基于 Karpathy 方法论 | 告别 RAG 低效循环 | 让 AI 成为你的知识管理员

---

🌟 引言：知识管理的困局与破局

每天，我们都在信息洪流中挣扎：收藏了无数文章却再也找不到，做了大量笔记却无法形成体系，想要深入某个领域却发现知识碎片散落各处。

传统解决方案如 RAG（检索增强生成）存在根本缺陷：没有积累。每次提问，AI 都从头搜索原始文档，临时拼凑答案。就像每次做饭都从头种菜，而不是建立一个储备充足的厨房。

LLM Wiki 提供了新的范式：让 AI 增量构建和维护一个持久化的 Wiki（互相链接的 Markdown 文件）。知识被"编译"一次，然后持续更新，形成可复利的数字资产。

本文将带你完整搭建一个基于 Obsidian + Claude Code + LLM Wiki 的智能第二大脑，让你：

• 🎯 每天 5 分钟，AI 自动整理所有阅读素材
• 🧠 提问即得答案，AI 从你的知识库精准回答
• 📈 知识复利增长，每篇文章都增强整个系统
• 🛠️ 维护成本趋近于零，AI 负责所有繁琐工作

---

🔍 核心概念：三位一体的完美组合

1. Obsidian：你的数字大脑皮层

• 本地优先：所有文件存储在你自己电脑上，无需担心服务商跑路
• 双向链接：知识自动形成网络，发现意想不到的关联
• Markdown 原生：10 年后换工具也能打开，无锁定风险
• 插件生态：通过社区插件无限扩展功能

2. Claude Code：你的 AI 工作引擎

• 命令行界面：让 Claude 直接操作文件系统
• 上下文感知：理解你的知识库结构和规则
• 安全模式：每次修改前确认，防止意外破坏
• 多模型支持：Haiku（快速）、Sonnet（平衡）、Opus（深度）

3. LLM Wiki：你的知识组织哲学

• Karpathy 方法论：OpenAI 创始成员提出的知识管理理念
• 持久化编译：知识被结构化整理，而非临时检索
• 增量更新：新素材自动融入现有体系
• 交叉引用：相关概念自动链接，形成知识网络

---

🚀 完整搭建指南：30 分钟搞定

基于 GitHub 项目 obsidian-ai-second-brain，以下是精简版搭建步骤：

阶段一：安装环境（10 分钟）

Step 1：安装 Obsidian

• 访问 obsidian.md 下载对应版本
• 创建新 vault（仓库），路径避免中文和空格
• 示例：D:\KnowledgeBase\ 而非 D:\我的知识库\
  

Step 2：安装 Claude Code

# 安装 Node.js（如果尚未安装）
# 访问 nodejs.org 下载 LTS 版本

# 安装 Claude Code
npm install -g @anthropic-ai/claude-code

# 验证安装
claude --version

Step 3：安装 Claudian 插件

• Obsidian → 设置 → 社区插件 → 浏览
• 搜索 “Claudian”（作者 Yishen Tu）
• 安装并启用

obsidian 安装claude code（报错，注意npm安装的claude code的环境变量）
https://github.com/YishenTu/claudian/releases/tag/2.0.3

Step 4：配置 Claudian

• CLI Path：通常自动检测，如需手动填写终端 which claude 的输出
• Safe Mode：建议设为 acceptEdits（修改前确认）
• 模型选择：日常用 Sonnet，复杂任务切 Opus

Step 5：安装 Obsidian的Skills

请参考: https://github.com/kepano/obsidian-skills

阶段二 数据收集

用Chrome浏览器插件Obsidian Web Clipper 做素材采集

1、在浏览器安装 Obsidian Web Clipper 扩展

2、打开任意网页文章，点击扩展图标–Add to Obsidian

3、保存后文章自动转为 Markdown 出现在 Obsidian 里

一个快捷键，让图片本地化，告别外链失效

剪藏下来的文章，图片通常还是外链，过几个月链接一挂，文章就残了。更关键的是，AI 读不了挂掉的图片链接。 Karpathy 的方案是两步配置，一劳永逸：

第一步：统一附件存储路径

打开 设置 → 文件与链接 → 找到附件存储路径 → 设为当前文件夹下指定的子文件夹，子文件夹名称设为attachments 不推荐Karpathy的固定到一个目录 raw/assets/ 因为多了之后附件混在了一起不好管理。

第二步：绑定下载快捷键 设置 → 快捷键 → 搜索 “下载” → 绑定快捷键Ctrl+Shift+D

以后每次剪藏完一篇文章，按一下 Ctrl+Shift+D，所有图片自动下载到本地。AI 就能直接读取和引用这些图片了

这里Karpathy分享了一个小细节：LLM 目前没法一次性读取带内嵌图片的 Markdown。变通做法是先让 AI 读文本内容，再让它单独查看文章引用的图片，不够优雅，但管用。

阶段三：搭建知识库结构（5 分钟）

请访问： https://github.com/nangongchengfeng/obsidian-ai-second-brain.git

Step 5：创建目录结构

你的vault/
├── raw/          # 原始素材（AI 只读，不改）
├── wiki/         # AI 维护的知识库
└── assets/       # 配图资源

在 Obsidian 中创建这些文件夹，然后在 wiki/ 下创建：

• index.md - 全局索引（先写标题即可）
• log.md - 操作日志

Step 6：创建 CLAUDE.md（核心文件）

将项目中的 CLAUDE.md 复制到你的 vault 根目录，或使用以下精简版：

# Personal LLM Wiki

## 目录职责
- **raw/** — 原始素材，AI 只读，永不修改
- **wiki/** — AI 维护的消化笔记
- **assets/** — 配图资源

## 两个特殊文件
- **wiki/index.md** — 全局索引
- **wiki/log.md** — 操作日志

## 三个触发行为
1. **Ingest**：录入新素材，触发词"加到 wiki"、"ingest 这个"
2. **Query**：查询知识库，触发词"wiki 里关于 X"、"根据我的 wiki 总结"
3. **Lint**：知识库体检，触发词"lint wiki"、"体检"

关键：文件名必须是全大写 CLAUDE.md，不是 claude.md

Step 7：创建主题目录

raw/AI工作流/
raw/产品设计/
wiki/AI工作流/
wiki/产品设计/

主题按你的兴趣领域创建，无需一次建完。

阶段四：日常使用（5 分钟掌握）

Step 8：Ingest（录入素材）

# 在 Claudian 对话框中输入
ingest 这个：

[粘贴文章内容 / 拖入文件 / 贴链接]

AI 会自动：

1. 保存原始素材到 raw/
2. 编译成结构化 wiki 文章
3. 合并相关主题，避免重复
4. 更新索引和日志

支持格式：

• 文章全文（直接粘贴）
• 网页链接（AI 尝试抓取）
• PDF/视频/图片（拖入 raw/ 后告诉 AI）
• 视频笔记/转录文字
  

Step 9：Query（查询知识）

# 基本查询
我的 wiki 里关于 AI 工作流有什么？

# 对比分析
对比一下 LangChain 和 LangGraph，根据我的笔记

# 保存结果（加"存下来"）
根据我的 wiki 总结 AI 工作流核心模式，存下来

Step 10：Lint（定期体检）

lint wiki
# 或
体检

AI 检查项：

• ✅ 索引与文件一致性（自动修复）
• ✅ 内部链接有效性（自动修复）
• ⚠️ 事实矛盾（报告待确认）
• ⚠️ 孤立页面（报告待处理）

建议频率： 每周一次，或文章超过 20 篇后

阶段五：进阶优化（随用随加）

Step 11：自定义 CLAUDE.md 规则

用了一两周后，根据你的需求添加规则：

## 我的主题分类
- AI工作流 — AI 工具、方法、工作流
- 产品设计 — 产品思维、设计方法论
- 一人公司 — 创业、商业模式、IP 构建

## 命名约定
- wiki 文章用中文描述性命名
- raw 文件保持原名不改

## 交叉引用规则
写新文章时，检查是否和已有文章有关联，有就在文末加 See Also

Step 12：知识复利增长

• 第 1 篇文章：独立知识点
• 第 10 篇文章：开始产生交叉引用
• 第 50 篇文章：AI 能从多篇文章综合出创新见解
• 第 100 篇文章：知识库比你自己的记忆更可靠

关键习惯： 每天花 5 分钟 ingest 当天看到的好内容。

---

📊 LLM Wiki vs 传统 RAG：根本性差异

维度	传统 RAG	LLM Wiki
知识积累	❌ 无积累，每次从零开始	✅ 持续积累，知识复利
维护成本	⚠️ 每次查询都需处理	✅ 一次性构建，接近零维护
人类角色	📝 不断提供文档和查询	🧠 只需阅读、思考、提问
AI 角色	🔍 被动检索，临时拼凑	🛠️ 主动构建，持续维护
知识结构	🗂️ 文档集合，缺乏结构	🌐 结构化网络，双向链接
适用场景	🎯 临时性、一次性查询	🏆 长期性、系统性知识管理
自动化程度	🔄 低，依赖人工整理	🤖 高，全流程自动化
版本管理	⚠️ 通常缺乏	✅ Git 集成，完整历史

核心区别： RAG 是临时餐馆（每次从市场买食材），LLM Wiki 是自家厨房（食材储备充足，随时可用）。

---

1. 内容转化流水线

LLM Wiki 结构化笔记
    ↓
博客文章草稿（一键导出）
    ↓
社交媒体片段（自动提取）
    ↓
演讲幻灯片（通过 Marp 转换）

2. 可持续工作流

• 输入：每天 5 分钟 ingest 阅读内容
• 处理：AI 自动整理、分类、链接
• 输出：需要时快速生成高质量内容
• 维护：AI 定期体检，保持知识库健康

---

💡 实践建议与避坑指南

建议 1：从最小可行开始

• 先只用基础功能，跑通整个流程
• 1 个月后再考虑添加 Dataview、Marp 等进阶插件
• 避免"完美主义瘫痪"，先行动再优化

建议 2：建立每日微习惯

• 设定每天固定时间（如下午 5 点）
• 花 5 分钟 ingest 当天看到的好内容
• 坚持 30 天，知识库自然形成规模

建议 3：善用安全模式

• Claudian 设置 Safe Mode 为 acceptEdits
• AI 每次修改前都会确认
• 初期可以监督 AI 行为，学习其工作模式

常见问题与解决

Q：已有大量 Obsidian 笔记怎么办？

• 分批 ingest，一天处理一个主题
• 不要一次性导入，质量优先于数量
• 利用现有笔记作为 raw 素材

Q：手机上能用吗？

• Obsidian 有手机版，可查看和编辑
• Claudian 仅支持桌面端（需 AI 操作时）
• 工作流：手机随手记 → 电脑端 ingest

Q：数据安全吗？

• Obsidian 文件存在本地电脑
• Claude API 处理时发送内容，但不永久存储
• 敏感信息（密码、API Key）不要放入 vault

Q：AI 回答不准确怎么办？

• 可能原因 1：知识库缺乏相关内容 → ingest 更多素材
• 可能原因 2：AI 理解偏差 → 在 CLAUDE.md 添加规则约束
• 可能原因 3：索引未更新 → 运行 lint 修复

---

🌈 后记：从信息消费者到知识创造者

我们正处在一个转折点：AI 不再是简单的问答机器，而是能够与我们共同思考、共同创造的合作伙伴。

Obsidian + Claude Code + LLM Wiki 这套组合，本质上是将 AI 的能力深度整合到你的个人知识工作流中。它解决了知识管理的核心矛盾：

• 积累与检索：从临时检索到持久积累
• 人工与自动：从繁琐整理到智能维护
• 碎片与体系：从孤立笔记到网络知识

作为个人博客者，这不仅是效率工具，更是创作能力的放大器。当你拥有一个不断成长、自我优化的知识库时：

• 写作不再是从零开始，而是从丰富的素材库中提炼
• 思考不再是孤立的，而是在知识网络中游走
• 创作不再是消耗，而是在已有基础上的创新

今天花 30 分钟搭建，未来每天节省 2 小时。 更重要的是，你不再只是信息的消费者，而是拥有自己数字大脑的知识创造者。