【亲测免费】 Obsidian Weread Plugin 下载及安装教程
1. 项目介绍
Obsidian Weread Plugin 是一个社区插件,用于将微信读书中的书籍元信息、高亮标注、划线感想、书评等同步到 Obsidian Vault 中。该插件将这些信息转换为 Markdown 格式保存,方便用户在 Obsidian 中进行笔记管理和知识整理。
2. 项目下载位置
Obsidian Weread Plugin 的项目源码托管在 GitHub 上。用户可以通过以下步骤下载项目:
-
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/zhaohongxuan/obsidian-weread-plugin.git下载完成后,项目文件将保存在当前目录下的
obsidian-weread-plugin文件夹中。
3. 项目安装环境配置
3.1 安装 Node.js
Obsidian Weread Plugin 依赖于 Node.js 环境。请确保在安装项目之前已经安装了 Node.js。
-
访问 Node.js 官方网站下载并安装最新版本的 Node.js。
-
安装完成后,在终端中运行以下命令验证安装是否成功:
node -v npm -v如果显示版本号,则说明 Node.js 安装成功。
3.2 安装 Obsidian
Obsidian Weread Plugin 是一个 Obsidian 插件,因此需要先安装 Obsidian 客户端。
- 访问 Obsidian 官方网站下载并安装 Obsidian。
- 安装完成后,打开 Obsidian 客户端。
3.3 配置项目环境
-
进入项目目录:
cd obsidian-weread-plugin -
安装项目依赖:
npm install此命令将自动安装项目所需的所有依赖包。
4. 项目安装方式
4.1 通过插件市场安装
- 打开 Obsidian 客户端。
- 进入“设置” -> “社区插件”。
- 在搜索框中输入“Weread”,找到“Weread Plugin”并点击“安装”。
- 安装完成后,点击“启用”使插件生效。
4.2 手动安装
- 在项目目录中找到
main.js和manifest.json文件。 - 将这两个文件复制到 Obsidian 的插件目录中。插件目录通常位于
Vault/.obsidian/plugins/下。 - 重新启动 Obsidian 客户端,插件将自动加载。
5. 项目处理脚本
Obsidian Weread Plugin 提供了一些处理脚本,用于同步微信读书中的笔记和标注。以下是一些常用的脚本:
5.1 同步脚本
在项目目录中,运行以下命令以同步微信读书中的笔记:
npm run sync
此命令将自动同步微信读书中的高亮标注和笔记到 Obsidian Vault 中。
5.2 更新脚本
如果需要更新插件,可以运行以下命令:
npm run update
此命令将更新插件到最新版本。
5.3 清理脚本
如果需要清理插件生成的文件,可以运行以下命令:
npm run clean
此命令将删除所有生成的文件,恢复插件的初始状态。
通过以上步骤,您可以成功下载、安装并配置 Obsidian Weread Plugin,开始在 Obsidian 中同步和管理微信读书的笔记。
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