一句话看懂：一位月收入 10 万美元的从业者公开了自己的 Claude Code 工作流，不用任何 Agent 框架，只用 Obsidian vault 管理记忆文件，把智能体的上下文从 107 个精简到 17 个，让检索路径由人工设计。这提供了「记忆文件化」这一可复用的工程思路。
事件核心：发生了什么
2026 年 10 月 12 日，用户 @benyuls 发布了一段 10 分钟视频，展示其使用 Claude Code 搭建自主智能体的工作流。据 @k4451849352617 的整理，这套方法不依赖任何 Agent 框架，核心是把 Claude 的记忆文件全部搬进 Obsidian vault。他声称将记忆文件从 107 个合并到 17 个，减少智能体扫描成本；每个业务或任务建立「主笔记 + Wiki 链接」，让智能体读一篇就能顺着链接读完全部，他称之为 wild goose chase；并在 CLAUDE.md 中写死一条规则：能追加内容就不新建笔记。需要说明的是，月入 10 万美元是发布者本人的说法，方法通用，但不对效果作任何承诺。
为什么重要
这套思路的价值不在工具，而在「记忆文件化」：把智能体的记忆从模型黑盒或框架封装的向量库里拿出来，变成可版本管理、可检索、可审计的 markdown 文件。这本质上是一种人工策展的 RAG——检索路径由人设计，而不是交给无脑的相似度匹配，因此在任务边界清晰、SOP 可复用的场景下，准确率往往更高。它也呼应了一个被反复验证的经验：智能体变笨，多数时候不是模型能力问题，而是塞进了太多无关上下文。在 Agent 框架层出不穷的当下，这种「反框架」的轻量路线值得开发者对照评估。
对用户/开发者/创作者的影响
对不同角色的启发并不相同。开发者可以借鉴的是：先把项目知识库整理成结构化 vault，再谈智能体接入，而不是一开始就引入复杂框架；营销、运营等内容创作者的任务多为可复用 SOP，也可以用主笔记加双向链接的方式组织资料，让 Claude Code 按固定路径读取，降低每次对话前的上下文准备成本。普通用户若只是偶尔使用，则不必照搬，17 个还是 107 个文件的差别，只有在高频、长周期任务里才会明显体现。目前公开信息显示，这套方法的效果主要来自发布者的自述，尚无第三方复现数据。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是这套工作流是否会被更多人复现，并给出可验证的效率或成本对比；二是 Obsidian 这类本地笔记工具会不会因此被更多 Agent 用户纳入记忆层选型；三是「人工策展检索路径」与自动 RAG 的边界在哪里，哪些任务类型更适合前者；四是 Claude Code 及相关产品是否会原生支持更细粒度的记忆管理，减少手工合并文件的负担。
