Obsidian + AI：让知识库自动成长
最近看到 Andrej Karpathy 分享了一个 Obsidian 的新用法，彻底改变了我对知识管理的认知。
传统知识管理的痛点
用 Obsidian 做笔记的人，最大的痛点是什么？
笔记越积越多，但从不回顾。
收藏了100篇文章，写了50篇笔记，但真正消化吸收的有多少？每次想找某个知识点，都要翻半天。更糟糕的是，笔记之间毫无关联，像一堆散落的碎片。
这就是传统 RAG（检索增强生成）的问题：每次提问，AI 都要从原始文档重新检索、重新理解、重新整合。没有积累。
Karpathy 的解决方案：LLM-Wiki
Karpathy 提出了一个不同的思路：让 AI 持续构建一个结构化的知识库。
每次添加新内容，AI 都会自动：
- 更新相关的页面
- 建立交叉引用
- 发现矛盾和冲突
- 维护时间线记录
知识是”编译”好的，不是每次都重新”解析”。这就是 Karpathy 称之为 LLM-Wiki 的模式。
三层架构设计
具体实现上，Karpathy 建议采用三层架构：
第一层：Raw Sources（原始资源）
你的文章、论文、图片、数据文件都放在这里。这部分是不可变的——AI 只能读取，不能修改。这是你的”真相来源”。
第二层：The Wiki（知识库）
这是 AI 维护的 markdown 文件目录，包括：摘要页面、实体页面、概念页面、对比分析、综合概览。这一层完全由 AI 拥有。你读它；AI 写它。
第三层：The Schema（配置文件）
这是一个关键文件（CLAUDE.md 或 AGENTS.md），告诉 AI：wiki 要怎么组织、用什么格式和约定、摄入新内容时遵循什么流程、如何回答查询。这是让 AI 成为”自律的 wiki 维护者”的关键配置。
实际工作流程
Ingest（摄入）
当你添加一篇新文章到 raw/ 目录：AI 读取文章内容、与你讨论关键要点、写入摘要页面、更新索引文件、更新相关的实体和概念页面、在日志文件添加记录。一篇文章可能同时影响 10-15 个 wiki 页面！
Query（查询）
当你提问时：AI 先读取 index.md 找到相关页面、深入阅读这些页面、综合答案并附带引用来源、好的答案可以归档为新的 wiki 页面。
Lint（定期检查）
偶尔让 AI 做”健康检查”：发现页面之间的矛盾、识别过时的声明、找出孤立页面、建议缺失的交叉引用、发现数据缺口。
你的角色是什么？
在这个模式下，你只需要做两件事：
- 提供好的内容源——筛选值得添加的文章、论文、数据
- 问好的问题——引导 AI 去探索、去综合、去发现连接
剩下的 summarizing、cross-referencing、bookkeeping，全部交给 AI。
Karpathy 的形象比喻
“Obsidian 是 IDE；AI 是程序员；wiki 是代码库。”
你打开 Obsidian 在一边，AI Agent 在另一边。AI 根据对话编辑文件，你实时浏览结果——跟随链接、检查 graph view、阅读更新的页面。
实际效果
用了一段时间后，我的知识库真的开始”自动成长”：
- 添加一篇新文章，graph view 里自动出现新的连接
- 查询一个概念，AI 直接给出综合答案，带引用来源
- 做一次 Lint 检查，AI 帮我发现矛盾和缺失的引用
这种感觉，就像雇了一个免费的助理，帮你整理笔记。
如何开始？
- 在 Obsidian vault 里创建
raw/和wiki/目录 - 写一个简单的
CLAUDE.md配置文件 - 添加第一个资源到 raw/
- 打开 Claude Code，让它处理
- 观察结果，调整配置，迭代优化
唯一的成本是：你要花点时间写好 CLAUDE.md 配置。但这个投入，一次就够了。后面就是享受知识库自动积累的复利。
适用场景
- 阅读书籍：章节笔记、角色、主题——类似 Tolkien Gateway
- 研究主题：论文、报告——深度积累
- 团队 Wiki：Slack 线程、会议记录——自动维护
- 个人成长：目标、健康、心理学——结构化追踪
推荐给谁？
所有用 Obsidian 但：
- 懒得整理笔记的朋友
- 笔记越来越多但从不回顾的朋友
- 想让知识库真正”活起来”的朋友
这套玩法，值得试试。
相关链接：
