很多人做知识库最后都会卡在一个很现实的问题上资料越存越多真正要用的时候还是得重新翻、重新找、重新问。这不是因为你存得还不够多。问题出在哪你的知识库只是一个仓库不是一个系统。资料进来了但没人帮你持续消化也没人帮你整理成下次还能直接调用的中间层。所以这次我不想只聊概念。我直接把我会怎么搭按保姆级教程的方式拆给你看。目标很简单用 Obsidian Codex搭一个最小可用的 LLM Wiki。它不追求一步到位也不追求“第二大脑”的宏大叙事。你今天照着做至少可以先跑通一个最小闭环把资料稳定收进来让 Agent 帮你做一次 ingest把知识沉淀成 wiki 页面最后基于这层 wiki 去提第一个问题如果这条链路能跑通你的知识库就已经不是单纯的资料堆了。这套方法到底解决什么问题大部分人的做法收藏一篇文章写一段摘要扔进文件夹下次要用了再翻出来。LLM Wiki 的做法资料进来 → Agent 帮你整理 → 更新概念页、主题页、索引页 → 下次提问时Agent 优先站在已经整理过的 wiki 层回答。区别在哪前者是存资料后者是编译知识。这套方法不是让你再建一个笔记库而是让你平时收集的文章、论文、网页、想法慢慢变成一个能持续维护、持续调用、还能自己长出来的知识系统。这篇写给谁已经在用 Obsidian但笔记越记越乱想试试把 Codex/Agent 用到长期知识管理里做内容、研究、选题、技术积累需要反复调资料——这几类人看完应该能直接用上。如果你只是想要一个剪藏替代品这套显得有点重。但如果你已经有这种感觉不是缺工具是缺一条让资料持续变成资产的工作流——那继续往下看。开始之前你只需要准备 3 样东西1. Obsidian用来做本地知识库工作区。2. Codex用来让 Agent 直接读写你的知识库文件。3. 一个空文件夹这个文件夹就是你这次的 LLM Wiki 仓库。为了让你第一次就能跑通我建议不要直接拿自己已经很复杂的 Obsidian 仓库开刀。最稳的做法是先单独建一个实验仓。比如名字就叫llm-wiki-lab第一步用 Obsidian 打开这个实验仓先打开 Obsidian。选择“Open folder as vault”然后把刚才建好的llm-wiki-lab文件夹作为一个新的 vault 打开。你不需要一上来装很多插件也不需要先想好复杂目录。先保持干净。打开之后先只建 2 个顶层文件夹raw/wiki/这 2 层已经够你跑第一个闭环了。它们分别干什么raw/放原始资料。比如文章、网页摘录、PDF、会议纪要。wiki/放整理后的知识页。比如概念页、人物页、工具页、主题页、对比页。一个容易翻车的地方很多人一上来就把所有内容丢一个目录里raw 和 wiki 混着放。短期看省事长期几乎一定会乱。因为原始资料和整理后的知识本来就不是同一层东西。第二步先建一个最小规则文件不要追求完美接下来直接在仓库根目录下新建一个文件名字就叫AGENTS.md这个文件的意义不是“写给人看的说明书”而是给 Agent 的工作规则。你可以先写一个极简版本不需要一开始就很复杂。比如# LLM Wiki Rules ## 目标 这个仓库用于维护一个可持续进化的知识系统。 ## 目录约定 - raw/: 原始资料 - wiki/: 整理后的知识页 - AGENTS.md本文件仓库根目录下的工作规则 ## ingest 原则 当有新资料进入 raw/ 时 1. 生成对应的来源页 2. 提炼关键观点 3. 更新相关的 wiki 页面 4. 增加必要的交叉链接 5. 如无对应页面则创建新页面 ## 查询原则 回答问题时优先参考 wiki/ 中已经整理过的页面必要时再回看 raw/。这一步的重点不是写出一份“完美规则”。重点是先让 Agent 知道这个仓库不是随便记笔记的地方而是一个有结构、有分层、有 ingest 规则的知识系统。书籍PDF及配套代码可点赞文章后添加小助手获取第三步往 raw 层放第一份资料现在不要急着问 Agent 问题。先给它一份真正的输入。你可以随便选一篇你最近觉得有价值的文章先手动存进raw/。最简单的方法是在raw/里新建一个 Markdown 文件比如2026-04-27-karpathy-llm-wiki.md里面至少放这几部分标题原文链接作者 / 来源你摘下来的正文要点如果有必要补一两句你自己的备注一个最小示例可以长这样# 5分钟复刻 Andrej Karpathy 的 LLM Wiki - URL: https://example.com - Author: xxx - Date: 2026-04-27 ## Raw Notes - 文章核心在于把知识库从检索系统变成持续更新的 wiki - 强调 raw / wiki 双层 AGENTS.md 规则文件的结构 - 强调先跑通 ingest再谈大规模扩展说个经验第一次实验别一口气塞十篇文章。先塞一篇。因为你现在要验证的不是规模而是链路是不是通的。第四步让 Codex 接手第一次 ingest现在可以让 Agent 开始干活了。打开 Codex进入这个实验仓所在目录。如果你平时是在终端里用 Codex那就先切到仓库目录比如cd ~/path/to/llm-wiki-lab codex然后你可以直接给它一个很具体的任务不要一上来就说“帮我优化知识库”。第一次最好说得直一点例如请读取 raw/2026-04-27-karpathy-llm-wiki.md。 基于其中内容 1. 在 wiki/ 下创建一页来源总结页 2. 提炼关键概念 3. 如果需要新建相关概念页 4. 为新旧页面增加交叉链接 5. 最后告诉我这次新增了哪些文件、更新了哪些文件写得这么细是因为第一次跑闭环时你在帮 Agent 建立工作边界不是考它智商。任务越具体第一次成功率越高。第五步检查 Agent 到底做了什么Agent 执行完之后不要只看它回了什么文字。你要回到 Obsidian 里检查它到底动了哪些文件。重点看 3 件事1. 有没有生成来源页比如在wiki/下生成一页类似source-karpathy-llm-wiki.md这页通常应该包括文章讲了什么核心观点是什么为什么值得保留它和哪些已有知识页相关2. 有没有生成概念页或主题页比如可能出现wiki/llm-wiki.mdwiki/ingest-workflow.mdwiki/knowledge-compilation.md这些页不一定非得命名成这样但它应该至少把原始资料里的高价值概念提出来而不是只生成一篇孤立摘要。3. 有没有加交叉链接这是最关键的一步。如果生成了几个页面但彼此没有任何链接那它本质上还是在堆笔记。你要确认页面里至少有一些像这样的连接[[LLM Wiki]][[Ingest Workflow]][[Knowledge Compilation]]如果它只是总结文章没有更新知识网络那这次 ingest 只能算完成了一半。第六步马上做第一次“基于 wiki 的提问”很多人搭到这里就停了觉得能自动建页了很酷。但真正的价值不在自动建页本身而在于以后你提问时能不能优先站在已经整理过的 wiki 层回答。你可以继续在 Codex 里问一个具体问题比如请基于 wiki/ 中已经整理好的内容回答 LLM Wiki 和传统 RAG 的差别到底是什么 如果还需要补充再回看 raw/ 里的原始资料。如果 Agent 的回答明显先引用了你已经整理好的 wiki 页面再去补充 raw 层那说明这套结构开始工作了。这意味着你的知识库已经不是“每次都从原始文档临时拼答案”而是开始站在一层中间知识上工作。书籍PDF及配套代码可点赞文章后添加小助手获取第七步把这次问答继续沉淀回 wiki这一步很多教程不讲但它其实很重要。如果你在刚才的提问里得到了一个特别清楚的对比答案比如LLM Wiki 更强调持续整理RAG 更强调按需检索两者的差别不在能不能查而在知识会不会累积那你完全可以继续让 Agent 做一步回写请把刚才关于“LLM Wiki vs RAG”的回答整理成 wiki/ 下的一页对比页 补上必要链接并关联到已有页面。一旦你开始这样做知识库就会出现一个很明显的变化它不再只吸收新资料也开始吸收新问题。这才是一个系统会持续长起来的信号。如果你想更稳一点可以直接照着这个最小目录搭为了避免第一次搭的时候乱掉我给你一个很省事的最小版本llm-wiki-lab/ ├── AGENTS.md ├── raw/ │ └── 2026-04-27-karpathy-llm-wiki.md ├── wiki/ │ ├── source-karpathy-llm-wiki.md │ ├── llm-wiki.md │ ├── ingest-workflow.md │ └── llm-wiki-vs-rag.md这已经足够了。先别急着加tags 体系复杂 frontmatter自动化脚本批量 ingest多层索引页这些以后都能加。第一次最重要的是你能不能在 30 分钟内把第一条链路跑通。最容易翻车的地方一上来就设计超级复杂的结构。很多人还没导入第一篇资料就先花两个小时设计 schema。这几乎总是低效的。因为你根本不知道自己的 ingest 动作会不会稳定发生。先跑通再优化。把 raw 和 wiki 混在一起。一旦混了后面查询、更新、维护全乱。raw 是原料wiki 是成品和半成品必须分层。只让 Agent 做摘要不让它更新知识网络。如果 Agent 只会“总结一篇文章”那你得到的只是一个自动摘要器。真正有价值的是它能不能更新已有页面创建新概念页加交叉链接回写索引页只 ingest不查询也不回写。不做查询你看不到 wiki 层到底值不值得建。不回写高质量问答知识不会复利。它和普通 RAG到底差在哪这个问题问的人最多我直说。普通 RAG文件存进去 → 需要时切片检索 → 现场拼答案。这套 LLM Wiki资料进 raw → Agent 做整理和知识编译 → wiki 层沉淀出更稳定的中间知识 → 提问时优先查这层。两者的差别不是能不能回答问题而是你的知识会不会越用越好用。所以我更看重 wiki 层不是只看检索层。动手清单想今天就试的话按这个顺序走新建独立实验仓llm-wiki-labObsidian 打开建好raw/和wiki/两个文件夹仓库根目录下新建AGENTS.md往raw/塞第一篇文章Codex 执行第一次 ingest回 Obsidian 检查 wiki 页面、双链、来源页基于 wiki 提第一个问题把好的问答继续沉淀回 wiki8 步跑通你就有了第一版可用的 LLM Wiki。书籍PDF及配套代码可点赞文章后添加小助手获取
