📚 本文是 AI 工具完全指南（2026） 系列的进阶教程。想先系统了解 ChatGPT、Gemini、Kimi 这些大模型的选型和基础用法，看总览页；这篇讲一个具体的高级玩法——用 AI 把零散的笔记、文章、对话沉淀成一套会自己进化的个人知识库。

很多人试过各种知识管理方法：卢曼卡片盒、PARA 分类法、双链笔记……但最后都卡在同一个地方——知识整理比学习本身还累。每天花大量时间归置、打标签、建链接，结果没几天就坚持不下去。

这篇文章分享一套思路，解决的就是这个问题：让 AI 替你承担知识库的重复维护，你只负责往里面丢资料和做关键判断。这套方法的原型，是 Karpathy 公开的 LLM wiki 知识库构建方法。

文章比较长，但值得看完——核心就两部分：这套系统为什么比传统玩法强，以及三种由易到难、可以直接上手照做的搭建方法。

30 秒速答

  • LLM Wiki 是什么：给 AI 安排「长期维护知识库」的工作，每进一份资料就增量更新，让知识持续积累——比 RAG 那种「答完就散」强。
  • 三层架构：Raw 存原始资料（只读）、Wiki 存 AI 整理的概念/实体/主题、Schema（AGENTS.md）定规则。
  • 用什么工具：Obsidian（笔记底座）+ WorkBuddy / Codex（Agent 执行），三者按难易分三种搭法。
  • 新手从哪起步：直接上方法三（WeSight 插件，点几下就好）；想懂原理再回头用方法一。
  • 模型怎么选：选上下文长的；看重性价比用 DeepSeek，要处理图文用 Kimi。
  • 注意：装 Obsidian 插件、下 Agent 工具都要先解决网络访问，记得开代理。

一、先说清楚：LLM Wiki 到底要解决什么问题

现在主流的「AI 问答」玩法，不管是 RAG 系统还是各种文件上传功能，本质是同一套流程：你先上传资料，提问时模型召回相关知识片段，再临时综合出一个答案。

听着挺智能，但有个明显的问题被忽略了：每次提问，模型都在从碎片里重新拼答案，答完就散。 同样的问题问一百遍，它就重新拼一百遍，知识本身没有任何积累。

LLM Wiki 的思路是反过来——给 AI 安排一份长期工作：持续维护知识库。

每加入一份资料，Agent 都会先查看现有页面：

  • 已有内容会被补充；
  • 新概念会单独建页；
  • 遇到不同观点，把来源、时间和适用范围一起留下。

这样知识的分歧就有迹可循，也不会被一段看似完整的总结悄悄抹掉。「自生长」的关键就在这里——AI 处理完资料后，知识库必须留下变化。它可能新增一个概念、补上一条关联，也可能暴露一个暂时没有答案的问题。一次次变化累积起来，才会形成真正属于自己的知识体系。

二、三层架构：Raw 保存证据，Wiki 记录理解，Schema 定规则

为了让整个过程可控，整套系统分成三层：

  • Raw 层：保存文章、论文、聊天记录等原始资料。这层是「事实来源」，只读，AI 不允许改。
  • Wiki 层：沉淀 AI 整理出的概念、实体、主题页。这是「理解层」，AI 全权维护。
  • Schema 层：通过一份工作说明书，规定 AI 如何归档、更新、引用，以及怎么处理冲突。

一句话把握：Raw 保存证据，Wiki 记录理解，Schema 负责定规则。

后面所有的实战，本质上就是让这三层真正运转起来。

三、为什么用 Obsidian，而不是 Notion / Ima / NotebookLM？

这套系统选 Obsidian（而非 Notion、Ima、NotebookLM 这类云端产品），有四个实打实的理由：

  1. 完全本地化、数据自主。一个仓库就是电脑上的普通文件夹，笔记以 Markdown 纯文本保存，不依赖某个平台的页面数据库。聊天记录、会议纪要这些私人资料留在自己设备上，同步到哪、怎么同步，都由你决定。说白了，工具可以换，知识不用跟着搬家。
  2. 文件形态天然适合 Agent 干活。WorkBuddy / Codex 可以直接读目录、创建页面、改链接、维护索引，每次变化都能定位到具体文件，还能用 Git 留痕。
  3. 双链和知识图谱把概念、人物、工具、主题连起来，帮你发现核心节点、孤立页面和新的关联。
  4. 插件生态提供扩展空间，从模板、查询、版本管理到发布、可视化都能按需加。

在这套系统里，Obsidian 承担存储底座、人机界面、知识观察窗口三种角色；WorkBuddy / Codex 负责执行，Obsidian 负责保存、连接和呈现。对于要长期用的个人知识库，本地自主、结构开放、变更可追踪、能力可扩展，这四点就够了。

四、AI 在这套系统里做什么

AI 承担的是「执行与编排」，人负责「定规则、检查结果、关键判断」。

具体来说，当新资料进入 Raw 层后，Agent 会：

  1. 理解内容，识别其中的概念、实体、主题；
  2. 与现有 Wiki 对照——已有知识补充、新内容建页、相关知识建链接；
  3. 遇到不同说法，保留来源、时间和适用范围；
  4. 同步更新索引与变更记录。

到了查询和维护阶段，Agent 还负责检索相关页面、整理答案、追溯来源，并批量检查失效链接、缺失字段、长期没更新的内容。

整个过程都是增量维护，不需要反复重建整套知识库。知识管理从「大量手工整理」，逐渐变成「人机协作的持续维护流程」。

五、实战：从零搭一套 LLM Wiki

进入实战。这里的 Agent 你可以用 Codex、Claude Code，也可以用 WorkBuddy；模型建议选上下文长一些的。

选模型的几个建议：追求极致性价比，可选 DeepSeek 这类非多模态长上下文模型（可惜不支持多模态）；需要处理图文资料，选 Kimi 这类原生多模态模型。一个避坑提醒：别用 Codex 里的 GPT 5.6 Sol，用量实在太猛了。关键判断标准：用你自己的真实资料跑一遍完整任务，重点观察上下文是否丢失、工具调用是否稳定、输出格式是否漂移，以及单次任务的时间和成本。

LLM Wiki 三层架构示意图

准备工作

需要准备两样：Obsidian（新建一个仓库 Vault），以及 WorkBuddy 或 Codex 这类 Agent 工具。

⚠️ 提醒一句：全程记得开代理，尤其是访问 Obsidian 插件市场、下载 Agent 工具的时候。这一步的网络问题怎么解决，看 科学上网完全指南，机场、VPN、自建三种方案一次讲清。

三层目录结构

这是三层架构的标准目录模板，可以直接复用：

my-wiki/
├── AGENTS.md            ← Schema 规范层：给 AI 的工作说明书（核心）
├── index.md             ← 全局索引 / 站点地图（AI 定位知识的入口）
├── log.md               ← 变更日志（只追加，谁改了什么一目了然）
│
├── raw/                     ← 原始资料层（只读，AI 不许改）
│   ├── articles/            ← 剪藏的文章、网页
│   ├── papers/              ← 论文、报告
│   ├── books/               ← 书籍、划线、笔记
│   ├── chats/               ← 有价值的 AI 对话记录
│   ├── notes/               ← 自己随手记的灵感碎片
│   └── meetings/            ← 会议纪要转写
│
└── wiki/                    ← Wiki 层（AI 全权维护）
    ├── sources/             ← 来源摘要页：一份 raw 资料对应一页
    ├── concepts/            ← 概念页：方法论、理论、模式
    ├── entities/            ← 实体页：人物、公司、产品、工具
    └── topics/              ← 主题综述页：某个领域的综合对比

六、三种搭建方法（由难到易）

我实践下来有三种方法，从「需要理解原理」到「基本傻瓜式」，按上手难易度依次介绍。

方法一：直接让 Agent 按提示词搭建

这是最「原始」但理解最深的方法——直接把下面这段提示词丢给 WorkBuddy 或 Codex，让它按三层架构建目录和 AGENTS.md。

Agent 根据提示词自动创建的目录结构

提示词（可直接复用）：

你现在是这套个人知识库的搭建与维护 Agent。请在当前笔记仓库根目录中，搭建一套可长期增量维护的 LLM Wiki。

## 目标
建立 Raw、Wiki、Schema 三层结构：
- Raw 层保存原始资料，只允许读取，不修改原文。
- Wiki 层保存 AI 整理后的结构化知识，由 Agent 增量维护。
- Schema 层通过根目录下的 AGENTS.md 定义归档、更新、引用和冲突处理规则。

## 需要创建的结构
- AGENTS.md：Agent 的长期工作规范
- index.md：全局索引和知识导航入口
- log.md：变更日志，只追加新记录
- raw/articles/、raw/papers/、raw/books/、raw/chats/、raw/notes/、raw/meetings/
- wiki/sources/、wiki/concepts/、wiki/entities/、wiki/topics/

## AGENTS.md 必须包含的规则
1. 处理新资料前，先搜索 wiki/ 中已有的相关页面，判断补旧页还是建新页。
2. raw/ 是事实来源，禁止改写、删除或移动其中的文件。
3. 每份 Raw 资料在 wiki/sources/ 建立对应的来源摘要页，并保留原始文件链接。
4. 概念、实体、主题用独立页面，通过双链建立关系。
5. 所有事实性内容标注来源；无法确认的写为「待核实」。
6. 新旧资料分歧时，同时保留不同说法及其来源、时间、适用范围，不直接覆盖旧结论。
7. 每次只更新受影响的页面，同步维护双链、index.md 和 log.md。
8. log.md 只追加，记录日期、资料来源、新建/更新页面、待人工确认事项。
9. 不擅自删除现有文件；同名文件已存在先读取合并，保留原内容。
10. 信息不足或可能影响整体结构时，暂停执行并向我提问。

## 页面模板
在 wiki/sources、concepts、entities、topics 中分别创建 _template.md，
使用 Obsidian 兼容的 YAML 属性，至少包含 title、type、aliases、tags、
sources、created、updated；正文预留摘要、核心内容、相关页面、来源与待核实区域。

## 执行与验收
执行前先检查当前目录确认是笔记仓库；无法确认先问我。
随后创建缺失的目录和文件，不覆盖已有内容。完成后自检并汇报：
新建了哪些目录和文件、哪些被保留或合并、AGENTS.md 重要规则、结构是否通过、下一步放测试资料到哪。

Agent 会按规则建好目录结构和 AGENTS.md。

Obsidian 里看到的已建好的目录结构

验证方式：用浏览器剪藏插件（Obsidian Web Clipper）把一个网页文章保存到 raw/articles 目录，然后继续给 Agent 下发「入库」提示词：

请读取 raw/articles/ 中新增的文章，严格按照 AGENTS.md 规则增量维护 Wiki。
处理前先检索现有页面：为文章创建来源摘要，提取概念、实体、主题；
已有内容补充到原页面，新内容创建页面，不同观点保留来源、时间和适用范围。
随后建立双链，更新 index.md 与 log.md。不要修改 raw/ 中的原始文件。
完成后告诉我新建、更新了哪些页面，以及有哪些内容需要人工确认。

Agent 会按 AGENTS.md 建立实体页、概念页、来源摘要页、主题综述页，一次可能新建近十个页面。

Agent 入库后新增的 Wiki 页面列表

这些 Wiki 页面的价值不只是「能读」，更重要的是成为 Agent 的长期检索层和推理底座。之后你再提问时，Agent 先检索已沉淀的 Wiki、再沿着双链回原始资料，回答就有依据、可追溯。随着资料增多，这层中间知识持续积累，查询和维护越来越高效。

比如你可以这样提问：

请基于刚入库的文章和现有 Wiki，回答：文章提出了哪些核心观点？
涉及的概念、实体、主题之间是什么关系？哪些结论能转化为可执行的行动建议？
回答时标注引用的 Wiki 页面和 Raw 原文路径；有不同观点、信息缺口、待核实内容也单独列出。

方法一的缺点也明显：对提示词和工程化理解要求高，AGENTS.md 要不断调整以适应自己的需求。

方法二：claude-obsidian 插件

有开发者已经基于 LLM wiki 这套理论做成了工程化成熟度较高的开源项目，叫 claude-obsidian，把常用方法封装成了插件和 Agent Skill：初始化知识库、保存笔记到 wiki、自动索引和链接，都不用自己写提示词了。

你只需要在 WorkBuddy / Codex 里安装这个项目，当前仓库就会自动创建结构，然后：

claude-obsidian 插件安装

  • 用 ingest 指令把新素材同步进 wiki；
  • 用 retrieve 指令从知识库快速查询；
  • 甚至不用显式指定，Agent 会自动命中知识库里的 wiki 来检索。

方法二比方法一更进一步：初始化、入库、索引、检索都封装好了，省去反复写提示词和维护复杂规则。但它仍然有个门槛——主要操作发生在 WorkBuddy / Codex 里，你要理解并调用 ingest、retrieve 这些指令，Obsidian 更多只是承担文件存储和结果浏览，任务状态、执行过程、知识变化缺少可视化反馈。

方法三：WeSight 知识大脑插件（最省事）

WeSight 插件把「知识库初始化、资料入库、Wiki 更新、智能检索」全部整合进了 Obsidian 内部——你在熟悉的笔记界面里点几下，后台的 Agent 就帮你完成结构维护和持续更新。

WeSight 的典型用法：

  • 开启「知识大脑」能力，插件自动为你的仓库配置好环境结构；

WeSight 知识大脑操作界面

  • 一键把当前笔记加入知识大脑对应的 wiki；
  • 提问时选「基于知识库」模式，插件优先检索已沉淀的 Wiki、沿双链定位概念和来源，自动完成检索、引用、上下文装配；
  • 还能把与 Claude Code、Codex 的聊天记录一键保存进知识库，继续沉淀为长期资产。

方法三的门槛最低，适合第一次接触这套架构的人直接上手。

七、为什么这套组合能「自生长」

「自生长」来自知识结构的持续增量更新：每进一份新资料，Agent 按 Schema 检索现有 Wiki，补充旧页、建新节点、连双链、记录来源与观点冲突。每次处理都留下可复用的结构化结果，知识库随输入不断演化。

整个闭环是：人输入高价值资料 + 做关键判断，Agent 承担重复维护，数据、规则、执行各自就位。

资料搜集方面，手机上可以配合 ima 或其他剪藏工具收集文章和灵感，电脑端用 Obsidian Web Clipper 浏览器插件一键剪藏，散落在各处的文档（比如飞书）也可以让 Agent 批量收藏进知识库。

八、写在最后

这套系统带来的最大变化，是让知识管理从「一次性的手工整理」变成「一套可持续运行的维护机制」。文章、笔记、对话、灵感进入 Raw 后，Agent 按规则归档、关联、更新，零散资料逐步长成属于自己的知识网络。

但「自生长」不等于全自动。哪些资料值得留、规则怎么定、关键结论能不能成立，仍然需要人的判断；AI 更适合承担重复、耗时、结构化的维护。人和 Agent 各管擅长的部分，知识管理才坚持得下去。

如果你也想试，别一上来就追求完美系统。先建好三层目录，放进一篇真实资料，让 Agent 完成第一次增量更新，再根据实际使用不断调整 Schema。只要每次输入都能留下可复用的结果，知识库就已经开始生长了。