1、理论基础与工具选择
　　信用研究需对多方面情况进行系统性跟踪，研究员每天面临大量、多源、非结构化的信息，并需将分散于不同来源的信息整合为持续判断。研究员的判断依据、分析框架与行业、区域认知等内容往往以相对隐性的经验形式存在，相关内容可能散落于不同位置，不同来源的碎片化信息难以有效关联，信息溯源往往需要耗费较多时间。
　　针对上述问题，我们认为可以引入Obsidian为载体、WorkBuddy为执行环境的知识积累机制，将研究员“一次性阅读”的信息消费行为，转化为“持续积累并进化的知识资产”。该机制的理论基础，来自于OpenAI联合创始成员Andrej Karpathy提出的LLMWiki模式，即让大语言模型将原始素材预先编译为结构化、可链接的Markdown知识库，使知识在摄取阶段被编译并保持更新，而非在查询阶段被反复推导。
　　具体操作中，可通过Obsidian与WorkBuddy的组合，让WorkBuddy在文件进入知识库时即完成提炼与结构化，将原始素材编译为Wiki层的结构化笔记。用户使用时，WorkBuddy直接读取已编译好的笔记，实现“先编译、后查询”。
　　2、信用研究知识库的运行机制
　　该方案运行机制分为三个层次。1）知识累积：将研究员日常获取的碎片化信息，通过Agent提炼并归档至相应目录，使原本散落于不同载体的信息形成结构化的知识体系。2）组织与维护：依赖规则文件来定义维护机制，实现知识库的持续可用。3）自动生长：通过WorkBuddy与Obsidian的协同，实现新素材处理、按需生成分析/文件、定期健康检查环节的运转。
　　3、安装与部署
　　本文提供系统部署与操作指南，包括Obsidian安装与初始配置、目录创建、规则文件编写、移动端同步方案及定期维护机制等多方面内容，可供研究员直接参照。
　　 4、风险提示
　　（1）AI生成内容存在局限性，可能存在事实错误、信息遗漏或幻觉，重要结论须以原始资料为准。
　　（2）方案依赖Obsidian、WorkBuddy及第三方插件，版本更新可能影响功能稳定性。
　　（3）Obsidian数据存储于本地设备，需自行做好备份。