LLM Wiki

一种使用大语言模型构建个人知识库的模式。

这是一份思路文档，旨在复制粘贴给你的LLM Agent（如OpenAI Codex、Claude Code、OpenCode/Pi等）。它的目标是传达核心思路，你的Agent会和你一起完善具体细节。

核心理念

大多数人使用LLM处理文档的方式是RAG：上传一批文件，LLM在查询时检索相关片段，然后生成答案。这种方式可行，但LLM每次都在从零开始重新发现知识，没有任何积累。如果你提出一个需要综合五份文档的细微问题，LLM每次都要重新寻找并拼凑相关片段，什么也没有沉淀下来。NotebookLM、ChatGPT文件上传以及大多数RAG系统都是这样运作的。

这里的思路截然不同。不是在查询时从原始文档中检索，而是让LLM增量式地构建并维护一个持久化wiki——一套结构化、相互关联的Markdown文件集合，位于你和原始资料之间。当你添加新资料时，LLM不只是为了以后检索而对其建立索引，而是阅读它、提取关键信息，并将其整合进已有的wiki中——更新实体页面、修订主题摘要、标注新数据与旧观点的矛盾之处，不断强化或修正演进中的综合认知。知识只需编译一次，之后持续保持更新，而非每次查询都重新推导。

这就是关键区别：wiki是一个持久化的、不断积累的成果。 交叉引用已经就位，矛盾之处已经标记，综合分析已经涵盖你读过的一切。每添加一份资料、每提一个问题，wiki都会变得更加丰富。

你从来不需要（或极少需要）亲自撰写wiki——LLM负责撰写和维护全部内容。你负责筛选资料、探索方向、提出正确的问题；LLM负责其余所有繁琐工作——摘要、交叉引用、归档整理，以及让知识库真正有用所需的一切日常维护。实际操作中，我会在一侧打开LLM Agent，另一侧打开Obsidian。LLM根据我们的对话进行编辑，我实时浏览结果——点击链接、查看图谱视图、阅读更新后的页面。Obsidian是IDE，LLM是程序员，wiki是代码库。

这个模式适用于许多不同场景，举几个例子：

• 个人成长：追踪自己的目标、健康、心理、自我提升——归档日记、文章、播客笔记，逐步构建一幅关于自己的结构化图景。
• 深度研究：在数周或数月内深入某个课题——阅读论文、文章、报告，持续构建一个附有演进论点的综合性wiki。
• 读书笔记：每读完一章就归档，为人物、主题、情节线索及其关联构建页面。读完之后你将拥有一套丰富的配套wiki。可以参考托尔金门户这样的粉丝wiki——数千个相互关联的页面，涵盖人物、地点、事件、语言，由志愿者社区历经多年构建而成。读书时你完全可以独自构建类似的东西，让LLM完成所有交叉引用和维护工作。
• 企业/团队：由LLM维护的内部wiki，以Slack消息、会议记录、项目文档、客户通话为输入来源，可以有人工审核环节。wiki能保持更新，因为LLM承担了团队中没人愿意做的维护工作。
• 竞品分析、尽职调查、旅行规划、课程笔记、兴趣爱好深耕——任何需要随时间积累知识、希望知识有条有理而非四散零落的场景。

架构

整体分为三层：

原始资料层 — 你精心收集的源文档，包括文章、论文、图片、数据文件。这一层是不可修改的，LLM只读取，从不改动。这是你的事实来源。

Wiki层 — 一个存放LLM生成的Markdown文件的目录，包含摘要、实体页面、概念页面、对比分析、概述和综合性文章。LLM完全拥有这一层：创建页面、在新资料加入时更新页面、维护交叉引用、保持整体一致性。你负责阅读，LLM负责撰写。

Schema层 — 一份文档（如Claude Code的CLAUDE.md或Codex的AGENTS.md），告知LLM wiki的结构规范、约定惯例，以及在摄入资料、回答问题或维护wiki时应遵循的工作流程。这是核心配置文件——正是它让LLM成为一个有条不紊的wiki维护者，而非普通的聊天机器人。随着你摸索出什么方式最有效，你和LLM会共同迭代这份文档。

操作流程

摄入（Ingest）。 你将新资料放入原始集合，告知LLM进行处理。示例流程：LLM阅读资料，与你讨论关键要点，在wiki中撰写摘要页面，更新索引，更新wiki中相关实体和概念页面，并在日志中追加一条记录。一份资料可能涉及10至15个wiki页面的更新。我个人倾向于一次摄入一份资料，并保持全程参与——阅读摘要、检查更新、引导LLM把握重点。当然你也可以减少监督，批量摄入多份资料。具体工作流程因人而异，建议把摸索出来的方法记录在schema中，以便后续会话沿用。

查询（Query）。 你向wiki提问，LLM搜索相关页面、阅读内容，并给出带引用的综合性回答。答案的形式可根据问题灵活选择——Markdown页面、对比表格、Marp幻灯片、matplotlib图表、画布等。重要的洞察：有价值的回答可以作为新页面归档回wiki。 你请求生成的对比分析、见解、发现的关联——这些都有价值，不应该消失在聊天记录里。这样，你的探索过程就能像摄入的资料一样，在知识库中不断积累。

梳理（Lint）。 定期请LLM对wiki进行健康检查，具体包括：检查页面间的矛盾之处、较新资料已经推翻的陈旧内容、没有被其他页面引用的孤立页面、已被提及但缺少独立页面的重要概念、缺失的交叉引用，以及可通过网络搜索填补的数据空白。LLM擅长建议新的研究方向和值得查阅的新资料，有助于随着wiki的增长保持其质量。

索引与日志

两个特殊文件帮助LLM（以及你）在wiki规模扩大后有效导航，各有其用途：

index.md 以内容为导向，是wiki的完整目录——每个页面附有链接、一行摘要，以及可选的元数据（如日期、资料来源数量），按分类组织（实体、概念、资料等）。LLM在每次摄入时更新它。回答查询时，LLM先读取索引找到相关页面，再深入阅读。在中等规模下（约100份资料、数百个页面），这种方式效果出奇地好，无需构建基于嵌入向量的RAG基础设施。

log.md 以时间为导向，是一份追加式记录，记载发生的事情及时间——摄入、查询、梳理操作。一个实用技巧：如果每条记录以固定前缀开头（如## [2026-04-02] ingest | 文章标题），日志就可以用简单的Unix工具解析——grep "^## \[" log.md | tail -5即可显示最近5条记录。日志为你呈现wiki的演进时间线，也帮助LLM了解近期发生了什么。

可选：命令行工具

在某个阶段，你可能需要构建一些小工具，帮助LLM更高效地操作wiki。最显而易见的是wiki页面搜索引擎——在小规模下，索引文件已经足够，但随着wiki增长，你需要真正的搜索功能。qmd是一个不错的选择：它是一款本地Markdown文件搜索引擎，支持BM25/向量混合搜索和LLM重排序，完全在本地运行，提供CLI接口（供LLM调用shell命令）和MCP服务器（供LLM作为原生工具使用）。你也可以自己搭建更简单的方案——LLM可以帮你边用边写一个朴素的搜索脚本。

技巧与建议

• Obsidian Web Clipper 是一款浏览器扩展，可将网络文章转换为Markdown，非常适合快速将资料导入原始集合。
• 本地保存图片。 在Obsidian设置 → 文件与链接中，将”附件文件夹路径”设为固定目录（如raw/assets/）。然后在设置 → 快捷键中搜索”Download”，找到”下载当前文件的附件”并绑定快捷键（如Ctrl+Shift+D）。剪藏文章后按下快捷键，所有图片即可保存到本地。这是可选步骤，但很实用——它让LLM可以直接查看和引用图片，而不依赖可能失效的URL。注意LLM无法在一次处理中直接读取含内嵌图片的Markdown——变通方法是先让LLM读取文本，再单独查看部分或全部引用图片以获取补充信息。虽然稍显繁琐，但效果足够好。
• Obsidian图谱视图是查看wiki整体结构的最佳方式——哪些页面相互关联，哪些是枢纽节点，哪些是孤立页面，一目了然。
• Marp 是一种基于Markdown的幻灯片格式，Obsidian有对应插件，适合直接从wiki内容生成演示文稿。
• Dataview 是一款Obsidian插件，可对页面前置元数据执行查询。如果LLM在wiki页面中添加YAML前置数据（标签、日期、资料来源数量），Dataview就能生成动态表格和列表。
• wiki本质上就是一个Markdown文件的Git仓库，版本历史、分支管理和协作功能开箱即用。

为什么这种方式有效

维护知识库的繁琐之处不在于阅读或思考，而在于日常的”杂务”：更新交叉引用、保持摘要的时效性、标注新数据与旧观点的矛盾、维护数十个页面的一致性。人们放弃wiki，是因为维护成本的增长速度超过了其带来的价值。LLM不会感到厌倦，不会忘记更新某个交叉引用，而且可以在一次操作中修改15个文件。wiki能持续保持维护，因为维护的成本趋近于零。

人类的工作是筛选资料、指导分析、提出好问题、思考这一切意味着什么。LLM负责其余所有事情。

这个理念在精神上与Vannevar Bush在1945年提出的Memex相呼应——一种个人化的、精心策划的知识存储，文档之间有关联路径可循。Bush的愿景比现有的互联网更接近这里描述的方式：私人的、主动策划的，文档之间的连接与文档本身同等重要。他当年没能解决的问题是：谁来做维护？现在，LLM回答了这个问题。

说明

本文档有意保持抽象，描述的是思路本身，而非具体实现。确切的目录结构、schema约定、页面格式、工具选型——这一切都取决于你的领域、你的偏好和你选用的LLM。上述所有内容均为可选项，模块化设计，取用所需，忽略不需要的部分。例如：你的资料可能只有文字，完全不需要图片处理；你的wiki可能足够小，索引文件就够用，不需要搜索引擎；你可能不在乎幻灯片，只需要Markdown页面；你可能想要一套完全不同的输出格式。正确的使用方式是将本文档分享给你的LLM Agent，共同实例化一个适合自己需求的版本。这份文档唯一的任务是传达这种模式，具体怎么做，你的LLM自会想清楚。