本文实测 Qwen3 系列本地模型（4B/8B/14B）与 Obsidian-MCP 的知识库交互效果，发现小模型存在工具调用失效、响应幻觉及上下文限制等问题。4B 版本 因量化丢失指令理解能力，8B版本虽能调用工具但存在内容偏差。14B+就能正常对话了，本地小模型可用性在逐步上升，但我距离流畅交互还差一块 16G 显卡的距离😀

 

Qwen3 小模型实测：从 4B 到 30B，到底哪个能用 MCP 和 Obsidian 顺畅对话？

听闻昨晚发布 qwen3 优化了模型的 Agent 和 代码能力，进而加强了对 MCP 的支持。

Qwen3：思深，行速
https://qwenlm.github.io/zh/blog/qwen3/

引言里面的这句话

小型MoE模型Qwen3-30B-A3B的激活参数数量是QwQ-32B 10%，表现更胜一筹， 
`Qwen3-4B 这样的小模型也能匹敌 Qwen2.5-72B-Instruct 的性能`。

让我很是兴奋了一把，于是下班回去在 nas服务器 用 ollama pull 模型部署好，使用 cherry studio，启用 obsidian-mcp，开始测试，测试结果却啪啪打脸。

测试内容：

1. 1. 查询我的 obsidian 知识库最近 1 天的改动，模型瞎回答

模型命中不了 tool。

1. 1. 使用 obsidian 的 mcp 的 obsidian_get_recent_changes 工具，查询我的知识库最近 1 天的改动

我都提示工具名称了，模型还是瞎回答。

qwen3 模型

 

模型评测项说明

评测名称	说明	解读重点
ArenaHard	综合对话能力的人工对比评测，偏重 " 困难场景 "	高分代表对话生成自然、逻辑性强
AIME'24 / '25	数学竞赛题，测试数学推理、数列、几何等能力	GPT-4o 分数很低，因其在该基准测试中未开启 " 思考模式 "，Qwen3 表现更实际
LiveCodeBench	代码生成任务，结合实时代码执行验证正确性	Qwen3-4B 表现接近 GPT-4o，说明小模型已具备强代码能力
CodeForces（Elo Rating）	类似编程竞赛 Elo 排名，越高越强	Qwen3-4B > GPT-4o，意味着它在 " 解题速度 + 准确性 " 上优于 GPT-4o
GPQA	高质量问答集（类似学术类 QA），考察多跳推理	Qwen 系列保持优势，说明对知识与推理兼顾
LiveBench	实时对话任务评测，包括多轮上下文与事实性要求	GPT-4o 得分较低（52.2），说明未必在所有任务中都最优
BFCL	指令遵循与对话连贯性测试，Qwen 使用 FC 格式评估	GPT-4o 表现最强，Qwen3-4B 略弱但接近
MultiIF（8 Languages）	多语言指令跟随能力评估	Qwen3-4B 具有较好多语泛化，优于 GPT-4o（特别在非英语场景）

Obsidian-MCP

Obsidian-MCP 通常用于以下任务：

• • 日志/笔记内容的语义检索与总结（嵌入 + 问答）

• • 自我对话（多轮历史上下文）

• • 任务建议、卡片联想等基于上下文的 " 思维增强 "

• • 私有知识库的记忆回调（streamable / SSE 模式长连接）

• • 本地嵌入 + 轻量推理，不依赖公网 LLM

这些任务主要要求：

• • 指令遵循能力

• • 上下文感知（少量上下文）

• • 中等推理能力

• • 响应快，模型小，易部署

Obsidian API 工具列表

JSON 搜索获取周期笔记内容获取最近周期笔记列表获取最近修改的文件

工具方法	功能描述	参数
list_files_in_vault	获取知识库文件列表	无
list_files_in_dir	获取指定目录文件列表	dirpath
get_file_contents	获取单个文件内容	filepath
get_batch_file_contents	批量获取多个文件内容	filepaths
search	执行简单搜索	query, context_length
search_json	执行格式复杂搜索	query
append_content	追加内容到文件	filepath, content
patch_content	修改文件指定内容块	filepath, operation, target_type, target, content
delete_file	删除文件/目录	filepath
get_periodic_note	获取周期笔记内容	period
get_recent_periodic_notes	获取最近周期笔记列表	period, limit, include_content
get_recent_changes	获取最近修改的文件	limit, days

测试 Qwen3-4B 能力是否匹配上述需求

qwen3:4b，吐字飞快，回答的水准也是高了，但是文不对题啊，连要调用 tool 都没识别出来。
于是去看了下 hugging_face 的tokenizer_config.json模型配置,的确有tool_call这一层啊，咋就不 working，难道是这个q4量化导致智商减退厉害?

以为我 nas 上 4b 的小 n 卡终于派上用场了，看来还得再等等。
想再试试 8b 但是本地显存不够，下面换成 openrouter 的服务测试 8b,14b，30b 的。

测试 Qwen3-8B 能力是否匹配上述需求

使用 cherryStudio 测试 qwen3:8b，是能够调用 tool，不过回答的有幻觉，返回的笔记名称都改了

Qwen3-4B-本地模型 + Obsidian-MCP的`本地问答`.md
回答成了

01Project/Blog/draft/Qwen3-4B-本地模型 + Obsidian-MCP的`本地问题`.md

这个时候笔记使用 git 同步 的优越性就出来了，本地使用 mcp 对笔记进行整理时，如果出现错误，可随时回滚到上次提交的版本！

那这 8B 基本只能闲聊，在我这个场景属于中看不中用

测试 Qwen3-14B 能力是否匹配上述需求

使用 openrouter 的 qwen3:14b 模型进行测试

看着不错，能正常返回结果。
但想深入测试内容却报 token 不足。按官方数据，qwen3:14b模型的最大 token 是128K，15 万字，我想这足够分析一篇笔记了。
但是我测试的时候，让读取笔记内容进行总结，却提示 token 超过 40k 了，不知道为啥？

从这段报错可以明确看出：
模型当前上下文限制为：40960 tokens➤ 超限。

判断是 openRouter 自家部署时的限制。换成通义官方的 qwen3-demo：

https://huggingface.co/spaces/Qwen/Qwen3-Demo

测试下来同样的文本，是可以正常总结的，128k 的 token 数是足够的，那看来 8B,14B，32B 还是能在本地派上用成。

结论

使用 Qwen3 与 Obsidian-MCP 的知识库交互测试得出结论：

4B 版本：量化压缩导致失语

• • 工具调用能力完全丢失，面对明确的 obsidian_get_recent_changes 指令无动于衷

• • token 容量 32K，长会话可能难以完整处理

8B 版本：看似能用实则危险

• • 虽能识别工具调用，但返回的文件路径存在较高的错误率；

• • 内容总结时出现 幻觉改写，笔记名会被修改；

• • 如果 MCP 调用 API 出现误删除，又没有 git 备份会更危险

14B+ 版本：真香警告

• • 128K token 容量完美适配知识库场景，测试中准确调用 Obsidian API

• • 但本地部署需 16G 显存，让多数 NAS 用户望而却步

在我的 16G 显卡到来前，要注意做好隐私保护，先通过云端大模型 +MCP，读取非敏感数据目录作为问答的上下文。

 

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓