1. 上千条对话堆在收藏夹里，检索一次要翻十分钟
如果你同时用 DeepSeek 查技术方案、用豆包整理会议纪要、用 Kimi 读长文档，大概率会遇到同一个场景：三个月后想找回当时那段关于「向量检索召回率优化」的讨论，结果只能在各个平台的侧边栏里一条条往下翻。翻到第 40 条的时候，你已经忘了自己原本要找什么。
这不是记性问题，是结构问题。AI 对话天然是「流式」的，平台按时间倒序排列，没有标签、没有双向链接、没有全文索引。而 Obsidian 恰好相反，它把每条笔记当成一个 Markdown 文件，靠文件夹、标签、[[双链]]和全文搜索把知识织成网。把 AI 对话批量导出成 Markdown 再落进 Obsidian，等于给这些散落的对话装上了检索骨架。
AI导出鸭 就是干这件事的：它把 DeepSeek、豆包等平台的对话批量抓取下来，转成干净的 Markdown，再按你定的目录和命名规则写进 Obsidian 库。这篇不聊虚的，直接给配置骨架、目录规则、命名模板，以及用 TaoToken 统一 Key 通道的settings.json片段，最后跑一次从导出到入库的完整验证。
适合谁看：Obsidian 用户、每天和多个 AI 平台打交道的内容/研发同学、以及对话已经超过 500 条、开始觉得「存了等于没存」的重度使用者。
2. 为什么导出这件事总在「最后一公里」翻车
2.1 虚拟滚动：你复制到的只是屏幕里那几条
DeepSeek、豆包网页版为了性能，都用了虚拟滚动——DOM 里只保留视口附近的几十条消息，往上滚才动态加载。手动 Ctrl+A 复制，拿到的往往只是当前可见部分。我试过导一段 60 轮的对话，粘出来只剩 18 轮，中间关于参数调优的几段全丢了。
AI导出鸭 的做法是注入脚本模拟滚动事件，按window.innerHeight * 0.8的步长往下推，间隔 500ms，连续 3 次没有新节点就判定到顶。同时用MutationObserver监听 DOM 变更，按data-message-id去重排序。这套逻辑对豆包和 DeepSeek 都适用，区别只在选择器。
2.2 格式错位：公式和表格一粘就碎
AI 输出的是 Markdown、LaTeX、Mermaid 的混合体。直接粘进 Obsidian，\frac{a}{b}能渲染，但| 姓名 | 部门 |这种表格如果中间有空行就会断成两截，Mermaid 代码块如果围栏语言标错就直接显示成纯文本。导出工具的价值就在于保留 ``` 围栏、保留|表格结构、保留标题层级，而不是做「文本替换」。
2.3 命名混乱：未命名对话 (37).md是检索杀手
批量导出最容易被忽略的是命名。如果 200 个文件全叫对话记录_1.md，Obsidian 的搜索和图谱基本废掉。命名规则必须包含平台 + 主题 + 日期三个维度，后面会给具体模板。
3. TaoToken 前置：把 Key 和 API 通道统一到一处
在配导出工具之前，先把模型通道理顺。你可能会问：导出对话和 API Key 有什么关系？关系在于——AI导出鸭 在解析和补全对话时，需要调用模型接口做格式规整（比如把碎掉的表格重新拼回 Markdown）。如果每个平台各配一个 Key，管理成本很高。
TaoToken 的作用是把 DeepSeek、豆包等模型的调用统一到一个 API 入口，你只需要维护一份 Key。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 端点是 https://taotoken.net/api （这个不加 UTM）。
操作路径：
- 打开官网，注册后进控制台 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite
- 在 API Keys 页面 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 创建一个 Key，复制保存
- 如果你要长期跑编码类 Agent，可以看 Coding Plan https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite
- 接入细节查文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite
注意：Key 只存在本地配置文件里，不要提交到 Git 仓库。建议用
.env或系统环境变量注入。
4. 可复制配置：导出骨架 + Obsidian 目录 + settings.json
4.1 AI导出鸭 导出配置骨架
在 AI导出鸭 的导出设置里，按下面这套参数走。不同版本 UI 措辞可能略有差异，但字段名基本一致：
{ "export": { "format": "markdown", "platform": ["deepseek", "doubao"], "scroll": { "stepRatio": 0.8, "intervalMs": 500, "maxIdleRounds": 3 }, "dedupe": "messageId", "concurrency": 3, "includeThinking": true, "codeFence": true, "tablePreserve": true } }关键参数说明：
| 参数 | 推荐值 | 作用 |
|---|---|---|
| stepRatio | 0.8 | 每次滚动距离占视口高度比例，太大易漏 |
| intervalMs | 500 | 滚动间隔，太快会触发平台限流 |
| maxIdleRounds | 3 | 连续无新内容判定到顶 |
| concurrency | 3 | 并发数，1 太慢、5 崩溃风险升高 |
| includeThinking | true | 保留思考过程，检索时更有上下文 |
并发数这块实测下来：87 条对话，并发 1 约 320 秒，并发 3 约 90 秒，并发 5 约 75 秒但崩溃率从 2% 升到 15%。并发 3 是性价比拐点。
4.2 Obsidian 入库目录与命名规则
在 Obsidian 库里建一个顶层文件夹AI-Dialogues，下面按平台和月份分：
AI-Dialogues/ ├── DeepSeek/ │ ├── 2025-01/ │ └── 2025-02/ ├── Doubao/ │ └── 2025-02/ └── _index/ └── 对话总索引.md命名模板用这个：
{platform}-{topic}-{yyyyMMdd}-{shortId}.md举例：DeepSeek-向量检索召回优化-20250214-a3f9.md。topic取对话首条提问的前 12 个字，shortId取消息 ID 后 4 位防重名。
在 AI导出鸭 的「输出命名」里填：
{platform}-{title:12}-{date:yyyyMMdd}-{id:-4}4.3 TaoToken 统一 Key 的 settings.json 片段
如果你用 Obsidian 的 AI 插件（比如 Copilot 或 Text Generator）做对话补全，把模型通道指向 TaoToken：
{ "aiProvider": "openai-compatible", "baseUrl": "https://taotoken.net/api", "apiKey": "${TAOTOKEN_API_KEY}", "models": { "default": "deepseek-chat", "fallback": "doubao-pro" }, "request": { "timeoutMs": 60000, "maxRetries": 2 } }${TAOTOKEN_API_KEY}从系统环境变量读，别硬编码。这样导出工具和 Obsidian 插件共用一份 Key，换模型只改models.default一行。
5. 验证请求：跑一次从导出到入库的完整链路
配置完别急着批量跑，先用 3 条对话做一次端到端验证。
第一步，导出。在 AI导出鸭 里选中 3 条 DeepSeek 对话，点「分别导出」，格式选 Markdown。观察输出目录，应该得到 3 个.md文件，文件名符合DeepSeek-xxx-20250214-xxxx.md格式。
第二步，检查格式。打开其中一个文件，确认三件事：代码块有 ``` 围栏且标了语言；表格是完整的|结构；如果有公式，$...$或$$...$$没被转义。
第三步，入库。把 3 个文件拖进AI-Dialogues/DeepSeek/2025-02/，在 Obsidian 里按Ctrl+O搜索文件名，应该能秒出结果。再按Ctrl+Shift+F全文搜一个对话里的关键词，比如「召回率」，确认能命中。
第四步，验证 API 通道。用 curl 打一次 TaoToken 接口，确认 Key 有效：
curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek-chat", "messages": [{"role": "user", "content": "把这段碎掉的Markdown表格拼回标准格式"}] }'返回 200 且choices[0].message.content有内容，说明通道正常。如果返回 401，检查 Key 是否复制完整；返回 404，检查baseUrl有没有多写/v1。
第五步，建索引。在_index/对话总索引.md里用 Dataview 插件写一个查询，自动列出所有对话：
TABLE platform, topic, date FROM "AI-Dialogues" WHERE file.name != "对话总索引" SORT date DESC这样每次导出新对话，索引自动更新，不用手动维护。
6. 本篇常见错排查
导出文件只有几轮对话，历史全丢。九成是虚拟滚动没突破。检查stepRatio是不是设太大（超过 1.0 会跳过节点），intervalMs是不是太短（低于 300ms 平台可能不触发加载）。把maxIdleRounds调到 5 再试。
表格在 Obsidian 里显示成纯文本。多半是表格前后缺空行。Markdown 表格要求前后各有一个空行，导出工具如果没自动补，可以在 Obsidian 里用 Linter 插件批量修。或者检查tablePreserve是否开启。
文件名全是乱码或问号。平台返回的标题含特殊字符（/、:、?），Windows 和 macOS 都不允许。在命名模板里加过滤，把{title}换成{title:safe}，工具会自动替换非法字符。
并发导出到一半浏览器崩了。把concurrency降到 2，或者开启「短对话优先」策略。单标签页内存超过 1.2GB 就容易崩，导出前关掉其他重标签页。
TaoToken 返回 429。触发了速率限制。在settings.json里把maxRetries设为 3，timeoutMs提到 90000，或者错峰跑批量任务。
Obsidian 搜索不到刚导入的文件。检查文件是不是落在了.obsidian隐藏目录，或者库的「排除文件」设置里把AI-Dialogues排除了。在设置 → 文件与链接里确认。
7. 把通道和工具串起来，才算真正打通
导出工具解决的是「抓取和格式」，Obsidian 解决的是「存储和检索」，中间还差一层「模型通道」——用来做格式补全、标题生成、标签推荐。这三者串起来，上千条对话才从负担变成资产。
通道这层建议统一到 TaoToken：一个 Key 管多个模型，导出工具和 Obsidian 插件共用，换模型只改一行配置。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，Key 在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 创建。如果你要验证模型输出质量，可以直接在模型对话页 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 试；长期跑编码或 Agent 任务，看 Coding Plan https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。
最后给一个实用技巧：每周日花 10 分钟，把本周新导出的对话跑一遍批量打标签，用 Obsidian 的 Tag Wrangler 统一管理。三个月后你会发现，搜索「召回率」能直接命中半年前那段讨论，而不是在平台侧边栏里翻十分钟。这才是知识库该有的样子。
