这个 Skill 能做什么，适合哪些场景？
这是 kepano/obsidian-skills 仓库中的 JSON Canvas 技能，专门处理 Obsidian 的 .canvas 文件。它覆盖文本、文件、链接和分组节点，以及节点之间的边和连接。技能说明了新建、追加节点、连接节点和编辑现有画布的工作流，并要求在操作后验证 JSON、ID 唯一性和边引用完整性。仓库采用 MIT 许可证，但本技能的具体能力仅限于 JSON Canvas 文件处理。
读取并解析 .canvas JSON 文件；创建包含 nodes 和 edges 数组的画布；生成 16 位小写十六进制 ID；新增或编辑文本、文件、链接和分组节点；创建和修改节点之间的边、方向、箭头、颜色与标签；根据坐标和间距安排节点；写回更新后的 JSON；验证 JSON 可解析、ID 唯一、边引用有效、节点类型和属性符合要求。
- Obsidian 用户需要从零创建思维导图或流程图画布。
- 知识管理者需要向已有 Canvas 添加节点并连接相关内容。
- 项目规划者需要用分组、文本和文件节点整理项目概览。
- 需要批量或结构化编辑 .canvas 文件的智能体工作流。
- 需要在保存前检查 Canvas JSON 和节点引用完整性的用户。
如何安装这个 Skill？
- 本评估仅基于提供的源文件，未执行技能或验证Obsidian兼容性。
- 写回现有.canvas文件前应由用户确认并建立可恢复备份；技能未规定回滚策略。
- 应进一步核对JSON Canvas规范版本、ID约束、文件路径权限和复杂布局行为。
- 发布者未通过FollowSkills企业注册验证，身份按未知处理。
- 本地文件系统
该技能随 kepano/obsidian-skills 仓库提供。可运行 npx skills add https://github.com/kepano/obsidian-skills 安装整套技能；使用 Codex 时，将仓库的 skills/ 目录复制到通常为 ~/.codex/skills 的技能路径。仓库也提供 Claude Code、OpenCode 和 Marketplace 安装方式。来源未说明如何单独安装此技能。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/kepano/obsidian-skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/json-canvas" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 创建一个包含项目目标、任务和里程碑的 Obsidian Canvas，并连接相关节点。
在支持 Agent Skills 的客户端中启用该技能，然后提出具体的 Canvas 文件任务，例如：“创建一个包含项目目标、任务和里程碑的 Obsidian Canvas，并连接相关节点。”也可以要求它编辑已有 .canvas 文件、添加节点、连接节点或验证文件。技能要求操作后检查 JSON、ID 唯一性和边引用。
这个 Skill 有哪些优点和局限？
- 覆盖创建、追加、连接和编辑四类常见 Canvas 操作。
- 明确列出节点、边、颜色、布局和 ID 规则。
- 包含可执行的验证清单，可降低悬空引用和无效 JSON 的风险。
- 基于开放的 JSON Canvas Spec 1.0，仓库采用 MIT 许可证。
- 仅处理 JSON Canvas，不覆盖同仓库中的 Markdown、Bases、CLI 或网页内容提取能力。
- 来源未提供测试套件、版本兼容范围或实际运行结果。
- 需要客户端能够读取和写入本地文件；来源未说明具体权限配置。
- 完整示例位于 references/EXAMPLES.md，但该文件内容未在来源中提供。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Obsidian JSON Canvas 助手 本页 | 52 · 谨慎使用 | ★ 50k | 1 个月前 | MIT |
| Canvas 视觉知识板 | 41 · 不推荐 | ★ 16k | 1 个月前 | MIT |
| LLM Wiki：AI 代理的第二大脑 | 58 · 推荐 | ★ 121 | 1 个月前 | MIT |
| Obsidian Markdown 编辑技能 | 57 · 谨慎使用 | ★ 50k | 1 个月前 | MIT |
| Compound Vault 方法论模式 | 56 · 谨慎使用 | ★ 16k | 1 个月前 | MIT |
FollowSkills 如何评估这个 Skill？
技能仅指导读取、解析、修改和写回.canvas文件，包含边引用校验，未见恶意行为、凭据处理、隐蔽外传或高权限依赖，因此保留较高分；但没有明确的用户确认、备份/回滚、敏感数据处理或外部链接数据流说明，扣9分。
工作流前后一致，覆盖创建、添加、连边、编辑及静态校验，并提供示例；但未提供可执行测试、异常输入处理、失败诊断信息或可复现的ID生成机制，且本次静态审查不能验证运行结果，按静态上限扣分。
名称、触发描述和.canvas节点、边、组等场景较明确，适合思维导图、流程图和可视化画布；但未声明非适用边界、触发排除条件、复杂布局限制或中文使用支持，扣5分。
结构清晰，采用分层章节、表格、校验清单和完整示例；仓库上下文提供安装方式、MIT许可和规范链接；但缺少技能版本、变更记录、明确维护责任与更新路径，且安装和依赖假设不完全在技能文件中说明，扣7分。
核心任务可产出可直接写入.canvas的JSON，并包含节点、边、ID和格式校验规则，具备明显实用价值；但没有执行证据，布局避让仅为指导性建议，复杂编辑仍需人工复核，按静态上限并因完整性证据不足扣9分。
技能引用JSON Canvas规范、GitHub项目和本地示例，关键字段与校验要求具有一定可追溯性；但没有提交测试、CI覆盖或独立复现结果，证据类型单一，按静态上限扣6分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →