這確實是個 AI 浪潮席捲而來的時代，我手邊常用的應用程式，無論是 Heptabase、Notion 乃至於 Readwise，都已紛紛內建了 AI 功能，可見這股趨勢之不可擋。因此，在 Obsidian 的眾多插件 (plugin) 中，我首先想介紹的便是這款名為「Smart connections」的 AI 插件。
Smart connections 的核心運作方式，是將你所有的筆記轉化為 embedding，進而在本地進行檢索。從本質上來說，它已經是一種 RAG (Retrieval-Augmented Generation，檢索增強生成) 的應用，將你的 Obsidian 筆記庫轉變為一個獨一無二的 AI 知識庫。你可以想像，它就像一位隨時待命的 AI 助手，能夠快速地從你的筆記中提取相關資訊，協助你進行思考和創作。
在上一篇關於活用Obsidian MOC：打造你的知識地圖的文章中，我已經大致介紹了 Smart connection 的主要功能。而本篇文章，我將更深入地探討與之相關的重要設定。Smart connections 主要提供兩大功能：(1) 搜尋關聯性筆記，以及 (2) 基於筆記的 AI Chat。不過，我個人並沒有使用第二項功能，而是選擇了另一款插件 Copilot 來取而代之，這也是一種個人化的選擇，畢竟每個人的使用習慣和需求都不盡相同。
Embedding 模型設置：精打細算的選擇
關於 Embedding 模型的選擇，Smart connections 提供了幾種方案。你可以選擇使用系統內建的模型，但我個人更推薦使用 OpenAI 的 text-embedding-3-small 模型，也就是ChapGPT API所提供的服務。目前，它的價格是每 1,000 Tokens 為 0.0002 美元，以我個人的使用經驗來說，一個月下來的花費通常都在台幣 10 元以下，可說是相當經濟實惠。
或許你會考慮是否要使用價格較高的 text-embedding-3-large 模型 (每 1,000 Tokens 為 0.0013 美元)？我的建議是，如果你的主要目的是建立筆記之間的關聯，那麼 small 模型已經綽綽有餘。畢竟，我們並非要訓練一個能夠生成複雜文本的 AI，而是要讓它能夠理解筆記之間的語義關係。
此外，我強烈建議不要開啟 Smart Blocks 功能。雖然 Smart connections 也能夠精準地處理 Blocks (即段落)，但開啟 Smart Blocks 會帶來一些負面影響。舉例來說，如果以 Note level 產生 7,500 個向量 (每個筆記一個向量)，那麼開啟 Smart blocks 後，向量數可能會增加到約 6,600 個 (假設每篇筆記有 9 個段落)，這將導致檢索速度變慢，同時費用也會增加十餘倍。
更重要的是，由於我的筆記絕大部分都是原子筆記 (即一個筆記只包含一個概念)，如果僅僅拿單獨一段文字去做 embedding，模型很難理解其上下文，也無法判斷這段文字屬於哪一份文件。這樣一來，搜尋結果可能會出現一堆相似的段落，但卻缺乏關聯的脈絡，無法將這些段落整合為一篇完整的概念筆記。
使用經驗：從繁瑣到高效的轉變
過去，我需要花費大量的時間和精力來為每個筆記設置相互連結，這是一項相當繁瑣的工作。然而，在使用 Smart connections 插件後，我可以同時檢索關聯度高的筆記，相關的觀念也變得更容易取得，彷彿俯首可拾。這讓我能夠更專注於筆記的撰寫，而不用再為了建立連結而分心。
總而言之，通過 OpenAI API 使用 text-embedding-3-small，你就能夠立即享受到價廉快速的知識庫連結。這不僅能夠提升你的筆記效率，也能夠讓你更深入地理解和運用你的知識。
