文章总结： 本文介绍作者使用本地laya模型（基于ModernBERT架构）对484篇Obsidian笔记进行自动分类的完整实践。全程本地运行保护隐私，通过置信度阈值0.25实现166篇自动归位、103篇留置人工处理。文章详细说明了环境配置、类别设计、阈值设定及文件安全移动等关键步骤，强调人机协作理念，并提供GitHub代码链接。
综合评分： 88
文章分类： 实战经验,AI安全,安全工具,安全建设

不调 API，我用本地 laya 模型给 484 篇笔记做了自动分类

原创

adra1n
adra1n

YY的黑板报

2026年9月23日 16:09
天津

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

前阵子我给 Obsidian 库做大迁移，旧库 484 篇笔记要重新归类。这个库里装着我这些年的日记、会议记录、技术折腾笔记，说真的，一篇我都不想发给云端 API。

所以我干脆全程本地，用 laya 这个能跑在自己机器上的模型，搭了套文档自动分类。跑完的结果是这样，排除掉索引文件和空壳笔记，269 篇参与判断，166 篇自动归位，103 篇模型自己没把握、留在原地等我人工翻，0 篇失败。

484 篇笔记，从头到尾没出过这台机器。

这套做法谈不上多成熟，我自己也还在摸索，但它完整跑通了。今天把整条链路拆开讲给你听，环境怎么配、喂什么、类别怎么设、阈值怎么定、最后怎么安全地移动文件，每一步都能照着做。

可能有小伙伴纳闷，文档分类这种事，不就是调 GPT 甩个 prompt 吗，让它吐个 JSON 不就完了。

怎么说呢，这招我也用过，但有两个问题一直卡着我。一个就是开头说的隐私，日记和会议记录发出去就收不回来了。另一个更实际，生成式模型给你的分类结果是一个字，不是一个概率。它说这篇是技术文档，可它不会告诉你它有几分把握，你根本没法在代码里写「低于 0.25 就别动」这种规则，因为压根没有置信度可以判断。

laya 不一样，它是个专门做判断的小模型，架构是 ModernBERT，你给它一组选项，它还你每个选项的概率。有了概率，判断就从一句文本变成了可以被代码处理的中间状态，阈值、留置、人工兜底，全靠这个概率才玩得起来。

我跟你说，这一步想通了，后面全是顺的。

先说环境，这是最劝退的一段，我把踩过的坑直接给你。

我这台是 Intel Mac，x86 架构，PyTorch 2.5 往上压根不给这个架构出包，所以 torch 得锁在 2.2.2。transformers 要卡在 4.48 到 4.49 之间，低了不认 ModernBERT 这个架构，高了没必要。numpy 得小于 2，不然跟老版 torch 打架。Python 用 3.11，3.12 跑 torch 2.2 的 compile 会出问题？？？对，你没看错，版本就是这么娇气。

所以给你的第一个做法是，别在系统 Python 里裸装。建个干净的 venv，按这几个约束把依赖锁一遍，装完先跑一句 import laya 看看报不报错，再往下走。这步花不了十分钟，但跳过它，后面每一个报错都会让你怀疑人生。

环境搞定，真正的设计只有三件事，喂什么、问几个、阈值多少。

第一件，喂什么。模型的输入我做了两档，title 档只喂标题，full 档喂标题加标签加标题层级加正文预览。一开始我图快用 title 档，1.7 秒判一篇，直到它把一篇标题叫「随手记」的笔记判成了生活随笔，我打开一看，正文全是 Nginx 502 的排障记录。

改成 full 档，同一篇直接判成技术文档，置信度 0.327。

差别就在正文那几百字里。空标题的笔记在中文库里太常见了，随手记、备忘、无标题，光看标题等于盲判。full 档慢一些，4.6 秒一篇，但这个时间花得值。所以默认开 full，title 档只留给你批量赶工、且标题都规规矩矩的场景。

第二件，问几个。这里有两条硬约束，都是我撞了墙才知道的。

一是类别别超过 10 个。laya 的选择题输出落在几个不同的校准桶里，6 到 10 个选项的桶温度是校准过的，第 11 个开始会被强行钳到 0.1006，那之后的置信度就是不可信的数字。我把类别写死成 8 类，配置加载时超过 10 类直接报错拒载。宁可噎死，也不能让一个假概率骗我。

二是选项描述必须短。模型给选项文本共用一个 192 token 的窗口，超长直接抛 ValueError。所以每个类别一句话，讲清楚它跟邻居的区别就行。我那 8 类是会议纪要、工作文档、技术文档、学习笔记、读书笔记、生活记录、资料收集、想法灵感，描述全是十几个字的大白话。

顺便还有个省算力的招，一次 system_one 调用可以同时塞好几个问题。我让它一遍推理同时回答两个问题，这篇归哪一类，以及长期价值几分。价值分 0 到 3 共四档，低于阈值就不打标签，笔记本身照常归位。一遍活干两件事，单篇耗时还不翻倍。

第三件，阈值。这是整套东西敢自动移动你文件的底气。

我拿模型把全库跑了一遍打出分布，清晰的技术笔记能到 0.32，模糊的随笔只有 0.13，整体铺在 0.04 到 0.49 之间。阈值我定在 0.25，高于它才移动，低于的留在收件箱。迁移那批留置的 103 篇，我挨个人工翻了一遍，大部分确实是四不像的笔记，模型没把握是对的。

原则就一条，绝不乱挪。模型拿不准的时候，它能给出的最好输出不是错误答案，是闭嘴等着。

还有个坑单独提醒你。laya 给的价值判断 confidence 实测低得离谱，普遍趴在 0.03 到 0.14。所以价值那一路看分数本身，别看 confidence，我的代码里低于 0.15 就挂个提醒标。

阈值也别拍脑袋。先跑 dry-run 把全部置信度打出来看分布，你的库和我的库未必一个样，看着分布定线。两个方向都得试，判太松会乱归位，判太严会全留置。

判断搞定，前后还有两环，处理不好你不敢开自动。

前面是读笔记，frontmatter、标签、标题层级、正文前几百字拼成模型认得的 state，跳过下划线开头的索引和模板文件夹。这步没难度但别偷懒，state 读不全，后面全是垃圾进垃圾出。

后面是移动文件，这里藏着最要命的坑。Obsidian 靠双链组织知识，一篇笔记搬进新文件夹，别的笔记里那些带路径的链接，比如 [[00 收件箱/某篇]]，就断了。我的做法是移动完立刻全库扫一遍，把指向旧路径的带路径链接改写成新路径，裸文件名链接 Obsidian 自己能解析，一个字不用动。目标文件夹没有就自动建，文件重名就加序号，绝不覆盖。移动完再往 frontmatter 里写回 category、confidence、value_score 几个字段，方便日后检索。

对了，命令默认永远是 dry-run，必须显式加 –apply 它才真动手。所以第一个动作永远是不带 apply 跑一遍 scan，先看它打算怎么挪，确认过眼神，再放行。

到这里，坦率的讲，成本也得摊开说，不能只画饼。

冷启动 19 秒，torch 加载就是这么慢。。。这个省不掉。full 档单篇 4.6 秒，十来篇笔记一分多钟。所以我也没做什么常驻监听进程，按需触发，说一句「分类笔记」跑一次，干完就退，机器不替我 24 小时空转。第一次配环境大概要花掉你半个下午，版本那几个坑我是挨个撞过来的，愚钝如我，硬试了好几轮。

但你想想看，这套东西换来的是什么。日记躺在自己硬盘里，分类自动化了，拿不准的自动送到你面前人工裁决，每一步判断都带着概率可回溯。

医院急诊科其实就是这个逻辑。最先接你的从来不是医生，是分诊台的护士，她拿标准判断你急不急，急的直接推进抢救室，不急的让你坐着等，真正需要深度判断的重症才轮到医生出手。

我这套就是个分诊台。模型不负责治好病，只负责给出一个带概率的初判，把确定的送走，把不确定的留下来等人。

判断这件事最终还得人来，但判断可以先被产生成概率，人只处理低置信度那条尾巴。我一直觉得，这可能是人机协作里最踏实的一种形态，不是 AI 替你做决定，是 AI 帮你把需要做决定的那一小撮挑出来。

484 篇就是这么处理完的，166 篇自动归位，103 篇进了我的人工队列，一篇没丢，一篇没断链，笔记没出过这台机器。

屏幕前的你如果也有个堆满笔记的库，听我一句，别一上来就全量迁移。先挑十篇你熟得不能再熟的笔记跑一遍判断，看看它给的置信度长什么样，再决定信它多少。代码我放在 GitHub 上： https://github.com/adra2n/obsidian-classify，配置模板抄过去把路径一改就能用。

这套阈值和类别是我这个库试出来的，你的库未必通用，可能有些想法还不成熟，但方向我始终坚信。先让它分诊，再让它动手。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：YY的黑板报 adra1n
adra1n《不调 API，我用本地 laya 模型给 484 篇笔记做了自动分类》