維基連結
Notemd會自動在您筆記中的關鍵概念後加上[[wiki-links]]。LLM會讀取您的內容，辨別上下文中的重要詞彙，並在每個出現的位置插入 Obsidian 風格的維基連結。亦可選擇建立帶有反向連結的概念筆記檔案。它支援同義詞過濾、重新命名或刪除時的連結完整性保護，以及純粹的提取模式（不修改檔案）。與僅能匹配現有筆記標題的 Auto Link 不同，Notemd運用 AI 來辨別新概念並建立相對應的筆記。此功能屬於Obsidian AI知識管理指南的一部分。
概覽
維基連結是 Notemd 的核心功能。它透過以下方式將純文字轉換為相互連結的知識圖譜：
- 使用 LLM 分析您的筆記
- 辨別關鍵概念（術語、人物、方法、理論）
- 在每個出現的位置插入
[[wiki-links]] - 建立概念說明（可選）並附上反向連結
它的運作原理是什麼
處理
範例
之前：
Machine learning models use neural networks to learn patterns from data.
The transformer architecture revolutionized natural language processing.
之後：
[[Machine learning]] models use [[neural networks]] to learn patterns from data.
The [[transformer architecture]] revolutionized [[natural language processing]].
使用方式
基本：新增連結至目前筆記
- 打開筆記
- 在編輯器中按右鍵 → 「處理檔案（新增連結）」
- 請稍等幾秒鐘。
- 概念現在已經連結了！
批次處理：同時處理多個筆記
- 在檔案總管中按右鍵選取資料夾
- 選擇 "Notemd: 處理資料夾（新增連結）"
- 設定：
- 同時執行數（可平行處理的檔案數量）
- 覆寫現有連結（是/否）
- 點擊 Process
選擇性：連結特定文字
- 標出要處理的文字
- 按右鍵 → 「處理選項（新增連結）」
- 僅分析高亮顯示的部分
Notemd 與自動連結
Obsidian 有兩種自動建立維基連結的方法：
| 自動連結 | Notemd | |
|---|---|---|
| 連結來源 | 金庫中現有的筆記標題 | LLM-內容中辨識出的概念 |
| 能否連結新概念 | 不行——標題必須已經存在。 | 是的——AI能辨別概念並建立筆記 |
| 同義詞處理 | 沒有 | 是的 — 同義詞抑制 |
| 概念說明書的撰寫 | 沒有 | 是的——包含反向連結與去重處理 |
| 批次處理 | 否（單一檔案） | 是（資料夾層級） |
| 每任務模型路由 | 沒有 | 是的 |
Auto Link 是以標題為匹配依據的：如果存在名為「Machine Learning」的筆記，它會將其中的出現內容包裝在 [[Machine Learning]] 中。如果該筆記不存在，則不會有任何動作。
Notemd 是由人工智慧驅動的： LLM 會閱讀您的內容、理解上下文、辨別出應該建立連結的概念——即便目前還沒有相關筆記——並同時生成連結與概念筆記。
功能特性
同義詞抑制
問題： "transformer", "transformers", "Transformer architecture" → 3個不同的概念
解決方案： Notemd 可偵測近乎重複的內容，並使用標準化格式。
設定：
Settings → Advanced → Synonym Suppression
Threshold: 0.8 (0 = off, 1 = aggressive)
連結完整性
當您重新命名概念說明時：
- 所有維基連結都會自動更新（Obsidian 核心功能）
- 反向連結保持完整無損
當您刪除概念說明時：
- 連結仍然存在，但顯示為「未連結的提及」
- 你可以從任何出現的案例重新建立。
純粹提取模式
在不修改原始內容的情況下提取概念：
- 按右鍵 → 「提取概念（不建立連結）」
- 概念說明書已建立
- 原始檔案未受任何改動
使用場景：處理只讀內容或最終草稿。
概念說明書撰寫
自動建立
當啟用時（預設值），Notemd 會建立：
---
tags: [concept, auto-generated]
created: 2026-06-13
source: [[Original Note Name]]
---
# Machine Learning
A branch of artificial intelligence that enables computers
to learn from data without explicit programming.
## Occurrences in Your Vault
- [[Original Note Name#Section]]
- [[Another Note#Header]]
## Related Concepts
- [[Neural Networks]]
- [[Deep Learning]]
- [[Supervised Learning]]
設定
輸出資料夾：
Settings → Output → Concept Folder
Default: concepts/
階層結構：
Settings → Output → Use Hierarchical Folders
If enabled:
papers/my-paper.md → papers/concepts/Concept.md
If disabled:
→ concepts/Concept.md
範本：
Settings → Output → Concept Template
Customize with variables:
{{concept}} — Concept name
{{description}} — LLM-generated description
{{backlinks}} — List of source notes
{{date}} — Creation date
進階選項
上下文視窗
要傳送多少周圍的文字：
Settings → Linking → Context Window
Options: Sentence | Paragraph | Full Note
Default: Paragraph
尺寸越大 = 精確度越高，成本也越高。
最小出現次數
僅連結出現多次的概念：
Settings → Linking → Min Occurrences
Default: 1 (link all)
設定為 2 或 3，以聚焦於重複出現的主題。
排除模式
跳過特定字詞：
Settings → Linking → Exclude List
Example: note, idea, example, thing
防止過度連結一般術語。
自訂提示詞
覆寫預設的 LLM 指令：
Settings → Advanced → Custom Linking Prompt
Default:
"Identify key concepts, theories, methods, and technical
terms in the following text. Return as a list..."
根據特定領域的需求進行修改（例如：「聚焦醫學術語」）。
技巧與最佳實務
✅ 完成
- 處理字數超過 100 字的筆記 — 短篇筆記難以涵蓋完整概念
- 使用強大的模型以實現更好的概念識別（GPT-4o、Claude）
- 接受前請審核 — 請確認建議的連結合乎邏輯
- 逐步建構 — 處理 5-10 個筆記，檢視圖表，調整設定
❌ 請勿
- Over-link — 并非每個名詞都需要連結
- 反複處理草稿 — 概念可能會改變，請等待其穩定後再進行。
- 忽略同義詞 — 啟用抑制功能，以避免出現「ML」與「Machine Learning」的差異
效能
速度
| 筆記本尺寸 | GPT-4o-mini | Claude Sonnet | Ollama（本地） |
|---|---|---|---|
| 500個字 | 2-3 秒 | 3-5 秒 | 5-10 秒 |
| 2000個字 | 5-8 秒 | 10-15 秒 | 20-40 秒 |
| 5000字以上 | 分塊處理（多次呼叫） | 分塊處理 | 分塊處理 |
成本估算
範例：使用 GPT-4o-mini 撰寫的 1000 字筆記
- 輸入：約 1500 個令牌
- 輸出結果：約 200 個令牌
- 成本：約 $0.001
批次處理 100 個筆記： 約 $0.10
故障排除
未添加任何連結
檢查：
- LLM 呼叫成功（設定 → 診斷）
- 備註內容已足夠（>50個字）
- 概念是技術性/具體的（而非僅指代詞）
嘗試：
- 使用更強大的模型
- 增加上下文窗口大小
- 檢查 API 金鑰的有效性
連結過多
解決方案：
- 增加最低出現次數（2或3次）
- 將常見字眼加入排除清單中
- 使用攻擊性較低的模型
錯誤的連結概念
修正內容：
- 對於領域特定需求，請使用自訂提示詞。
- 啟用同義詞抑制功能
- 手動審核並解除連結
重命名後連結會斷開
這是正常的 Obsidian 行為。
要更新所有連結：
- 將概念說明重新命名
- Obsidian 會自動將
[[old]]更新為[[new]]