Obsidian-Export v25.3.0 发布:增强Markdown兼容性
Obsidian-Export 是一个强大的命令行工具,专门设计用于将 Obsidian 笔记库中的内容导出为其他格式。它能够处理 Obsidian 特有的语法和功能,如内部链接、嵌入内容等,并将其转换为标准 Markdown 或其他格式,方便用户在不同平台间迁移或发布内容。
最新发布的 v25.3.0 版本主要带来了对 GitHub Flavored Markdown (GFM) 的支持,这一改进显著提升了导出内容的质量和兼容性。
GFM支持:改善Obsidian callouts的导出效果
本次更新的核心特性是启用了 GitHub Flavored Markdown 扩展支持。这一变化特别针对 Obsidian 中的 callouts(标注框)功能,解决了之前版本中可能出现的格式混乱问题。
在 Obsidian 中,callouts 是一种常用的笔记组织方式,它允许用户创建带有特殊样式的注释块。例如:
> [!NOTE]
> 这是一个示例标注
在之前的版本中,这类 callouts 在导出时可能会被添加不必要的转义字符,导致格式损坏。v25.3.0 通过启用 GFM 支持,确保了这些特殊语法能够被正确识别和处理,从而保持原有的结构和样式。
技术实现细节
GFM 是标准 CommonMark 的一个扩展集,增加了表格、任务列表、删除线等额外语法支持。Obsidian-Export 通过集成 pulldown-cmark 库的最新功能,实现了对这些扩展语法的完整支持。
具体到 callouts 的处理,新版本采用了更智能的解析策略:
- 识别 Obsidian 特有的 callout 语法结构
- 在保持语义完整性的前提下进行转换
- 避免添加不必要的转义字符
- 确保输出与 GFM 规范兼容
使用建议
对于依赖 callouts 组织笔记的用户,升级到 v25.3.0 将获得更可靠的导出体验。建议所有用户及时更新,特别是:
- 经常需要将笔记发布到 GitHub 的用户
- 使用 callouts 进行知识管理的用户
- 需要保持笔记在不同平台间一致性的用户
安装与升级
用户可以通过多种方式获取新版本:
- 使用 shell 脚本一键安装(支持 Linux/macOS)
- 通过 PowerShell 脚本安装(Windows 用户)
- 直接下载对应平台的预编译二进制文件
所有发布文件都附带了 SHA256 校验和,确保下载安全可靠。
总结
Obsidian-Export v25.3.0 通过引入 GFM 支持,解决了长期存在的 callouts 导出问题,进一步巩固了其作为 Obsidian 生态中重要工具的地位。这一改进使得笔记导出过程更加无缝,减少了后期手动修正的工作量,对于内容创作者和知识工作者来说是一个值得欢迎的更新。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00