ExcaliBrain 使用教程
1. 项目介绍
ExcaliBrain 是一个基于 Obsidian 的插件,旨在通过图形视图帮助用户导航和管理他们的 Obsidian 知识库。该插件受到 TheBrain 和 Breadcrumbs 的启发,提供了一个交互式的、结构化的思维导图,自动生成基于文件夹和文件的链接、dataview 字段、标签和 YAML 前言的思维导图。
ExcaliBrain 支持五种类型的关系:
- Children: 通过正向链接推断的子节点。
- Parents: 通过反向链接推断的父节点。
- Friends: 相互链接的文件。
- Other Friends: 右侧的横向关系。
- Siblings: 父节点的子节点。
2. 项目快速启动
2.1 安装 ExcaliBrain
首先,确保你已经安装并启用了 Obsidian 和 Dataview 插件。然后按照以下步骤安装 ExcaliBrain:
- 打开 Obsidian。
- 进入“社区插件”选项卡。
- 搜索“ExcaliBrain”。
- 点击“安装”并启用插件。
2.2 配置 ExcaliBrain
安装完成后,你可以在 Obsidian 的设置中找到 ExcaliBrain 的配置选项。以下是一个简单的配置示例:
{
"dataview": {
"enabled": true,
"fields": ["Author", "Tags"]
},
"excalidraw": {
"enabled": true
}
}
2.3 使用 ExcaliBrain
在 Obsidian 中创建一个新的笔记,并使用以下代码生成思维导图:
# 我的思维导图
## 子节点
- [[子节点1]]
- [[子节点2]]
## 父节点
- [[父节点1]]
## 朋友节点
- [[朋友节点1]]
## 兄弟节点
- [[兄弟节点1]]
3. 应用案例和最佳实践
3.1 知识管理
ExcaliBrain 非常适合用于知识管理,特别是当你需要可视化复杂的知识网络时。通过使用 ExcaliBrain,你可以轻松地查看和导航不同笔记之间的关系,从而更好地组织和管理你的知识库。
3.2 项目管理
在项目管理中,ExcaliBrain 可以帮助你可视化项目中的不同任务和子任务之间的关系。你可以通过创建不同的节点来表示任务,并通过链接来表示任务之间的依赖关系。
3.3 学习笔记
在学习过程中,ExcaliBrain 可以帮助你更好地理解和记忆知识点。通过创建思维导图,你可以将不同的知识点连接起来,形成一个完整的知识网络。
4. 典型生态项目
4.1 Dataview
Dataview 是一个强大的 Obsidian 插件,用于查询和展示笔记中的数据。ExcaliBrain 与 Dataview 紧密集成,允许你通过 Dataview 字段来定义和展示笔记之间的关系。
4.2 Excalidraw
Excalidraw 是一个用于绘制手绘风格图形的插件。ExcaliBrain 利用 Excalidraw 的功能来生成和展示思维导图,使得导图更加直观和美观。
4.3 Hover Editor
Hover Editor 是一个 Obsidian 插件,允许你在悬浮窗口中编辑笔记。ExcaliBrain 与 Hover Editor 配合使用,可以提供更加流畅的编辑体验。
通过以上模块的介绍和实践,你可以快速上手并充分利用 ExcaliBrain 的功能,提升你的知识管理和项目管理效率。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00