Obsidian 看板 + Copilot:项目管理与每日总结的完美闭环

Obsidian 看板 + Copilot:项目管理与每日总结的完美闭环

在多项目并行的职场节奏中,项目管理是每个人的必修课。我曾深陷“工具选择困难症”,在滴答清单、Notion 等工具间反复横跳。虽然滴答清单足够优秀,但它始终无法与我的个人知识库深度联动,更难以调用 AI 能力来二次加工我的工作轨迹。

今天,我想分享一套基于 Obsidian 看板 + Copilot 的全自动化项目管理工作流。

工作流示意图

核心思路

All in One 的自动化闭环这套工作流的核心在于利用 Obsidian 的“万物皆 Markdown”特性。看板文件本质上是 Markdown 列表,通过插件自动记录的时间戳,我们可以让 Copilot 扮演“私人秘书”,瞬间完成从“任务执行”到“复盘总结”。

必备插件

在 Obsidian 插件市场安装以下三个插件:

  • Kanban:提供直观的看板视图。
  • Tasks:自动为完成的任务打上时间戳。
  • Copilot:调用 AI 能力进行分析总结。

具体步骤

1. 搭建可视化看板

安装 Kanban 插件后,你可以像使用 Trello 或滴答清单一样,创建项目组和任务清单。它支持双向链接,能完美融入你的 Obsidian 知识网络。

看板界面
2. Tasks

在 Tasks 插件设置中,开启“完成时添加日期”功能。这样当你勾选任务时,系统会自动在后台生成类似 ✅ 2026-01-19 的标记。

Tasks 设置

这些时间戳就是 AI 识别你“今日工作量”的唯一凭证。

3. AI 自动生成每日总结

通过 Copilot 插件,配合精心设计的提示词(Prompt),AI 会自动扫描看板,过滤掉杂讯,只提取你今天完成的成果。

我的提示词:

作为我的看板分析助手,分析我提供的 Obsidian 看板内容。

最终效果

每天下班前,只需简单操作,Copilot 就会生成一段干净的纯文本。我直接将其粘贴到 flomo 中,整个过程不到 10 秒。

最终效果图

这种从项目管理自动复盘的闭环,不仅节约了大量手动整理的时间,更让我能专注于任务本身,而非工具的操作。

延伸阅读

更多 Obsidian 相关内容请看往期文章:

Obsidian Copilot:打造你的专属 AI 笔记助手

Obsidian与Anki:高效管理个性化学习卡组

obsidian projects 插件 实现项目管理

obsidian  excalidraw 绘制思维导图

Tips

如果这篇分享对你有启发,欢迎点赞、收藏、转发

微信公众号:环境猫er

ZEEKLOG:细节处有神明

个人博客:https://maoyu92.github.io/

Read more

一种无人机辅助射频探测的无线地下土壤健康监测智能钉平台(Nature Communications,2025)

一种无人机辅助射频探测的无线地下土壤健康监测智能钉平台(Nature Communications,2025)

通讯作者:Yashwanth Ramesh DOI:https://doi.org/10.1038/s41467-025-67889-w 摘要 监测大面积农业区域的地下土壤状况对于优化资源利用和支持可持续作物生产至关重要。然而,大多数现有传感系统依赖电池供电的电子设备,成本高昂、需要维护且难以规模化部署。为解决这些局限性,我们提出了 HARVEST(Hybrid Antenna for Radio frequency-enhanced Volumetric water content and Electrical conductivity-based Soil Tracking,基于射频增强的体积含水量和电导率土壤跟踪混合天线系统)—— 一种低成本无线平台,无需机载电子设备。HARVEST 采用钉状传感探头,与地面上方的三环天线进行物理和电气耦合,在减少信号损耗的同时,保持对地下土壤变化的敏感性。土壤含水量和盐度的变化会改变埋地探头的电气特性,导致天线谐振响应偏移,该偏移可通过空中读取器进行无线检测。该系统通过电磁仿真进行优化,并通过实验室实验和全生育期田间部署验证有效性。HA

基于GitHub智能客服机器人源码的实战开发与性能优化指南

基于GitHub智能客服机器人源码的实战开发与性能优化指南 背景痛点:高并发与语义理解的双重夹击 把开源客服机器人从“跑通”到“跑得稳”,最痛的往往只有两件事:并发一上来就掉线程,用户多问两句就“已读不回”。 GitHub 上 star 数靠前的几个项目(python-telegram-bot、ChatterBot-REST、Rasa-oss-demo 等)在本地 demo 时都很丝滑,一旦放到生产环境,常见症状如下: 1. 阻塞式 I/O 导致 Webhook 响应超时,GitHub 重试三次后直接 502。 2. 意图识别模型在笔记本上 95% 准确率,线上真实口语 70% 都不到,用户一句“咋回事啊”直接 fallback。 3. 对话状态放在内存 dict,多实例部署时互相“串台”

YOLO11-LADH改进:无人机与鸟类目标检测的精准识别方案

本数据集名为"drone car",版本为v1,于2024年2月24日通过qunshankj平台导出,采用CC BY 4.0许可证授权。该数据集共包含1638张图像,所有图像均已进行预处理,包括自动调整像素方向(剥离EXIF方向信息)以及将图像尺寸调整为640x640像素(拉伸方式)。为增强数据多样性,对每张源图像以50%的概率应用了水平翻转增强技术,创建了三个不同版本的数据。数据集采用YOLOv8格式标注,包含两个类别:鸟类(bird)和无人机(drone)。数据集分为训练集、验证集和测试集三个部分,适用于目标检测算法的训练和评估。该数据集主要针对无人机和鸟类的自动识别任务,可用于开发智能监控系统,特别是在需要区分飞行器与鸟类以避免潜在风险的场景中具有重要应用价值。 1. YOLO11-LADH改进:无人机与鸟类目标检测的精准识别方案 1.1. 🚁 前言 近年来,无人机技术在航拍摄影、农业监测、物流配送等领域得到了广泛应用,📸 同时鸟类与无人机之间的安全冲突也日益增多。如何精准识别无人机与鸟类目标,对于保障空域安全、防止无人机扰鸟事件具有重要意义。🔍 本文将介绍基于Y

【AI绘画】DALL·E 3 绘图功能与 DALL·E API 探索

【AI绘画】DALL·E 3 绘图功能与 DALL·E API 探索

博客主页: [小ᶻ☡꙳ᵃⁱᵍᶜ꙳]本文专栏: AI绘画 文章目录 * 💯前言 * 💯DALL·E 3 图像生成介绍 * 图像质量与分辨率 * 图像生成机制的解析 * 多图生成功能 * 💯使用 DALL·E 编辑器界面 * 实际应用 * 编辑器的实用建议 * 💯DALL·E API 的探索 * 获取API Key的基本步骤 * API 功能概览 * 实际应用场景 * 使用注意事项 * 最佳实践 * 💯小结 💯前言 DALL·E 3 是 OpenAI 最新的图像生成技术,通过对文本描述的深度理解和生成对抗网络(GANs)的应用,能够快速生成高质量、细节丰富的图像。本文将从图像生成机制、分辨率与格式选择、多图生成功能、编辑器界面操作及 API 的使用等多个方面,