你有没有这种感觉？

读了很多文章，存了很多PDF，记了很多笔记——但要用的时候，翻遍整个笔记库，想不起来自己记过什么。

这就是传统知识管理的困境：存了一大堆，用的时候找不到。

今年4月，AI大牛Andrej Karpathy（OpenAI创始成员、前特斯拉AI总监）分享了他的解决方案——LLM Wiki。方法一出，立刻在AI圈刷屏。

这篇文章，从原理到实操，手把手教你在Obsidian里搭一套自己的LLM Wiki。

---

一、为什么传统笔记会”死掉”？

先说清楚问题在哪，你才能理解这个方法为什么有效。

绝大多数人记笔记的方式是这样的：

• 读一篇文章，记几条笔记
• 再读一篇，再记几条
• ……
• 三个月后回来找，发现完全不知道当时在说什么

问题出在两个地方：

第一，笔记之间没有连接。每篇笔记是孤立的，两篇讲同一主题的文章，笔记却散落在不同角落，互相不知道对方存在。

第二，没有人来维护。笔记越记越多，结构越来越乱，最后变成一个没人愿意打开的数字垃圾桶。

LLM Wiki解决这两个问题的思路很简单：把维护工作交给AI，让人只做最重要的事——提问和思考。

---

二、LLM Wiki是什么？

LLM Wiki，字面意思是”用大语言模型来维护的维基百科”。

但它不是让你去写维基，而是把AI变成你的”第二大脑管理员”，帮你做这些事情：

• 把读过的资料整理成结构化文章
• 自动发现不同文章之间的联系
• 帮你回答”我记得看过一个观点但不知道在哪”的问题
• 定期检查知识库里有没有自相矛盾的地方

你可以理解为：LLM Wiki是一个会自动生长的知识库——你往里面放资料，它就越用越聪明，而不是越积越乱。

---

三、三层架构：raw、wiki、Schema

LLM Wiki的核心是一个简单的三层文件夹结构：

为什么这样设计？

把”原始资料”和”整理后的知识”分开是关键。

• raw/ 是你的”书架”，存放原始书籍报刊，不做任何批注
• wiki/ 是你的”记忆”，是AI帮你提炼出来的精华
• CLAUDE.md 是”工作指南”，定义AI的工作规则

---

四、四个核心操作：知识如何流转

LLM Wiki的运转靠四个操作，构成了一个完整的知识管理循环：

① INGEST：把资料”编译”进知识库

这是最核心的操作，也是最神奇的部分。

当你把一篇新文章放进raw/目录后，告诉AI：”请帮我处理这份资料。”

AI会做这些事情：

• 阅读原始文章，提取3-5个核心判断
• 写一篇结构化的摘要文章，放进wiki/
• 检查现有的10-15篇相关文章，标注哪些地方被这份新资料补充或推翻
• 更新index.md（全局索引），把新文章加进去

整个过程，你只需要”丢资料+确认”，剩下的全由AI完成。

② QUERY：向知识库提问

这是知识库的价值兑现。

你可以问：”我之前看过关于AI编程工具的文章，核心观点是什么？”

AI会：先读index.md找到相关页面，再深入阅读这些页面，整合信息，生成带引用的回答。

更重要的是：如果这个回答质量很高，可以让AI把它也写回wiki/，成为新的知识点。 这就是Karpathy说的”知识复利”——每次使用都在积累。

③ LINT：定期”体检”

这是LLM Wiki最独特的设计——AI会定期检查自己的健康状况。

每隔一段时间（比如一周），让AI跑一遍lint检查：

• 有没有自相矛盾的内容？
• 有没有被其他文章推翻但还没更新的旧观点？
• 有没有哪个概念被反复提到但没有独立页面？
• 有没有页面没有任何其他页面链接过来（”孤岛页面”）？

这些问题，人类很难坚持做，但AI可以一丝不苟地执行。

④ INDEX + LOG：索引与日志

index.md：相当于整本书的目录，每篇文章一行摘要。AI回答问题前先读它，快速定位相关知识——不需要向量数据库，中等规模下（100篇左右）这种方式反而更快更稳。

log.md：知识库的时间线日志，记录每次ingest和query的内容。只增不改，方便追溯。

---

五、与传统RAG相比，优势在哪？

可能有人听说过”AI知识库”的另一种做法——RAG（检索增强生成）。简单说就是：把文档扔进去，问问题时AI从里面检索相关内容来回答。

对比维度	传统RAG	LLM Wiki
知识组织	散乱的文档片段	结构化、互链的知识网络
每次使用	从零检索，无积累	优质问答自动沉淀，越用越聪明
信息一致性	不同文档说法矛盾，无法发现	lint检查自动发现矛盾
维护成本	高，人工整理文档	极低，AI自动维护
适用规模	大规模（靠向量检索）	中等规模（100篇左右最合适）
工具要求	向量数据库、Embedding模型	Markdown文件 + AI Agent

LLM Wiki不是要替代RAG，而是在个人知识管理这个场景下，用更简单的方式实现了更好的效果。

---

六、手把手实操：从零搭建你的LLM Wiki

第一步：准备工具

需要两样东西：

• Obsidian（免费）：知识库浏览器，用来查看和管理Markdown文件
• Claude Code（或任意AI Agent）：负责执行ingest、query、lint操作

Obsidian下载地址：obsidian.md
Claude Code安装：在命令行运行 npx @anthropic-ai/claude-code

第二步：建立文件夹结构

vault/├── raw/
│ ├── reports/ （放PDF报告） ├── clips/ （放网页剪藏） └── audio/ （放录音转写）├── wiki/
│ ├── concepts/ （概念页）
│ ├── insights/ （洞察页）
│ └── entities/ （实体页）├── index.md├── log.md└── CLAUDE.md

第三步：写好CLAUDE.md（这是灵魂）

CLAUDE.md是给AI的工作手册，定义它的行为规则。以下是一个入门版模板：

第四步：放入第一份资料，开始编译

把一篇你觉得有价值的文章PDF放进raw/reports/，然后对AI说：

看AI怎么处理，你会立刻理解这个系统的威力。

---

七、Obsidian的几个实用配置

搭好框架后，给Obsidian装几个插件，体验会好很多：

• Graph View（内置）：可视化页面之间的关联，看哪些页面是核心节点，哪些是孤岛
• Marp插件：把Markdown一键转成幻灯片，知识库内容直接拿来演讲
• Dataview插件：用类SQL的方式查询你的知识库，比如”显示所有带AI标签的页面”
• 图片下载设置：在设置里把图片默认下载到raw/assets/，保证链接永久有效

---

八、效果到底怎么样？

已经有实践者分享了真实效果：

• 6份沉睡PDF（之前存了没看）→ 全部被编译成互链文章
• 30个零散文件 → 变成35篇互相引用的知识网络
• 40页PDF → 提炼成800字核心洞察，信息密度大幅提升

更重要的是：知识库的检索效率发生了质变——从”我好像存过这个”变成了”我知道在哪里能找到，而且能找到相关的全部上下文”。

---

九、给新手的建议

不要一上来就追求完美。从一份资料开始：