现在的 AI 已经完全可以当做以前的搜索引擎使用了，但是随着与 AI 的交流次数越来越多，研究的项目和课题越来越丰富，导致个人或者团队的资料越来越复杂，甚至每次与 AI 对话的时候，相当于全部清零，所有的关键信息全部没有了，又要从头开始梳理一遍

虽然现在的 Agent 记忆功能非常强大，但是每次研究的话题都要自己手动记录到笔记软件当中，时间长了，笔记越来越多，内容越来越乱

OpenClaw 24万星标，Hermes Agent 两个月破10万用户——虽然两者都有非常强大的记忆系统，但是随着会话和任务越来越多，记忆就会变得零碎

主要问题在于：知识没有被消化。

• OpenClaw 的 Active Memory 只是“记录对话”
• RAG 只是“检索原文”
• 你需要的是让 AI 把知识编译成笔记

就在今年 Karpathy 提出了 LLM Wiki：由 AI 代理（AI Agent）全自动构建、维护和更新的结构化知识库，构建你的第二大脑

什么是 LLM Wiki?

一个标准的 LLM Wiki 由三个核心层级组成：

1. Raw Sources（原始资料层）

你丢进去的 PDF、网页、论文、代码文件。这是“真理的源头”，只读，永远不会被修改。

2. The Wiki（维基层）

一个包含无数 Markdown 文件的文件夹，完全由 AI 编写和掌管。AI 在这里生成：

• 实体页（Entity Pages）：人物、项目、产品
• 概念页（Concept Pages）：技术、方法论、思想
• 主题总结：跨文档的综合分析

这些页面通过 [[双向链接]] 串联成知识图谱。

3. The Schema（指令层）

一个配置文件（如 CLAUDE.md 或 SCHEMA.md），告诉 AI：

• 你的核心目标是什么
• 应该遵循什么格式和规则来编写维基
• 如何组织和链接知识

目录结构示例：

 
my-wiki/ 
├── raw/                    # 原始资料层（只读） 
│   ├── papers/ 
│   ├── articles/ 
│   └── notes/ 
├── wiki/                   # 维基层（AI 管理） 
│   ├── entities/ 
│   │   ├── andrej-karpathy.md 
│   │   └── hermes-agent.md 
│   ├── concepts/ 
│   │   ├── llm-wiki.md 
│   │   └── rag-vs-wiki.md 
│   └── INDEX.md 
└── SCHEMA.md               # 指令层 
 

核心区别：

方式	RAG	LLM Wiki
工作原理	每次检索原文	读已整理的笔记
知识积累	❌ 无积累	✅ 越用越密
可见性	黑盒	全量 markdown
部署	向量库+GPU	本地文件夹

**一句话：**RAG 是“查资料”，LLM Wiki 是“翻笔记”

Hermes Agent 自带 LLM WIKI，开箱即用

 
# 1. 安装 Hermes（需要 Python 3.10+） 
pip install hermes-agent 
 
# 2. 初始化 
hermes init 
 
# 3. 配置 LLM Wiki 技能 
hermes skill enable llm-wiki 
 
# 4. 开始使用 
hermes chat 
> /llm-wiki ingest https://xxx.org/abs/xxxx 
 

Hermes 会自动：

• 读取文章
• 创建实体页、概念页
• 建立交叉链接
• 更新索引

查询知识库：

 
> /llm-wiki query "XXXX" 
 

聊天工具对话：

当然你可以直接在聊天工具中 “摄入+链接”或者询问

AI 读完内容，拆成多个页面：实体页记录核心事实，概念页提炼技术内涵，对比分析做结构化比较，查询归档按主题归档调研结果。

每个页面都包含 wikilinks，指向关联页面。知识网络像乐高一样拼起来。

Obsidian 让知识「看得见」

LLM Wiki 本身就是 markdown 文件目录，天然兼容 Obsidian，所以结合 Obsidian 非常完美

不需要学新工具，不需要部署复杂的知识库平台。打开 Obsidian，指向 wiki 目录，就得到：

• Graph View：一眼看清哪些概念是孤岛、哪些知识互联了
• 双向链接：[[wikilink]] 语法让 AI 写页面时自动建立交叉引用
• Dataview 插件：按标签、类型做动态查询
• 标签系统：一目了然的分类体系

AI 负责录入、整理、链接、更新。你负责浏览、阅读、补充、纠错。人机协作的完美分工

写在最后

LLM Wiki 提供方法论，Hermes Agent 负责自动执行，Obsidian 让一切可见可控——这就是让 AI 构建你的个人知识库完整解决方案

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】