从日报到 OKR：我是如何用 Claude + Obsidian 构建工作记忆系统的

零、背景

每次到写 OKR、绩效总结的时候，很多人都会遇到一个问题：

这半年到底做了什么？

明明每天都很忙，但真正开始写总结时，却发现很多事情已经记不清了。

我也经历过这个阶段。

从大学开始，我就一直保持记笔记的习惯。

这些年陆续使用过：

• Evernote
• 印象笔记
• 有道云笔记
• VSCode + Markdown
• Obsidian

工具一直在变，但核心需求始终没变：

如何把每天的工作沉淀下来，并在需要的时候快速形成总结。

2023 年开始，公司出于数据安全考虑，禁止使用外部云笔记记录工作相关内容。

于是我开始尝试使用 VSCode 记录纯文本 Markdown 笔记。

由于使用纯文本格式，我顺便引入了 Git 来管理笔记版本。

到了 2026 年，公司内部提供了大量 Claude Token。

于是我开始尝试：Obsidian 负责记录，Claude 负责整理。

经过半年实践，我已经实现了：

• 自动生成每日总结
• 自动生成周报
• 自动生成月报
• 自动生成季度总结
• 自动生成半年总结
• 自动生成 OKR 材料

效果远超预期。

本文分享一下我的实践过程。

一、把每天的工作都沉淀下来

每天早上，我会通过快捷键 Ctrl + D 自动创建当天的工作笔记。

这份笔记既是：

• Todo List
• 工作日志
• 项目记录
• 临时备忘录

也是我一天工作的驱动中心。

一天中所有待处理事项，我都会优先记录到这份笔记中。

例如：

• 业务需求
• 技术方案
• Bug 修复
• 故障处理线
• 临时会议
• 待跟进事项

都会先写下来。

我的原则很简单：所有事情先记录，再处理。

这样做有两个明显好处：

1）不会因为临时事项打断当前工作流
2）不会遗漏后续需要处理的任务

完成一个任务后，我会及时补充：

• 当前进度
• 处理结果
• 最终结论
• 后续计划

然后再开始下一项工作。

久而久之，每天的笔记就成为了最完整的工作记录。

二、用 AI 自动生成每日总结

有了完整的原始记录后，总结工作就可以交给 AI 来完成。

通常在下班前，或者第二天早上，我会执行一个 Prompt，让 Claude 自动分析当天笔记并生成日报。

Claude 会自动提取：

• 当天完成事项
• 当前进行中的工作
• 遇到的问题
• 关键结论
• 后续待办

相比手工编写日报，这种方式不仅节省时间，而且覆盖更加全面。

不过生成之后，我不会直接保存。

而是会再进行一次人工 Review。

重点检查：

• 是否遗漏重要事项
• 是否理解错上下文
• 是否总结错误
• 数据是否准确

确认无误后，才作为正式的每日总结保存下来。

这一步非常重要，后面会专门讲。

三、用 AI 构建总结金字塔

很多人使用 AI 的方式是：让 AI 直接帮我写月报。

这种方式的问题在于：如果原始数据不完整，最终生成的内容也不会准确。

我的做法正好相反。

我把总结过程设计成一个逐级聚合的结构：

每日笔记
    ↓
每日总结
    ↓
每周总结
    ↓
每月总结
    ↓
季度总结
    ↓
半年总结
    ↓
OKR总结

与每日笔记类似，我也配置了快捷键：

• Ctrl + W：生成周总结模板
• Ctrl + M：生成月总结模板
• Ctrl + Q：生成季度总结模板
• Ctrl + H：生成半年总结模板

这些快捷键只是负责生成对应模板。

真正的总结工作仍然由 Claude 完成，都配置成 command 了。

这样就形成了一套完整的工作记忆体系：

• 日总结来源于日笔记
• 周总结来源于日总结
• 月总结来源于周总结
• 季总结来源于月总结
• 半年总结来源于季总结

最终再结合公司的 OKR 模板，自动生成绩效总结材料。

整个过程几乎不需要重新回忆过去发生过什么。

因为所有信息都已经沉淀在系统中了。

四、AI 总结最容易忽略的问题：垃圾进，垃圾出

刚开始使用 Claude 时，我犯过一个错误。

生成总结后只是简单看一眼。

觉得差不多就保存。

结果到了月总结阶段发现：

很多内容已经出现明显偏差。

例如：

• 项目状态错误
• 工作量统计偏差
• 已完成事项被认为仍在进行中
• 某些关键成果被遗漏

后来我才意识到一个经典原则：垃圾数据，只能得到垃圾总结

如果每日总结出现错误：

日报错误
    ↓
周报错误
    ↓
月报错误
    ↓
季度总结错误

误差会不断累积和放大。

尤其是在 AI 自动聚合总结的场景下，这个问题会更加明显。

因此后来我增加了一个固定流程：

AI生成总结
      ↓
人工Review
      ↓
修正内容
      ↓
保存归档

每次大约投入 5～10 分钟。

但收益非常明显。

经过修正后的每日总结，会成为后续所有总结的可信数据源。

这样生成的周报、月报、季度总结与实际工作内容几乎完全一致。

也让后续 OKR 总结变得非常准确。

五、AI 最大的价值，不是帮你写总结

很多人认为：AI 的价值是帮自己写日报、周报。

但半年实践下来，我最大的感受是：AI 真正的价值，不是生成文字，而是帮助建立工作记忆。

以前写 OKR 时，经常会出现这样的情况：

• 做过但忘了
• 做了很多却说不出来
• 明明很忙却无法量化成果
• 总结时只能靠回忆拼凑

而现在：

打开半年总结即可看到：

• 做过什么
• 完成了什么
• 哪些仍在推进
• 哪些已经延期
• 哪些工作投入最多

所有信息都有据可查。

对于管理者来说：这是工作复盘工具。

对于工程师来说：这是个人成长记录。

对于需要写 OKR 的人来说：这是一份自动积累的成果档案。

回头看这半年，我最大的收获是建立了一套能够长期积累的工作记忆系统。

工具本身并不重要。

真正重要的是：用尽可能低的成本，把每天的工作沉淀下来，并持续形成可复用的知识资产。

这或许才是 AI 时代最值得建立的能力。

六、最后

目前这套流程已经覆盖：

• 日总结
• 周总结
• 月总结
• 季度总结
• 半年总结
• OKR 总结

后面我还计划继续完善：

• 自动生成项目总结
• 自动生成个人成长报告
• 自动生成技术成果汇总
• 自动统计各项目的时间投入分布
• 自动生成年度总结

等后续完善后，再单独写文章分享具体实现细节与效果。

《完》

-EOF-

本文公众号：天空的代码世界
个人微信号：tiankonguse
公众号 ID：tiankonguse-code