企业官网建设流程全解析

培训讲师这行，看着是站着说话、PPT翻页，实际上大量时间都耗在别人看不见的地方：整理公式教材、排版、编题、做答案、调格式。尤其做技术类、数学类、理工类培训的，每期讲义都要更新，题库要维护，还要保证题目和知识点对得上，真做起来相当磨人。

我个人的解法是：用 WorkBuddy 做自动化处理和出题，用 Obsidian 做知识库底座，两个工具一拼，形成一条从“笔记整理”到“自动出题”的流水线。这套组合我跑了快半年，最大的感受是：机器干的活越来越多，我干的反而是更有判断力的那部分。这篇就把我的完整搭建过程和踩过的坑都写出来，给同样被教材和题库折磨的讲师一个参考。

1. 先搞明白这套组合到底解决什么问题

1.1 培训讲师日常的“隐形劳动”

很多人以为讲师的核心工作是“上台讲课”，但真正做过培训的都知道，课前课后的功夫远比台上多。一份公式教材，从原始素材搜集、公式录入、章节编排、例题配比，到最终的版面调整，一套下来少说十几个小时。题库更夸张，如果要给一个技能认证类课程配 300 道题，每道题写完还要核对答案、解析、难度标签，纯手工干没有两三天下不来。

更麻烦的是“版本漂移”。客户需求变了，或者技术栈升级了，教材里某几个章节全部要换。你拿 Word 改，标题重排、公式编号乱掉、目录要重新生成，折腾一圈人都麻了。

这些活有个共同特点：重复性高、规则明确、但极其消耗注意力。它们不适合纯靠人肉硬扛，也不是随便找个 AI 聊天窗口就能解决的——因为 AI 不知道你的课程体系、不知道你的学生水平、更不知道你的教材长什么样。你需要一个“带着你的知识库去工作”的 AI 工具链。

1.2 WorkBuddy 和 Obsidian 各自到底能干什么

先说 Obsidian。它是个本地优先的 Markdown 笔记工具，所有内容都存成纯文本和文件夹，不锁数据。这一点对做培训教材非常重要：你不用被某个云笔记厂商的格式绑架，所有 md 文件可以用 Typora、VS Code 甚至记事本打开。它原生支持 LaTeX 公式，也就是$...$和$$...$$这种写法，渲染出来就是规范的教学公式，这一点直接决定了它能作为公式教材的载体。

Obsidian 的另一大优势是支持双链和标签。双链能在知识点之间建立关联，形成网状结构。标签则可以迅速地把知识点按类型、难度、章节切分。这些东西在传统 Word 里也能实现，但完全没有 Obsidian 这么轻量。我举个特别实际的例子：一份教材里有“傅里叶变换”和“卷积定理”两个知识点，你分别在两页笔记里写了它们的定义和例题，然后在各自正文中给对方加一个双链。等你要出题时，只需要搜索“卷积定理”，所有关联的公式、例题、甚至往年学生问过的问题全都列出来了——这就是网状知识库的价值。

再说 WorkBuddy。它本质上是一个 AI 工作台和自动化编排工具，可以理解成“能指挥 AI 干活的流水线管理员”。你可以把大模型、脚本、文件读写、外部 API 都编排成一个个可复用的技能，点击就能执行。它最值得讲师用的能力有几点：

• 批量处理：比如一次性读取 Obsidian 库里的 20 个章节，逐个抽取出题点。
• 技能复用：把“从笔记生成选择题”这套提示词固化成一个技能，下次换任何章节都能直接调用。
• 知识库接入：把 Obsidian 里整理好的 Markdown 文件作为上下文喂给模型，而不是让模型凭空发挥。
• 结果回写：生成好的题目可以再按指定格式写回 Obsidian 对应笔记里，形成闭环。

热词里有人问 WorkBuddy 是“从入门到精通”还是“实战教程”，我的理解是：它和 Obsidian 都偏工具属性，入门只需要懂基础概念，真正值钱的是你跑通一条针对自己业务的流水线。

1.3 为什么是这两个工具组合，而不是别的

市面上的笔记工具很多，自动化的 AI Agent 平台也不少，但把“本地知识管理 + AI 自动化”结合得最顺手的，目前这套组合算是很稳的选择。

如果把知识库比作仓库，Obsidian 就是那个货架整齐、每个箱子都贴了标签的仓库；WorkBuddy 则是仓库里的机械臂，它按照你的指令从货架上取料、加工、产出成品。没有 Obsidian，WorkBuddy 的 AI 就失去“记忆”，每次都要你重新描述业务背景；没有 WorkBuddy，Obsidian 只是一个安静的笔记文件夹，所有加工还得靠手。放在一起，才构成真正意义上的个人工作台。

选择这个组合而不是直接用某个一体化 SaaS，还有一个现实考量：培训行业的知识资产往往涉密或定制，很多客户不愿意把教材传到第三方云知识库。Obsidian + WorkBuddy 的本地优先思路，让敏感内容可以留在本地电脑里处理，必要时再决定是否同步到云端，主动权始终在自己手里。

2. 从零搭建知识库底座的完整步骤

2.1 Obsidian 的初始配置与必需插件

装 Obsidian 没什么难度，官网下载对应系统版本，双击就完事。热词里有人问“obsidian初始文件”“obsidian打不开”，多半是下载了安装版但没注意路径权限，或者某个插件冲突导致启动失败。我个人的建议是：

1. 安装完后先建立一个专门用于培训业务的 vault（仓库），别和个人笔记混在一起。
2. 打开“设置 → 文件与链接”，把“新链接格式”设置为“基于仓库根目录的绝对路径”，这样以后换设备或做迁移时链接不容易断。
3. 安装必需插件：Mathjax 或 Latex 公式支持（Obsidian 内置，但建议装 better math 类插件增强渲染）、Templater（模板）、Dataview（按条件汇总笔记）、Excalidraw（画图）。

插件安装路径是“设置 → 第三方插件 → 关闭安全模式 → 浏览”，搜索安装。装完务必重启一次。Obsidian 里最容易出问题的就是插件版本和主题版本不兼容，一旦界面异常或者公式不渲染，先禁用最近安装的插件逐个排查。

在这个阶段，你不需要一开始就搭复杂的双链结构，先把“已经确定要用的知识点笔记”按统一的模板录入即可。

2.2 公式教材内容的结构化整理

做培训讲师的教材，尤其是数学、物理、电子电路、数据分析这种公式密集的课程，核心要义是“结构化”。一份 .md 教材笔记的基本结构，我是这样定义的：

--- 章节: 第三章 傅里叶变换 难度: 中级 标签: [傅里叶变换, 信号处理, 积分变换] 核心公式: $$ X(f) = \int_{-\infty}^{+\infty} x(t) e^{-j2\pi ft} dt $$ --- ## 知识点概述 ... ## 关键公式与推导 ... ## 典型例题 ... ## 易错点 ...

注意几点：一是 YAML 头（中间夹在---里的部分）是 Obsidian 和 WorkBuddy 都能读到的结构化信息，章节、难度、标签都写在这里，出题时直接按这些字段筛选；二是核心公式统一用块级 LaTeX，便于后续抽取和编题；三是每个知识点单独一个文件，不要把所有章节揉在一个大文件里——这是很多新手会犯的错误，后续 AI 处理时大文件上下文太重，容易生成泛泛而谈的题目。

你可能会问，这种结构化整理本身也要花时间啊？没错，第一遍搭框架确实要花时间，但它的边际成本是递减的。你只需要花一个下午把所负责课程的知识点清单列出来，每个知识点一个模板文件，后续每次更新只是往既定框架里填内容而已。更关键的是，这个框架是 AI 能读懂的，它会成为你自动出题的脚手架。

2.3 双链与标签的正确用法，让题库“长”出来

双链在 Obsidian 中就是[[笔记名]]这种语法。很多教程把它讲得很玄，实际上对我这种用途来说，它最大的价值就是“建立知识点的关联索引”。举个例子：我整理“卷积定理”这条笔记时，会在文中写上[[傅里叶变换]]相关的性质；整理“拉普拉斯变换”时，会引用[[卷积定理]]。这样当我想出“卷积定理与傅里叶变换综合应用”这类题时，搜索任何一个关键词都能找到对方。

标签方面，我的经验是不要贪多，控制在三类：内容分类（如#公式推导、#概念理解）、难度（#easy、#medium、#hard）、题型（#选择、#计算、#简答）。这三个维度足够覆盖出题时的筛选需求。

Dataview 插件可以做个简单的“题库看板”，在一个页面里列出所有标签为#计算且难度#medium的笔记，实时刷新。这个看板后期配合 WorkBuddy 自动出题，效率提升非常明显。

3. 接入 WorkBuddy：把 Obsidian 变成 AI 的“记忆仓库”

3.1 WorkBuddy 工作台搭建与基础配置

WorkBuddy 的安装和基础配置其实并不复杂，核心是先创建一个“项目”，再在项目里定义“技能”。热词里反复出现“workbuddy搭建工作台”“workbuddy安装教程”“workbuddy cursor”，我一个个说明。

所谓的“工作台”，在 WorkBuddy 里更像是一个可交互的对话与编排界面，你可以在里面观察任务执行、调整参数、查看日志。创建工作台时系统会让你选择运行环境（本地或云端），如果教材涉及敏感内容，建议选本地模式，数据不出机器。

WorkBuddy 支持对接 Cursor 或 CodeBuddy 来写代码。这对我这种非编程背景的讲师特别友好：我会用自然语言描述“读取某个 Obsidian 文件夹下的所有 md 文件，按 YAML 头中的标签筛选中级难度的笔记，把每个笔记的核心公式抽出来，生成 5 道计算题”，WorkBuddy 自动组装好处理脚本，我再让 CodeBuddy 帮忙调试代码，整体门槛其实不高。

有一点要提醒：WorkBuddy 的很多能力依赖底层模型 API。第一次使用要配置 API Key，配置方式在设置里找到“模型服务”，填上服务地址和密钥。我建议在配置后先跑一个最小测试：给它一个简单的 markdown 文件，让它读出来并总结三句话。这一步能同时验证 API 连通性、文件读取权限和上下文传递是否正常。

3.2 连接 Obsidian 的三种常见方式

热词里有“飞书连接obsidian”“微信 obsidian”“hermes agent obsidian”，这都是在问同一件事：“怎么让外部工具访问我的 Obsidian 库”。我总结出三种可行路径：

1. 直接文件系统访问：WorkBuddy 直接读 Obsidian 库所在的文件夹，这是最稳妥的方式，也不需要额外配置网络。前提是 Obsidian 库在本地磁盘，且 WorkBuddy 有该路径的读写权限。
2. Local REST API 插件：给 Obsidian 装一个 Local REST API 插件，启一个本机 HTTP 服务，WorkBuddy 通过 HTTP 请求读取笔记内容和元数据。这种方式适合需要频繁按条件查询的场景，但要注意鉴权配置。
3. 同步盘/网盘中转：把 Obsidian 库放在坚果云、Dropbox 或 iCloud 同步目录下，WorkBuddy 在另一台设备上读同步后的副本。这种方式适合多设备场景，但注意同步延迟可能导致读取到旧版本。

以我自己的实践来看，第一种“直接文件系统访问”最靠谱，尤其是一台 Windows 主力机上跑全套工作流时，路径给对基本零故障。第二、三种方式适合后期需要远程或多人协作时再考虑。

3.3 编写靠谱的出题提示词，减少“AI味”

好多人说“AI 出的题一股 AI 味”，什么意思？就是题目表述四平八稳、模板痕迹重、选项明显为了凑数。这个问题其实不是 AI 没能力，而是你没给它足够好的“出题规范”。

我把自己用下来效果不错的提示词框架分享出来：

你是一名职业培训讲师。请基于以下教材笔记，出 5 道中等难度的单选题。 要求： 1. 题干必须结合工作中的真实场景，而不是单纯背诵公式； 2. 正确选项必须从笔记中的推导路径中生成，干扰项要来自常见错误认知； 3. 每题下方给出解析，解析必须引用笔记中的原文或公式； 4. 难度符合“掌握概念 + 基本应用”，不得超纲； 5. 所有公式用 LaTeX 书写。 教材笔记如下： {填入笔记内容}

这套提示词的几个细节值得留意：“来自常见错误认知”比“随便编一个错误选项”更能模拟真实考试；“解析必须引用笔记原文”是为了让 AI 不脱离你的知识库瞎编；“超纲”控制能防止模型为了显摆知识点而把题目出得过于难。

热词里有“workbuddy减少ai味”，我发现最有效的一招是：把“你是一名职业培训讲师”这个角色描述具体化，比如补上“你带的学员是工作 3 年左右的一线运维工程师，他们不关心纯理论推导，更关心故障场景下的判断”。角色越具体，模型输出的措辞就越自然，越贴近真人的出题习惯。

4. 自动出题流水线的完整实操

4.1 知识库切片与知识点抽取

自动出题的第一步不是写题，而是让 WorkBuddy 把庞大的 Obsidian 库切成可控的“知识点单元”。如果不做切片，直接把整本教材丢给大模型，模型很快就会被上下文限制卡死，而且生成的题目必然浮于表面。

切片的标准我建议按“单个知识点笔记文件”为单位。每个文件里包含完整的定义、公式、例题、易错点，正好是一条独立知识链。WorkBuddy 用一个脚本递归读取库目录，按文件扩展名.md过滤，再读取每个文件的 YAML 头，就能得到类似这样的结构化清单：

第三章-傅里叶变换.md [难度:中级] [标签:傅里叶变换,信号处理] [公式数:12] 第四章-采样定理.md [难度:中级] [标签:信号处理,采样] [公式数:7]

这个清单可以输出成 JSON 或表格，供下一步使用。你可以让 WorkBuddy 定时更新这个索引，相当于给知识库做了个地图。

做完切片后，再做一步“重点公式抽取”。让 WorkBuddy 把每个文件中$$...$$内的公式单独提取出来，连同公式所在的上下文段落，合并成一个“公式出题专项库”。这一步特别关键，因为很多培训教材本身就是公式密集的，AI 如果要在整篇笔记里找公式很容易漏，单独提出来后再喂给模型就会精准很多。

4.2 生成公式型题目的完整演示

这里给你看一个真实跑下来的最小示例。假设我 Obsidian 里有一篇笔记叫傅里叶变换的频移性质.md，内容如下：

--- 标签: [傅里叶变换, 频移性质] 难度: medium --- 若 $x(t)$ 的傅里叶变换为 $X(f)$，则 $x(t)e^{j2\pi f_0 t}$ 的傅里叶变换为 $X(f-f_0)$。 这个性质在无线通信的频谱搬移中有广泛应用。

我让 WorkBuddy 执行“按此笔记出 3 道选择题”，它生成的其中一道题是：

题干：某无线通信系统需要将基带信号的中心频率从 0 Hz 搬移到 10 MHz 载波频率上。 已知基带信号 x(t) 的频谱为 X(f)， 则调制后信号 x(t)e^{j2\pi \cdot 10^7 t} 的频谱应为（ ）。 选项： A. X(f+10^7) B. X(f-10^7) C. X(f) 整体乘以 10^7 D. X(f) 整体乘以 e^{j2\pi \cdot 10^7 t} 正确答案：B 解析：根据频移性质，信号在时域乘以复指数 e^{j2\pi f_0 t}， 对应频域频谱向左平移 f_0，即 X(f-f_0)。这里 f_0=10^7 Hz。

这道题明显比单纯让 AI“根据傅里叶变换出题”要好很多：它结合了通信场景，选项 C 和 D 分别设置了对幅度缩放和时域相乘的混淆，解析也引用了笔记中的核心公式。整套过程，从读取笔记到输出题目，WorkBuddy 大约花了 40 秒，实际人工审题再改一版，也就 10 分钟。对比手工出 3 道这样的题至少要两小时，效率差了一个数量级。

4.3 从题库生成到人工审核的闭环

自动出题不是终点，人工审核才是质量闭环的关键一步。WorkBuddy 生成完题目后，我的习惯是让它按统一模板导出，再写回 Obsidian 的一个专门“题库”文件夹，文件命名为“题型_知识点_日期.md”。模板大概长这样：

## 题目：无线通信中的频移性质应用 - 难度：中等 - 来源：第三章/傅里叶变换 - 题干：... - 选项：A... B... C... D... - 答案：B - 解析：... - 审核状态：待审核

审核状态这个字段非常重要。每次 WorkBuddy 生成新题后，我会打开这个文件夹，集中花 20 分钟做两件事：一是看题目有没有超出课程大纲，二是看选项里有没有技术上错误但仍具迷惑性的干扰项。通过审核的题目就把“待审核”改成“已通过”，后期就能直接用 Dataview 汇总出正式题库。

流水线上还有一环容易忽略，就是“旧题去重”。当题库越来越大，同一知识点可能反复生成相似题目。WorkBuddy 可以加一个重复度检测步骤，把新题与历史题库做文本相似度比较，相似度超过 80% 就自动打上“疑似重复”标记，由你来决定保留哪版。这个环节能省下后期维护题库的心力。

5. 常见问题速查与排查实录

5.1 常见问题速查表

实践这套流程的用户中，高频问题基本集中在连接、权限、格式三方面。我整理成一张表，方便你快速定位：

5.2 我踩过的几个坑，写给你们避雷

第一个坑是 Obsidian 默认链接格式。新库默认会把粘贴的图片和附件存成短链接，比如![[Pasted image 123.png]]。这个格式在 Obsidian 内部没问题，但你把 md 文件发给学员，或者用 WorkBuddy 导出到其他工具时，路径就对不上了。后来我统一改成基于仓库根目录的绝对路径，跨工具迁移顺畅不少。

第二个坑是 WorkBuddy 处理中文路径时的编码问题。Windows 下如果 Obsidian 库路径里有中文，某些 Python 脚本读取文件时容易报 UnicodeDecodeError。把库路径改成纯英文，或者在脚本开头强制指定encoding="utf-8"，能解决九成问题。

第三个坑是“模型过于发散”。有一次我让它出“信号与系统”综合题，它洋洋洒洒出了一道涉及随机过程、通信原理、数字信号处理的“大题”，风格严重跑偏。后来我在提示词里加了一句“所有内容必须严格基于提供的笔记，不得跨章节引入未提供的概念”，情况立刻好很多。给模型戴上“知识边界”的紧箍咒，对培训类内容尤为重要。

第四个坑是缓存目录。WorkBuddy 在工作过程中会产生大量中间文件，如果缓存目录在系统盘且磁盘空间紧张，跑长任务会卡死。建议在设置里把缓存目录手动改到一个空间充足的非系统盘分区。

6. 我实际操作中的体会

这套组合跑顺之后，我最大的感受是“备课的爽感”回来了。以前最怕的就是改版：客户一句话“内容方向调整一下”，整个教材和题库都要推倒重来。现在改版变成了两步：第一步在 Obsidian 里改对应知识点的笔记内容，第二步让 WorkBuddy 重新生成这部分教材的讲解结构和配套题目。知识库是活的，题库也是活的，而不是躺在 Word 里等死的几份文件。

有一点我必须坦诚：自动出题并不会 100% 直接可用，至少我现在用的模型还做不到。一份 50 题的卷子里，大约有 70% 的题目可以直接用，剩下 30% 需要我调整选项表述、补充解析或者重新设置题干背景。但这个比例已经很香了，因为真正耗时间的不是“写题”本身，而是“构思题目应该考什么”“设计干扰项的逻辑”。这两件事 AI 帮我完成了大半。

关于 WorkBuddy 本身，我用下来觉得它还不适合完全零基础的人直接上手，至少要懂一点“什么是模型 API”“什么是提示词”“什么是文件路径”这些基本概念。但如果你愿意花一个周末把基础概念补上，这套方案的回报率相当高。热词里有一个“workbuddy减少ai味”，我的终极答案是：AI 味不是靠提示词磨掉的，而是靠“你的知识库约束 + 你的审核判断”一起磨掉的。当生成的内容有据可查、有边界可依时，AI 味自然就淡了。

最后再分享一个小技巧：每次跑完自动出题流水线后，把生成的题目按“知识点维度”统计一下数量，看看哪些章节出题多、哪些章节出题少。这个统计结果能反向发现教材编写的薄弱点——出题少的地方往往是内容太薄或者结构不清的地方，赶紧去 Obsidian 里补笔记，比闷头重写教材高效得多。