景
OBSIDIAN_MAX_FILE_SIZE	❌	10485760（10MB）	读写操作的文件大小上限（字节）
OBSIDIAN_BACKUP_ENABLED	❌	true	删除笔记前自动备份，强烈建议保持启用
OBSIDIAN_LOG_LEVEL	❌	info	日志级别：debug/info/warn/error

2. 验证MCP Server连接：

# 在Claude Code中查看MCP状态
claude
# 进入Claude Code交互界面后，输入：
/mcp
# 应能看到 obsidian 服务器状态为 connected

3. 测试基本工具调用：

在Claude Code交互界面中输入：

请用 obsidian 工具列出我的知识库中所有的笔记文件。

Claude Code将自动调用 list_notes 工具并返回结果。

备选方案：@mseep/obsidian-mcp-server

如果需要更丰富的功能（如通过Local REST API进行更细粒度的操作），也可以选择 @mseep/obsidian-mcp-server。这个方案需要先在Obsidian中安装“Local REST API”插件，然后通过HTTP协议进行通信。适合需要Obsidian插件生态支持的场景。

3.6 配置Claude Code使用Ollama本地模型

编辑 %USERPROFILE%\.claude\settings.json：

{
  "env": {
    "ANTHROPIC_BASE_URL": "http://localhost:11434/v1",
    "ANTHROPIC_AUTH_TOKEN": "ollama"
  },
  "preferred_model": "qwen2.5:7b"
}

⚠️ 注意：由于Claude Code原生设计用于连接Anthropic API，通过上述配置将其指向Ollama的兼容端点是一种变通方案。如果遇到兼容性问题，可以保持Claude Code使用Anthropic云端API作为“大脑”，而Ollama本地模型作为辅助工具使用。

工作模式说明：

实际上，Claude Code的核心推理引擎仍需要Anthropic API支持，因为它依赖Claude模型的高级推理和工具调用能力。Ollama在本方案中的角色有以下两种使用模式：

模式	Claude Code推理	本地Ollama模型作用	适用场景
混合模式（推荐）	Anthropic API	通过MCP工具间接调用，用于本地嵌入向量化和辅助推理	充分发挥各组件优势
纯本地模式	Ollama API（替代端点）	完全替代云端API	完全离线场景，但功能可能受限

四、UML详细建模

4.1 用例图

用例详述：

UC-01：摄入新知识

• 参与者：知识管理者
• 前置条件：原始资料文件（Markdown/文本）位于指定目录
• 主流程：
  1. 用户将新文章放入 raw/ 目录
  2. 用户在Claude Code中输入：处理 raw/ 中的新文章
  3. Claude Code调用MCP工具读取文件内容
  4. AI分析文章结构，提取核心概念和实体
  5. AI在 wiki/ 目录下创建摘要页面和相关概念页面
  6. AI通过 [[双向链接]] 将新页面与已有页面关联
  7. 更新 index.md 总目录
• 后置条件：新知识已结构化融入知识库
• 异常流程：若文章内容过长超出上下文窗口，分批处理

UC-03：AI问答

• 参与者：知识管理者
• 前置条件：知识库已有索引化的笔记内容
• 主流程：
  1. 用户在Claude Code中提问：机器学习中的过拟合如何解决？
  2. Claude Code调用 search_content 工具进行关键词搜索
  3. Claude Code调用Ollama嵌入模型对问题和笔记向量化，进行语义匹配
  4. 将最相关的笔记内容（Top-K=5）作为上下文注入对话模型
  5. 模型基于检索到的笔记内容生成回答
  6. 回答中附带源笔记的 [[链接]]，方便用户溯源
• 后置条件：用户获得基于知识库的准确回答
• 特殊需求：当知识库中无相关信息时，模型应明确告知而非编造

4.2 组件图

4.3 部署图

4.4 知识摄入序列图

4.5 语义搜索序列图

4.6 状态图：AI Agent决策流程

状态说明：

状态	描述	触发条件	输出
空闲等待	Agent等待用户输入	系统启动或上一轮对话结束	-
解析用户意图	分析用户指令确定需要的操作	用户输入自然语言指令	意图分类结果
调用read_note工具	MCP协议调用文件读取工具	意图为“读取笔记”	笔记内容
调用search_content工具	全文搜索Obsidian Vault	意图为“搜索知识”	候选笔记列表
语义重排序	使用嵌入模型计算语义相似度	候选笔记数量较多	Top-K最相关笔记
调用对话模型	向Ollama发送推理请求	需要生成回答	模型生成的文本
调用create_note/update_note	MCP协议调用文件写入工具	意图为“写入笔记”	操作状态

五、项目文件结构组织

5.1 Obsidian Vault结构

D:\MyKnowledgeBase\                      ← Obsidian Vault 根目录
│
├── .obsidian\                            ← Obsidian 配置目录（自动生成）
│   ├── app.json                          # 应用设置
│   ├── appearance.json                   # 主题外观
│   ├── community-plugins.json            # 社区插件列表
│   ├── core-plugins.json                 # 核心插件配置
│   └── hotkeys.json                      # 快捷键
│
├── 00-Inbox\                             ← ① 收集箱：暂存待整理内容
│   ├── .gitkeep
│   └── 快速笔记模板.md
│
├── 10-Notes\                             ← ② 日常笔记
│   ├── 学习笔记\
│   │   ├── 机器学习.md
│   │   ├── 深度学习.md
│   │   └── 自然语言处理.md
│   ├── 工作日志\
│   │   ├── 2025-01.md
│   │   └── 2025-02.md
│   └── 读书笔记\
│       ├── 《统计学习方法》.md
│       └── 《深度学习入门》.md
│
├── 20-Projects\                          ← ③ 项目相关
│   ├── 项目A\
│   │   ├── 需求分析.md
│   │   ├── 技术方案.md
│   │   └── 会议纪要\
│   │       └── 2025-01-15.md
│   └── 项目B\
│       └── 进展跟踪.md
│
├── 30-Resources\                         ← ④ 参考资料
│   ├── 论文笔记\
│   │   └── Attention-is-All-You-Need.md
│   ├── 技术文档\
│   │   └── Ollama部署指南.md
│   └── 外部链接\
│       └── 优质资源汇总.md
│
├── 40-Archive\                           ← ⑤ 归档笔记
│   └── 2024\
│       └── 已完成项目\
│
├── Templates\                            ← ⑥ 模板
│   ├── 日常笔记模板.md
│   ├── 项目笔记模板.md
│   └── 读书笔记模板.md
│
├── CLAUDE.md                             ← ⑦ AI操作指南（Agent指令手册）
├── index.md                              ← ⑧ 知识库总索引
└── README.md                             ← ⑨ Vault说明文档

5.2 CLAUDE.md：AI Agent操作指南

# CLAUDE.md — Obsidian Vault AI 操作手册

## 角色定义
你是我的个人知识库管家 AI，运行在 Claude Code 中。
你可以通过 MCP 工具直接操作此 Obsidian Vault 中的所有 Markdown 文件。

## 核心规则

### 写入规则
- 所有新建的笔记必须放在相应的文件夹下：
  - 临时/未分类 → `00-Inbox/`
  - 日常笔记 → `10-Notes/`
  - 项目相关 → `20-Projects/`
  - 参考资料 → `30-Resources/`
  - 归档内容 → `40-Archive/`
- 文件命名：使用中文描述性名称，以 `.md` 结尾
- 每个笔记必须包含 YAML Frontmatter：
  ```yaml
  ---
  title: 笔记标题
  date: YYYY-MM-DD
  tags: [标签1, 标签2]
  status: draft | reviewed | final
  ---

链接规则

• 统一使用 Obsidian 的 [[WikiLink]] 语法建立笔记间关联
• 创建新概念页面时，自动在引用它的笔记中添加双向链接
• 避免创建“孤立页面”（没有任何其他笔记链接到它的页面）

摄入规则（处理 raw/ 文件时）

1. 读取文件，提取核心主题
2. 为每个主题在对应文件夹创建摘要笔记
3. 提取关键概念、人物、技术术语，创建概念页面
4. 在概念页面之间建立 [[双向链接]]
5. 更新 index.md 的索引

搜索规则

• 优先使用 MCP 的 search_content 进行关键词搜索
• 结合语义搜索提高相关性
• 回答问题时必须引用来源笔记的 [[链接]]

安全规则

• 删除前必须备份
• 不修改 .obsidian/ 目录下的配置文件
• 修改重要笔记前先确认

### 5.3 Windows全局配置目录结构

%USERPROFILE%
├── .claude\ ← Claude Code 配置目录
│ ├── settings.json # Claude Code 设置（模型、API）
│ └── mcp.json # MCP Server 注册配置
│
├── .ollama\ ← Ollama 数据目录
│ └── models\ # 已下载的模型文件
│ ├── blobs\ # 模型层缓存
│ └── manifests\ # 模型注册清单
│
├── .local\ ← Claude Code 可执行文件
│ └── bin
│ └── claude.exe
│
└── AppData
└── Roaming
└── npm\ ← npm 全局模块
└── node_modules
└── @istrejo
└── obsidian-mcp\ ← MCP Server 包

## 六、日常使用工作流

### 6.1 启动流程

```powershell
# 1. 确认 Ollama 服务运行中
ollama list
# 应看到已安装的模型列表

# 2. 进入知识库目录
cd D:\MyKnowledgeBase

# 3. 启动 Claude Code
claude

6.2 常用交互指令示例

知识检索类：

指令示例	背后调用	说明
列出我所有的笔记	list_notes	遍历Vault所有.md文件
搜索包含“机器学习”的笔记	search_content("机器学习")	全文关键词搜索
找出所有标签为 #project/active 的笔记	search_by_tags("#project/active")	按标签过滤
[[深度学习]] 这篇笔记被哪些笔记引用了？	get_backlinks("深度学习")	反向链接查询

知识摄入类：

指令示例	背后调用	说明
创建一篇关于“Transformer架构”的新笔记	create_note	在指定文件夹创建笔记
在“机器学习.md”中补充正则化部分	update_note（append模式）	追加内容到已有笔记
把“草稿/临时笔记”移动到 00-Inbox/ 下	move_note	重命名/移动笔记

知识整理类：

指令示例	背后调用	说明
总结“深度学习.md”的核心内容	read_note → LLM推理	读取后交给模型总结
帮我整理 00-Inbox/ 中的所有笔记	list_notes → LLM分类 → move_note	批量分类整理
分析我的知识库中哪些主题笔记最多	list_notes → 统计分析	知识结构分析

6.3 维护任务

# 定期清理Ollama旧版本模型
ollama list          # 查看所有模型
ollama rm 模型名     # 删除不需要的模型

# 更新Claude Code
irm https://claude.ai/install.ps1 | iex

# 更新MCP Server
npm update -g @istrejo/obsidian-mcp

# 备份知识库
# 将整个 D:\MyKnowledgeBase 复制到外部存储或云盘

七、故障排除指南

7.1 Ollama服务问题

问题	症状	解决方案
Ollama未启动	ollama list 报连接错误	从开始菜单启动Ollama应用，或运行 ollama serve
端口冲突（11434）	netstat -ano | findstr 11434 显示多个进程	以管理员身份运行PowerShell，执行端口排除命令
模型加载慢	首次推理延迟较长	首次加载需从磁盘读取模型文件到内存，7B模型约需30-60秒
内存不足	Windows报错，模型加载失败	关闭其他应用释放内存；或使用更小的模型（如 qwen2.5:3b）
GPU加速未生效	CPU使用率高，推理慢	确认显卡驱动已安装：nvidia-smi；Ollama自动检测GPU

7.2 MCP连接问题

问题	症状	解决方案
MCP Server启动失败	/mcp 显示 disconnected	检查 mcp.json 路径是否正确（使用正斜杠）；确保 npx 可访问
文件访问被拒	读取笔记报 Permission Denied	检查Vault路径是否有读写权限；以管理员身份运行终端
stdio传输错误（Windows特有）	BrokenPipeError	使用 @operatorkit/mcp2win 包装命令
中文路径乱码	搜索中文文件名无结果	确认终端编码为UTF-8：chcp 65001

7.3 性能优化建议

优化项	方法	预期效果
模型量化	使用 qwen2.5:7b-q4_K_M 等低量化版本	减少约30%内存占用，推理速度提升20%
笔记索引缓存	首次索引后，后续增量更新	避免每次全量扫描
文件数量控制	单个Vault保持在3000个文件以内	避免MCP Server响应变慢
GPU加速	确保NVIDIA驱动 ≥ 11.7	推理速度提升5-10倍

7.4 常见错误码速查

错误码	含义	快速解决
ECONNREFUSED 127.0.0.1:11434	Ollama服务未启动	启动Ollama应用
MODEL_NOT_FOUND	未拉取指定模型	ollama pull 模型名
ENOENT: no such file	Vault路径配置错误	检查 OBSIDIAN_VAULT_PATH 环境变量
EPERM: operation not permitted	文件权限不足	以管理员运行终端；检查文件是否被其他程序占用
Cannot find module	npm依赖缺失	npm install -g @istrejo/obsidian-mcp

八、后续扩展方向

当基础方案稳定运行后，可以考虑以下扩展：

扩展方向	工具/方法	说明
知识图谱可视化	Obsidian原生图谱 + Dataview	直观展示笔记间的关联关系
自动化工作流	QuickAdd + Templater插件	一键创建标准化笔记模板
多格式摄入	使用LLM将PDF/网页转换为Markdown	丰富知识库来源
定期自动整理	Windows计划任务 + 脚本	每周自动运行AI整理脚本
移动端同步	Obsidian Sync 或 Git	在手机端访问知识库
多Agent协作	inbox模式配置多个Agent	不同Agent负责不同领域的知识管理

九、总结

本方案通过在Windows操作系统上部署Claude Code + Ollama + Obsidian三大组件，并利用MCP协议建立它们之间的标准化通信，实现了一个完全本地化、保护隐私、功能强大的个人知识库系统。

核心价值回顾：

特性	实现方式	用户收益
完全本地化	Ollama运行本地模型，数据不离开电脑	隐私安全，无网络也可使用
零成本	Ollama社区模型免费，无需API付费	长期使用无经济负担
知识结构化	Obsidian的双向链接和MCP的读写能力	AI帮助建立知识网络，而非简单堆砌
自然语言交互	Claude Code作为Agent理解并执行复杂指令	降低使用门槛，“说人话”即可
可扩展性	MCP协议标准化工具接口	未来可接入更多工具和服务