摘要：本文详解如何使用 Obsidian 搭建本地 AI 知识库，基于 Andrej Karpathy 开源的 LLM Wiki 方法。通过三层文件结构（原始资源层、维基文件层、模式与规则层）和 AI Agent 配合，实现知识的原子化提炼、双向链接和持续累积。
前段时间，Andrej Karpathy 开源了他的本地知识库管理方法 LLM Wiki，仅靠一个文档就获得了 GitHub 5k star。
Andrej Karpathy（安德烈・卡帕西）是当今全球最具影响力的深度学习、计算机视觉与大模型专家之一。他是 OpenAI 最早的核心成员之一，后来去了特斯拉负责自动驾驶 AI，一手打造了特斯拉"纯摄像头方案"。
在他的方法中，核心是使用 Obsidian + LLM 大模型构建知识库。
为什么选择 Obsidian？
Obsidian 是一款本地笔记工具，记录的文件类型是 Markdown 格式。
在 AI 时代，Obsidian 凭借独特的架构成为了极具优势的个人知识库工具，其核心特征可以归结为以下 3 点：
1. 数据主权完全归用户
你的笔记全部以纯文本 Markdown (.md) 格式保存在本地设备上，而不是被锁在云端服务器或封闭的私有格式中。
2. 强大的网状知识结构
传统的笔记软件多采用树状文件夹结构，而 Obsidian 的核心是双向链接功能。如果你的笔记之间存在关联，它会自动建立起错综复杂的网状知识拓扑结构。
3. 与 AI 的天生契合
由于笔记存放在本地且格式是 AI 最熟悉的 Markdown，本地的 AI 可以直接、瞬间地读取、分析和修改这些文件。再配合 Obsidian CLI（命令行接口），AI 甚至能直接看懂整个知识库中的网状链接关系。
LLM Wiki vs 传统 RAG
传统知识库用 RAG 模式，每次提问 AI 都在重头找片段拼凑。而 LLM Wiki 模式主张让 AI 承担将新知识提炼并"编译"成结构化、带双向链接的维基图谱，实现知识的真正复利与累积。
搭建 AI 本地知识库：完整步骤
步骤一：创建知识库文件夹
下载 Obsidian，然后在桌面创建一个 AI 知识库的文件夹（名字随意，例如 Knowledge），用 Obsidian 打开这个文件夹。
步骤二：配置 AI Agent
使用支持本地文件操作的 AI Agent（如 WorkBuddy、QClaw、CodeBuddy、Claude Code、Codex 等），选择同一个文件夹。
步骤三：让 AI 学习并搭建结构
直接告诉 AI：
你去学习一下 https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
在这个文件夹中搭建相关知识库。AI 会自动学习教程内容，并根据学习结果创建文件夹与相关文件。
知识库核心逻辑：三层文件结构
根据 Karpathy 的理念，一个成熟的 LLM Wiki 系统由三个核心数据层和两个辅助文件构成。
三层文件结构
| 层级 | 用途 | 原则 |
|---|---|---|
| 原始资源层 (Raw sources) | 存放外部 PDF、网页剪藏、播客转录稿等 | 只读不改 |
| 维基文件层 (The wiki) | AI 提取生成的结构化 Markdown 文件，含双向链接 | 核心层 |
| 模式与规则层 (The schema) | CLAUDE.md 等配置文件，约定目录结构、标签规范 | 大脑配置 |
两个辅助文件
索引表 (index.md)：维基的花名册。AI 每次创建新页面都必须在这里追加一行，写明"页面链接 + 一句话摘要"。AI 回答问题时只需先扫一眼 index.md，就能精准定位需要深度阅读的笔记。
日志库 (log.md)：AI 的时间线记忆。按时间顺序追加记录，例如"2026-04-14，摄取了文件 A，创建了概念 B，添加了链接 C"。
AI 搭建完成后的目录结构如下：
Knowledge/
├── CLAUDE.md ← Schema 配置（知识库的"大脑"）
├── raw/
│ ├── assets/ ← 图片附件存放处
│ └── llm-wiki-karpathy.md ← Karpathy 原文归档
└── wiki/
├── index.md ← 所有页面的内容导航
├── log.md ← append-only 操作日志
├── concepts/ ← 概念页面
│ ├── llm-wiki-pattern.md
│ ├── rag-vs-llm-wiki.md
│ └── ...
├── entities/ ← 实体页面
│ ├── andrej-karpathy.md
│ ├── obsidian.md
│ └── ...
├── sources/ ← 来源摘要
└── syntheses/ ← 综合分析
在 wiki 目录中，AI 会给内容打上标签、取标题、做内容提炼和双链。
可视化知识图谱
Obsidian 可以切换成关系图谱模式，可视化笔记之间的关系，通过直观的交互式图谱发现思维中隐藏的模式。
每个知识点可以拖拽查看相关联的知识，点击即可查看具体内容。
知识库管理：三个核心操作
操作一：摄取 (Ingest) - 知识的原子化提炼
当你读到一篇好文章，直接把链接发给 AI：
帮我把这篇文章 https://mp.weixin.qq.com/s/xxx
整理成 md 格式放入 raw 文件夹，
然后根据 Schema 规范，提炼这份新资料。AI 会先处理文章，将其隔离处理成 md 格式，然后仔细阅读原文，将其拆解为多个独立的知识点。它会检查这个概念是否已存在于 Wiki 中，如果不存在就新建页面，如果存在就把新观点补充进去。
随后，AI 会在相关页面之间打上双向链接（如用 [[概念 A]] 链接到 [[概念 B]]），最后自觉地去更新 index.md 和 log.md。
苏米注：这个流程的关键在于"原子化"——每个知识点独立成页，通过双向链接形成网络。这样 AI 可以在瞬间关联 15 个甚至更多文件，远超人类的记忆能力。
操作二：问答 (Query) - 知识的涌现与固化
当你在思考某个新问题时，直接向 AI 提问：
基于我的 wiki 知识库，
我最近创业遇到了推广问题，
推荐一个能帮助我的 skillAI 会翻阅内部的 Wiki，综合多篇卡片笔记为你生成带引用的答案，极大提高了准确率。
如果回答不错，可以直接说：
非常好，请把它固化为一篇新的 wiki 笔记保存下来。通过这种方式，你的灵感被永久沉淀，知识库在日常问答中实现了二次生长。
操作三：审查 (Lint) - AI 驱动的知识库体检
传统笔记的弊端在于"记完就吃灰"，内部充满死链接和矛盾信息。现在可以定期（如每周一次）对 AI 说：
对我的知识库进行 Lint 审查。AI 会自动扫描全库，找出没有关联任何页面的"孤立页面（Orphan pages）"，梳理出相互矛盾的知识点，甚至建议将两个高度相似的概念页面进行合并。
移动端接入：微信 + 本地知识库
结合腾讯版本地"龙虾"（WorkBuddy）可以被微信接入，就可以在手机上轻松阅读信息，让电脑上的 AI 管理知识库。
需要注意：一开始 AI 不知道知识库的存在，手机和电脑的对话不是同一个，所以需要先让它学习：
你先学习下我桌面的本地知识库的规则文件，
然后帮我把这篇文章内容处理下
https://mp.weixin.qq.com/s/xxx
处理过一遍之后再告诉它，让它记住这个操作。
记住以后让你学习，你都需要去操作我的本地知识库使用建议：三点注意事项
苏米注：在正式使用这套 AI 知识库系统之前，一定要注意以下 3 点，这是我实际使用后的经验总结。
1. 别指望 AI 帮你"从零学习"
这套系统更适合你学完之后，用来整理、复习和建立连接，而不是直接拿来入门。
2. 别盲目堆资料
让 AI 一口气生成几百个词条，但你自己不看，其实没啥用。
3. 你才是大脑，AI 只是工具
AI 是加速器，不是替代品。方向、判断、取舍这些事，还是得你来。
AI 可以帮你整理知识，但不能替你思考。