1. 为什么我要把选题库搬回本地做内容的人大概都经历过这种循环刷到一条爆款随手丢进收藏夹过两周想找却翻不到最后只能凭记忆重写一遍。手动复制粘贴效率低写爬虫又容易撞上登录限制和验证码账号风险也不小。我试过几种云端笔记方案同步是方便但字段结构一乱检索基本靠关键词硬搜选题复盘时根本拉不出可用的数据。这套 Codex Obsidian 工作流的思路很直接不在后台强行抓数据而是在你正常浏览网页时用 Obsidian 官方的 Web Clipper 一键剪藏内容以 Markdown 落到本地磁盘。Obsidian 负责安全存储和结构化字段Codex 负责读取本地 Vault、批量补全属性、计算爆款指数、生成选题周报。整条链路跑在你自己的机器上数据不出本地扩展性也强。它适合谁适合已经在用 Obsidian 做知识管理、又想给选题环节加一层自动化分析的内容创作者和运营。你不需要会写复杂脚本只要能改配置文件、能看懂 YAML 和 TOML 就行。下面我把从采集到分析再到周报的完整搭建过程拆开讲每一步都给可复制的配置和验证动作确保你能跟着跑通。2. 前置准备TaoToken 统一 Key 与本地环境Codex 这类工具要调用模型通常支持账号登录和 API 登录两种方式。账号登录省事但网络波动时容易断调用成本也不好精细管理。我选择 API 登录用一个统一的 Key 走 OpenAI Compatible 通道把模型调用集中管理。这里用 TaoToken 作为接入通道官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 。你需要先准备好三样东西一个 Obsidian Vault本地仓库文件夹、Codex 客户端、以及 TaoToken 的 API Key。Key 的获取路径是登录后进入控制台在 API Keys 页面创建令牌绑定你要用的模型分组。如果不确定模型限制创建时可以先不填限制条件后面按需收紧。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite API Keys 页面是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。Vault 的目录结构建议提前规划好我用的骨架是这样的my-vault/ ├── 00-仪表盘 ├── 10-爆款样本 ├── 20-周报 ├── 90-模板 └── .agents/skills10-爆款样本放剪藏进来的原始笔记20-周报放 Codex 生成的周报草稿.agents/skills放固化的 Skill 定义。目录名用数字前缀是为了在 Obsidian 侧边栏里排序稳定你按自己习惯改也行但后面配置里的路径要跟着改。3. 可复制配置config.toml 与 settings.json 骨架Codex 的模型服务配置一般放在用户目录下的config.toml。下面这份骨架把 TaoToken 的 Base URL、API Key 和模型名都留了占位你替换成自己的即可。注意 Base URL 用https://taotoken.net/api不要带多余路径。# ~/.codex/config.toml model gpt-5.5 model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY wire_api chat [profiles.default] model gpt-5.5 model_provider taotokenAPI Key 不建议直接写进配置文件用环境变量更安全。在终端里设置export TAOTOKEN_API_KEYsk-你的KeyWindows 下用 PowerShell$env:TAOTOKEN_API_KEYsk-你的KeyObsidian 侧的settings.json主要管 Web Clipper 的模板和属性映射。Web Clipper 的模板配置存在扩展里但 Vault 内的.obsidian目录会记录属性类型。下面这份是属性定义的骨架放在.obsidian/types.json里让 Obsidian 知道哪些字段是数字、哪些是文本{ types: { title: text, source_url: text, collected_date: date, status: text, topic: text, hook_type: text, structure: text, likes: number, saves: number, comments: number, viral_score: number } }Web Clipper 的剪藏模板里YAML 头部这样写--- title: {{title}} source_url: {{url}} collected_date: {{date}} status: 待分析 topic: hook_type: structure: likes: 0 saves: 0 comments: 0 viral_score: 0 ---触发规则设成只在目标平台页面激活避免在无关网页误触。剪藏时网页正文和元数据会一起落到10-爆款样本点赞、收藏、评论数建议顺手补一下。这一步看起来不够自动但它彻底避开了平台风控把最耗时的分类和拆解留给 AI性价比最高。4. 验证请求从剪藏到 Codex 批量分析配置写完先别急着跑批量任务用一条最小请求验证通道是否通。在终端里用 curl 打一次 TaoToken 的接口curl https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: gpt-5.5, messages: [{role: user, content: 回复 ok}] }返回里能看到choices字段和内容说明 Key 和 Base URL 都对。如果返回 401检查 Key 是否复制完整返回 404检查 Base URL 是不是写成了带/v1的旧格式。通道通了之后把 Vault 文件夹作为项目导入 Codex。此时 Codex 能感知到目录结构。接着在.agents/skills/xhs-trend-library/SKILL.md里定义工作边界# Skill: 爆款内容拆解与选题生成 ## 运行限制 - 仅读取 Vault 本地已有笔记严禁访问外部未授权链接。 - 补全属性时若数据缺失必须标记严禁编造任何互动指标。 - 生成选题时必须结合用户自身的真实案例严禁直接复制原作者的标题和正文。 ## 执行步骤 1. 扫描 10-爆款样本 目录下 status 为 待分析 的文件。 2. 提取文本分析其主题、开头钩子类型及大纲结构并写入对应的 Properties。 3. 计算并更新 viral_score。 4. 将处理完的文件状态更新为 已分析。爆款指数的计算逻辑我放在 Skill 里让 Codex 执行。公式是收藏权重最高因为收藏代表深度实用价值Viral Score (Saves × 0.42) (Likes × 0.3) (Comments × 0.18) (Freshness × 0.1)为了避免头部大号的极端数据破坏分布脚本里用对数转换平滑import math def viral_score(saves, likes, comments, days_old): freshness max(0, 1 - days_old / 30) raw (saves * 0.42) (likes * 0.3) (comments * 0.18) (freshness * 0.1) return round(math.log1p(raw), 2)在 Codex 里输入指令让它扫描并写回读取 10-爆款样本 下所有 status 为 待分析 的笔记 按 SKILL.md 的步骤补全 topic、hook_type、structure 计算 viral_score 并写回 Properties最后把 status 改为 已分析。跑完后打开任意一篇笔记Properties 面板里应该能看到补全的字段和计算出的指数。这一步成功说明本地工作流的核心链路已经通了。5. 本篇常见错排查Key 无效或 401最常见的是环境变量没生效。在终端里echo $TAOTOKEN_API_KEY确认有值再确认config.toml里的env_key名字和实际变量名一致。如果是在 IDE 里跑 Codex注意 IDE 可能没继承终端的环境变量需要在 IDE 的设置里单独配。Base URL 写错TaoToken 的 API 地址是https://taotoken.net/api不要自己加/v1或/chat/completions后缀Codex 会按wire_api自动拼接。写错会返回 404 或路径不存在。剪藏后属性不显示检查.obsidian/types.json里的字段名和 YAML 头部是否完全一致大小写敏感。如果字段名对但类型不对数字字段会显示成文本排序和计算都会出问题。Codex 读不到文件确认导入的是 Vault 根目录不是子文件夹。如果 Skill 里的路径写的是10-爆款样本而实际目录名有变化扫描会返回空。跑之前先用ls确认目录存在。viral_score 全是 0多半是 likes、saves、comments 字段没填或填成了文本。检查 YAML 里这几个值是不是纯数字不要带引号。Freshness 依赖collected_date如果日期格式不对freshness 会算成 0。模型名不匹配config.toml里的 model 要和 TaoToken 控制台里绑定的分组支持的模型一致。如果返回模型不存在去模型广场确认可用模型名再改配置。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 可以先在那里试一下模型是否可用。6. 把工作流跑成长期习惯样本积累到一定量后让 Codex 定期生成选题周报。周报汇总本周新增的爆款趋势拆解高频出现的开头钩子。可以用 Codex 的定时任务设置每周五下午自动跑分析脚本更新仪表盘并生成周报草稿。注意本地定时任务需要电脑开机且 Codex 客户端在运行。如果你打算长期用这套流程做编码和 Agent 类任务可以看下 Coding Plan地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 适合调用量稳定的场景。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置细节以文档为准。最后提醒两点一是筛选标准要明确优先收录收藏率高的教程、评论区暴露真实痛点的内容、与你定位相关且能用自己案例重写的话题纯情绪宣泄和时效性过强的内容直接忽略二是守住合规边界爆款库只作内部选题和结构参考发布前必须人工核查事实并加入自己的真实见解。把碎片化的收藏变成有源之水这才是这套工作流真正的价值。 实战：用 Codex + Obsidian 搭建本地爆款选题库工作流（TaoToken 统一 Key 接入版）
1. 为什么我要把选题库搬回本地做内容的人大概都经历过这种循环刷到一条爆款随手丢进收藏夹过两周想找却翻不到最后只能凭记忆重写一遍。手动复制粘贴效率低写爬虫又容易撞上登录限制和验证码账号风险也不小。我试过几种云端笔记方案同步是方便但字段结构一乱检索基本靠关键词硬搜选题复盘时根本拉不出可用的数据。这套 Codex Obsidian 工作流的思路很直接不在后台强行抓数据而是在你正常浏览网页时用 Obsidian 官方的 Web Clipper 一键剪藏内容以 Markdown 落到本地磁盘。Obsidian 负责安全存储和结构化字段Codex 负责读取本地 Vault、批量补全属性、计算爆款指数、生成选题周报。整条链路跑在你自己的机器上数据不出本地扩展性也强。它适合谁适合已经在用 Obsidian 做知识管理、又想给选题环节加一层自动化分析的内容创作者和运营。你不需要会写复杂脚本只要能改配置文件、能看懂 YAML 和 TOML 就行。下面我把从采集到分析再到周报的完整搭建过程拆开讲每一步都给可复制的配置和验证动作确保你能跟着跑通。2. 前置准备TaoToken 统一 Key 与本地环境Codex 这类工具要调用模型通常支持账号登录和 API 登录两种方式。账号登录省事但网络波动时容易断调用成本也不好精细管理。我选择 API 登录用一个统一的 Key 走 OpenAI Compatible 通道把模型调用集中管理。这里用 TaoToken 作为接入通道官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 。你需要先准备好三样东西一个 Obsidian Vault本地仓库文件夹、Codex 客户端、以及 TaoToken 的 API Key。Key 的获取路径是登录后进入控制台在 API Keys 页面创建令牌绑定你要用的模型分组。如果不确定模型限制创建时可以先不填限制条件后面按需收紧。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite API Keys 页面是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。Vault 的目录结构建议提前规划好我用的骨架是这样的my-vault/ ├── 00-仪表盘 ├── 10-爆款样本 ├── 20-周报 ├── 90-模板 └── .agents/skills10-爆款样本放剪藏进来的原始笔记20-周报放 Codex 生成的周报草稿.agents/skills放固化的 Skill 定义。目录名用数字前缀是为了在 Obsidian 侧边栏里排序稳定你按自己习惯改也行但后面配置里的路径要跟着改。3. 可复制配置config.toml 与 settings.json 骨架Codex 的模型服务配置一般放在用户目录下的config.toml。下面这份骨架把 TaoToken 的 Base URL、API Key 和模型名都留了占位你替换成自己的即可。注意 Base URL 用https://taotoken.net/api不要带多余路径。# ~/.codex/config.toml model gpt-5.5 model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY wire_api chat [profiles.default] model gpt-5.5 model_provider taotokenAPI Key 不建议直接写进配置文件用环境变量更安全。在终端里设置export TAOTOKEN_API_KEYsk-你的KeyWindows 下用 PowerShell$env:TAOTOKEN_API_KEYsk-你的KeyObsidian 侧的settings.json主要管 Web Clipper 的模板和属性映射。Web Clipper 的模板配置存在扩展里但 Vault 内的.obsidian目录会记录属性类型。下面这份是属性定义的骨架放在.obsidian/types.json里让 Obsidian 知道哪些字段是数字、哪些是文本{ types: { title: text, source_url: text, collected_date: date, status: text, topic: text, hook_type: text, structure: text, likes: number, saves: number, comments: number, viral_score: number } }Web Clipper 的剪藏模板里YAML 头部这样写--- title: {{title}} source_url: {{url}} collected_date: {{date}} status: 待分析 topic: hook_type: structure: likes: 0 saves: 0 comments: 0 viral_score: 0 ---触发规则设成只在目标平台页面激活避免在无关网页误触。剪藏时网页正文和元数据会一起落到10-爆款样本点赞、收藏、评论数建议顺手补一下。这一步看起来不够自动但它彻底避开了平台风控把最耗时的分类和拆解留给 AI性价比最高。4. 验证请求从剪藏到 Codex 批量分析配置写完先别急着跑批量任务用一条最小请求验证通道是否通。在终端里用 curl 打一次 TaoToken 的接口curl https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: gpt-5.5, messages: [{role: user, content: 回复 ok}] }返回里能看到choices字段和内容说明 Key 和 Base URL 都对。如果返回 401检查 Key 是否复制完整返回 404检查 Base URL 是不是写成了带/v1的旧格式。通道通了之后把 Vault 文件夹作为项目导入 Codex。此时 Codex 能感知到目录结构。接着在.agents/skills/xhs-trend-library/SKILL.md里定义工作边界# Skill: 爆款内容拆解与选题生成 ## 运行限制 - 仅读取 Vault 本地已有笔记严禁访问外部未授权链接。 - 补全属性时若数据缺失必须标记严禁编造任何互动指标。 - 生成选题时必须结合用户自身的真实案例严禁直接复制原作者的标题和正文。 ## 执行步骤 1. 扫描 10-爆款样本 目录下 status 为 待分析 的文件。 2. 提取文本分析其主题、开头钩子类型及大纲结构并写入对应的 Properties。 3. 计算并更新 viral_score。 4. 将处理完的文件状态更新为 已分析。爆款指数的计算逻辑我放在 Skill 里让 Codex 执行。公式是收藏权重最高因为收藏代表深度实用价值Viral Score (Saves × 0.42) (Likes × 0.3) (Comments × 0.18) (Freshness × 0.1)为了避免头部大号的极端数据破坏分布脚本里用对数转换平滑import math def viral_score(saves, likes, comments, days_old): freshness max(0, 1 - days_old / 30) raw (saves * 0.42) (likes * 0.3) (comments * 0.18) (freshness * 0.1) return round(math.log1p(raw), 2)在 Codex 里输入指令让它扫描并写回读取 10-爆款样本 下所有 status 为 待分析 的笔记 按 SKILL.md 的步骤补全 topic、hook_type、structure 计算 viral_score 并写回 Properties最后把 status 改为 已分析。跑完后打开任意一篇笔记Properties 面板里应该能看到补全的字段和计算出的指数。这一步成功说明本地工作流的核心链路已经通了。5. 本篇常见错排查Key 无效或 401最常见的是环境变量没生效。在终端里echo $TAOTOKEN_API_KEY确认有值再确认config.toml里的env_key名字和实际变量名一致。如果是在 IDE 里跑 Codex注意 IDE 可能没继承终端的环境变量需要在 IDE 的设置里单独配。Base URL 写错TaoToken 的 API 地址是https://taotoken.net/api不要自己加/v1或/chat/completions后缀Codex 会按wire_api自动拼接。写错会返回 404 或路径不存在。剪藏后属性不显示检查.obsidian/types.json里的字段名和 YAML 头部是否完全一致大小写敏感。如果字段名对但类型不对数字字段会显示成文本排序和计算都会出问题。Codex 读不到文件确认导入的是 Vault 根目录不是子文件夹。如果 Skill 里的路径写的是10-爆款样本而实际目录名有变化扫描会返回空。跑之前先用ls确认目录存在。viral_score 全是 0多半是 likes、saves、comments 字段没填或填成了文本。检查 YAML 里这几个值是不是纯数字不要带引号。Freshness 依赖collected_date如果日期格式不对freshness 会算成 0。模型名不匹配config.toml里的 model 要和 TaoToken 控制台里绑定的分组支持的模型一致。如果返回模型不存在去模型广场确认可用模型名再改配置。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite 可以先在那里试一下模型是否可用。6. 把工作流跑成长期习惯样本积累到一定量后让 Codex 定期生成选题周报。周报汇总本周新增的爆款趋势拆解高频出现的开头钩子。可以用 Codex 的定时任务设置每周五下午自动跑分析脚本更新仪表盘并生成周报草稿。注意本地定时任务需要电脑开机且 Codex 客户端在运行。如果你打算长期用这套流程做编码和 Agent 类任务可以看下 Coding Plan地址是 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 适合调用量稳定的场景。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配置细节以文档为准。最后提醒两点一是筛选标准要明确优先收录收藏率高的教程、评论区暴露真实痛点的内容、与你定位相关且能用自己案例重写的话题纯情绪宣泄和时效性过强的内容直接忽略二是守住合规边界爆款库只作内部选题和结构参考发布前必须人工核查事实并加入自己的真实见解。把碎片化的收藏变成有源之水这才是这套工作流真正的价值。