【亲测免费】 Obsidian Local Images 插件下载及安装教程
1. 项目介绍
Obsidian Local Images 是一个为 Obsidian 桌面版本开发的插件。该插件的主要功能是查找笔记中所有指向外部图片的链接,并将这些图片下载并保存到本地,最后调整笔记中的链接以指向本地保存的图片文件。例如,如果笔记中有一个指向外部图片的链接 [](https://picsum.photos/200/300.jpg),该插件会将图片下载并保存到 vault 的 media 子目录中,然后将链接调整为指向本地保存的图片 [](media/300.jpg)。这对于从网页中复制内容并希望将图片保存在 vault 中的用户非常有用,因为外部链接可能会在未来被移动或失效。
2. 项目下载位置
Obsidian Local Images 插件的源代码托管在 GitHub 上。你可以通过以下步骤下载该项目:
- 打开终端或命令行工具。
- 使用
git clone命令下载项目:
git clone https://github.com/aleksey-rezvov/obsidian-local-images.git
3. 项目安装环境配置
在安装 Obsidian Local Images 插件之前,你需要确保你的开发环境已经配置好。以下是所需的软件和工具:
- Node.js:用于运行 JavaScript 和 TypeScript 项目。
- npm:Node.js 的包管理工具,用于安装项目依赖。
- Obsidian:确保你已经安装并配置好了 Obsidian 桌面版本。
3.1 Node.js 安装
首先,你需要安装 Node.js。你可以从 Node.js 官方网站 下载并安装适合你操作系统的版本。

3.2 npm 安装
安装 Node.js 后,npm 会自动安装。你可以通过以下命令验证 npm 是否安装成功:
npm -v
3.3 Obsidian 安装
确保你已经从 Obsidian 官方网站 下载并安装了 Obsidian 桌面版本。

4. 项目安装方式
下载并配置好环境后,你可以按照以下步骤安装 Obsidian Local Images 插件:
- 进入项目目录:
cd obsidian-local-images
- 安装项目依赖:
npm install
- 启动开发模式(可选):
npm run dev
-
将插件文件夹复制到 Obsidian 的插件目录中。通常,Obsidian 的插件目录位于
~/.obsidian/plugins/或%APPDATA%\Obsidian\plugins\,具体路径取决于你的操作系统。 -
在 Obsidian 中启用插件:
- 打开 Obsidian。
- 进入设置(Settings)。
- 选择“社区插件”(Community plugins)。
- 点击“浏览”(Browse),找到并启用“Local Images”插件。
5. 项目处理脚本
Obsidian Local Images 插件提供了两个主要的处理脚本:
- Download images locally:处理当前活动页面的所有外部图片链接。
- Download images locally for all your notes:处理 vault 中所有页面的外部图片链接。
你可以在插件的设置中配置这些脚本,并选择是否在粘贴外部链接时自动处理图片。
5.1 使用示例
假设你在笔记中有一个外部图片链接 [](https://picsum.photos/200/300.jpg),使用插件后,图片将被下载并保存到 media 目录中,链接将自动调整为 [](media/300.jpg)。

通过以上步骤,你已经成功下载并安装了 Obsidian Local Images 插件,并了解了如何使用它来处理笔记中的外部图片链接。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00