Obsidian Copilot API密钥配置终极指南：OpenRouter、Gemini、OpenAI一步到位

优质文章学习记录

— 3 min read

Obsidian Copilot 是一个强大的AI助手插件，它能将智能对话功能直接集成到你的Obsidian笔记中。要充分发挥其潜力，正确配置API密钥是关键第一步。本指南将手把手教你如何配置OpenRouter、Google Gemini和OpenAI等主流AI提供商的API密钥，让你轻松享受智能笔记体验。✨

【免费下载链接】obsidian-copilotA ChatGPT Copilot in Obsidian 项目地址: https://gitcode.com/gh_mirrors/ob/obsidian-copilot

🔑 为什么需要配置API密钥？

Obsidian Copilot 本身不提供AI模型服务，它需要连接外部的AI服务提供商。配置API密钥后，你可以：

  • 在笔记中直接与AI对话
  • 智能分析和总结笔记内容
  • 自动生成文章大纲和草稿
  • 基于你的知识库进行问答

🚀 快速开始：配置API密钥

步骤1：打开API密钥设置

在Obsidian Copilot的设置界面中，点击"API Keys"区域的"Set Keys"按钮，即可进入API密钥配置对话框。

步骤2：配置OpenRouter API密钥

OpenRouter是一个聚合平台，可以访问多种AI模型。配置方法：

  1. 访问 OpenRouter官网 注册账号
  2. 在API密钥管理页面获取你的密钥
  3. 在Copilot的API密钥对话框中粘贴密钥

步骤3：配置Google Gemini API密钥

Gemini是Google的最新AI模型，配置步骤：

  1. 前往 Google AI Studio
  2. 创建API密钥并复制
  3. 在相应字段中输入密钥

步骤4：配置OpenAI API密钥

如果你有OpenAI账号，也可以直接配置：

  1. 登录 OpenAI平台
  2. 进入API密钥管理页面
  3. 生成新的密钥并保存

📋 主流AI提供商配置详解

OpenRouter配置

  • 优势：支持多种模型，成本较低
  • 适用场景：日常对话、文本分析
  • 推荐模型：Gemini 2.5 Flash、Claude 3 Sonnet

Google Gemini配置

  • 优势：与Google生态深度整合，免费额度
  • 适用场景：与Google文档联动、多模态处理

OpenAI配置

  • 优势：模型成熟稳定，功能全面
  • 适用场景：复杂推理、代码生成

🛠️ 高级配置技巧

自定义模型添加

在模型设置界面，你可以添加自定义模型：

模型验证与测试

配置完成后，建议进行模型验证：

  • 检查API密钥是否正确
  • 测试模型响应速度
  • 验证功能是否正常

💡 实用配置建议

  1. 多提供商备份：建议配置2-3个不同提供商的API密钥，确保服务稳定性
  2. 成本控制：设置使用限额，监控API使用量
  3. 模型选择：根据任务类型选择合适的模型

🔒 安全注意事项

  • API密钥是敏感信息，请妥善保管
  • 不要在公开场合分享你的密钥
  • 定期更换密钥以提高安全性

🎯 总结

通过本指南，你已经掌握了Obsidian Copilot API密钥配置的核心技能。正确配置API密钥后，你将能够：

✅ 在Obsidian中享受无缝的AI对话体验
✅ 基于个人知识库进行智能问答
✅ 提升笔记整理和创作效率

现在就开始配置你的API密钥，开启智能笔记新时代！🚀

【免费下载链接】obsidian-copilotA ChatGPT Copilot in Obsidian 项目地址: https://gitcode.com/gh_mirrors/ob/obsidian-copilot

Read more

2026新手小白AI创业变现指南（二）- AI写作辅助平台

2026新手小白AI创业变现指南（二）- AI写作辅助平台

刚刚更新了2026新手小白AI创业变现指南l列表，新增加了测试过的炼字工坊、蛙蛙写作、笔杆平台（学术论文平台，非通用写作平台）。想简单介绍下，详情请点击2026新手小白AI创业变现指南（一）中平台列表中平台名称看详细介绍。 一、炼字工坊 平台基础信息 项目内容平台名称炼字工坊官方网址https://lianzigongfang.com平台介绍专为网文/剧本/漫剧作者设计的AI创作平台，帮你把精力花在“故事和表达”上，把重复、耗时、卡壳的部分交给AI。相比通用AI，炼字工坊在长篇稳定性上有明显优势。它用「问答+抽卡」帮你定题材卖点，用「设定库」自动归档世界观和角色，用「分层大纲」把控剧情节奏，用「续写润色」解决卡文问题。最重要的是：你的作品不会用于AI训练，版权完全归你。核心定位长篇创作的全流程辅助，从灵感、设定到续写、润色，让你专注创作本身。 🎯 它和通用AI（如DeepSeek、千问）
【论文阅读】ColorFlow: Retrieval-Augmented Image Sequence Colorization

【论文阅读】ColorFlow: Retrieval-Augmented Image Sequence Colorization

基于检索增强的漫画/图片序列上色任务。 intro 现有问题：不是把一张黑白图随便上色，而是要在同一角色跨多张分镜/多帧时，尽量保持发色、衣服配色等“身份颜色（ID color）”一致，而且还要让操作流程“像工具”一样好用：不需要为每个角色单独 finetune，也不强行抽取显式的 ID embedding。论文把整个方案拆成三个阶段：RAP（检索增强）、ICP（in-context 扩散上色）、GSRP（引导式超分复原）。 任务设定：Reference-based Image Sequence Colorization * 输入：一张待上色的黑白图（来自漫画/分镜序列中的某一帧）+ 一个“参考图池”（同章节或同序列里若干张已经有颜色的图）。 * 输出：一张彩色结果，要求在序列层面尽量保持角色/物体的颜色身份一致（例如同一角色的头发颜色在多帧一致）。 * 关键难点：参考池里信息多、分镜构图变化大、同角色会变形/

OpenClaw之Memory配置成本地模式，Ubuntu+CUDA+cuDNN+llama.cpp

文章目录 * 背景：Memory不生效的问题 * OpenClaw的Memory配置 * Ubuntu24.04安装CUDA和cuDNN * 编译llama.cpp * 验证方案1： * 验证方案2：下载并运行Llama-2 7B模型 * 安装node-llama-cpp * 验证Memory * sqlite-vec unavailable * 踩过的坑 * 安装node-llama-cpp的一些提示 * 安装node-llama-cpp的前置条件 * Using `node-llama-cpp` With Vulkan 承接上文：Windows11基于WSL2首次运行Openclaw，并对接飞书应用，我已经在电脑上安装了OpenClaw，接下来解决Memory问题。走了很多弯路，下面主要讲我总结的正确的安装过程。 总结来说：针对Memory不生效的问题，又不想用OpenAI或Gemini，或者只想单纯的节省token，可以按照如下的方式，设置为local模式： * 修改openclaw.json配置 * 安装CUDA和cu

论文阅读详细版K-RagRec：Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation

摘要（Abstract） 翻译 推荐系统在我们的日常生活中变得越来越重要，有助于缓解各类面向用户的在线服务中的信息过载问题。大语言模型（LLMs）的出现取得了显著成就，展现出其推动下一代推荐系统发展的潜力。尽管取得了这些进展，基于大语言模型的推荐系统仍面临源于其模型架构的固有局限性，尤其是幻觉问题（生成虚假信息）以及缺乏最新知识和领域特定知识的问题。近年来，检索增强生成（RAG）技术受到了广泛关注，它通过利用外部知识源来增强大语言模型的理解和生成能力，从而解决这些局限性。然而，传统的 RAG 方法往往会引入噪声，并且忽略了知识中的结构化关系，这限制了它们在基于大语言模型推荐系统中的效果。为了解决这些问题，我们提出从知识图谱中检索高质量、最新的结构化信息，以增强推荐效果。具体而言，我们设计了一个检索增强框架，名为 K-RagRec，该框架通过整合外部知识图谱的结构化信息，助力推荐生成过程。我们进行了大量实验，验证了所提方法的有效性。 讲解 * 摘要就是论文的 “浓缩版故事”，核心逻辑： 1. 背景：推荐系统很重要，大语言模型能做推荐，但有两个大问题 ——“瞎编（幻觉）”