工具篇 | Obsidian + AI，你的第二大脑终于能自己长了

就前段时间吧，Andrej Karpathy发了一条推文，直接在AI圈刷屏了。

他用Obsidian配合Claude Code，搞了一套个人知识库系统，管它叫LLM Wiki。原始资料丢进去，AI帮你整理、交叉引用、生成摘要、维护链接，你只管看结果就行。

今天聊三件事，Obsidian到底是什么，怎么用，以及Karpathy的LLM Wiki到底在搞什么。

1 Obsidian到底是什么

先说Obsidian。

很多人第一次听到Obsidian的反应是，又一个笔记软件？Notion不够用吗？印象笔记不行吗？飞书文档不香吗？

坦率的讲，如果你只是记个会议纪要、写个待办清单，这些工具确实够了。但Obsidian做的事情跟它们完全不一样。

Obsidian的核心理念可以用两个词概括，本地优先，链接即结构。

本地优先的意思是，你所有的笔记都存在你自己电脑上，就是一堆Markdown文件，放在一个文件夹里。没有云端数据库，没有私有格式，没有供应商锁定。你用文件管理器打开那个文件夹，每一篇笔记就是一个.md文件，用任何文本编辑器都能打开。

链接即结构，是Obsidian真正让人上瘾的地方。

你在一篇笔记里输入两个方括号，比如机器学习，就创建了一个指向「机器学习」这篇笔记的链接。如果这篇笔记还不存在，点一下就会自动创建。关键来了，这个链接是双向的。你在A里链了B，那在B里也能看到A链了它。

这个功能叫双向链接，是Obsidian的灵魂。

传统笔记是树状结构，一级文件夹套二级文件夹套三级文件夹，跟图书馆的书架一样。问题是，知识不是树，知识是网。一个概念可能同时跟五个不同领域的东西有关，你把它放在哪个文件夹？放A文件夹就找不到跟B的关系了。

双向链接解决了这个问题。你不需要纠结放在哪个文件夹，你只要把相关的东西链起来就行。链多了之后，打开Obsidian的关系图谱，你会看到一张巨大的知识网络，哪些概念是枢纽、哪些是孤岛、哪些之间有你之前没注意到的联系，一目了然。

我第一次打开图谱的时候说实话有点被震撼到了。那种感觉就像，你脑子里模模糊糊知道这些东西之间有关系，但从来没人帮你画出来过。

2 插件让Obsidian变成了知识操作系统

说到这个，Obsidian还有一个让我觉得很牛的设计。就是它的插件系统。

Obsidian本身很轻量，核心功能就是编辑Markdown和管理链接。但它有一个极其活跃的插件社区，截止到现在已经有超过两千个社区插件了。你想要什么功能，大概率有人已经做了。

我自己用得比较多的几个，聊聊感受。

Dataview，这个插件把你的笔记库变成了一个数据库。你可以在笔记的头部写一些元数据，比如标签、日期、状态之类的，然后用类似SQL的语法去查询。比如「列出所有标签为#项目的笔记，按创建时间倒序排列」。听起来很极客对吧，但用起来真的太方便了，特别是当你的笔记量到了几百篇之后。

Templater，模板引擎。你可以定义各种笔记模板，每次新建笔记的时候自动套用。比如会议记录模板、读书笔记模板、日记模板。它还支持JavaScript脚本，所以你可以做一些很骚的自动化操作，比如自动填入当前日期、自动关联到今天的日记页面之类的。

Calendar，日历视图插件，配合日记功能用。每天一篇日记，在日历上点对应的日期就能跳过去。看起来简单，但养成每日记录的习惯之后，回头翻的时候那种感觉。。。怎么说呢，就像翻一本只有自己能看懂的日记本。

Excalidraw，在笔记里直接画图。手绘风格的白板，可以嵌入到任何笔记里。我用它来画架构图和思维导图，画完直接就在笔记里渲染了，不需要额外的工具。

Git，版本管理插件。把你的笔记库用Git来同步和备份。配合GitHub或者私有Git仓库，你可以实现多端同步，而且每一次修改都有历史记录可以回溯。

Editing Toolbar，编辑工具栏插件，提供类似Word的工具栏，增加了简洁且用户友好的文本编辑器模式，使写作和编辑体验更加流畅。

这些插件组合在一起，Obsidian就不只是一个笔记软件了。它更像是一个个人知识操作系统。

想到使用更多的插件，可以在官网这里找找，
https://obsidian.md/plugins

3 Karpathy的LLM Wiki，在搞什么

好，回到Karpathy这块。

前面铺垫了这么多Obsidian的基础，是因为Karpathy的LLM Wiki方法，Obsidian是核心载体。他自己的原话是这样的，「Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.」

翻译一下，Obsidian是开发环境，LLM是程序员，Wiki是代码库。

这个类比太精准了。

传统的方式是什么呢？你有一堆文档、论文、文章，你想问AI一个问题，你把这些东西喂给AI大模型，它在里面检索相关片段，拼凑出一个答案。这就是RAG，检索增强生成。

RAG的问题是什么？Karpathy一针见血，「The LLM is rediscovering knowledge from scratch on every question. There's no accumulation.」每次提问，AI都在从头发现知识，没有积累。

你今天问一个需要综合五篇论文才能回答的问题，AI费劲巴拉地去找、去拼、去整合。明天你问同样的问题，它又得重新来一遍。什么都没沉淀下来。

LLM Wiki的思路完全不同。

你不是在查询时让AI去检索原始文档，而是让AI提前把原始文档「编译」成一个结构化的Wiki。就像写代码一样，源代码是原始资料，编译后的程序是Wiki。你平时用的是编译后的版本，又快又好用。

具体怎么搞呢？Karpathy设计了一个三层架构。

第一层，原始资料。你收集的所有文章、论文、图片、数据文件，统统扔进一个raw文件夹。这些资料是不可变的，AI只能读不能改。这是你的信息源头。

第二层，Wiki本体。一个由AI生成和维护的Markdown文件集合。摘要页、实体页、概念页、对比页、综述页，全都是AI写的。每次你加入新的原始资料，AI不是简单地索引它，而是读完之后把新信息整合进已有的Wiki里，更新实体页面、修改主题摘要、标注新数据跟旧结论矛盾的地方。知识被编译一次，然后持续更新，而不是每次查询都重新推导。

第三层，Schema。一个配置文件，告诉AI这个Wiki的结构是什么、有哪些约定、执行什么工作流。如果你用Claude Code，这个文件叫CLAUDE.md。如果你用OpenAI Codex，叫AGENTS.md。名字不同，内容一样。

这一层是整个系统的灵魂。没有Schema，AI就是一个碰巧能访问你文件的聊天机器人。有了Schema，AI就变成了一个遵循一致规则、跨会话保持记忆的Wiki维护者。

你想想。

你不需要自己写Wiki。你只需要负责三件事，找资料、探索方向、问对的问题。AI负责所有苦力活，总结、交叉引用、归档、记录。

而且这个系统有一个特别厉害的复利效应。每加入一个新资料，Wiki就更丰富一点。每问一个新问题，Wiki就更完善一点。交叉引用已经建好了，矛盾已经被标记了，综合分析已经反映了你读过的所有东西。这是真正的知识复利。

4 五分钟上手指南

回到实操层面。如果你想自己试试Karpathy的方法，我梳理一下最简单的起步路径。

先装Obsidian，在obsidian.md下载就行，全平台支持，免费。创建一个新的Vault，其实就是一个文件夹，随便放在哪，比如~/wiki。

然后装好Claude Code，在终端里进入你的Wiki文件夹（或者在Obsidian中安装Claudian插件）。接下来是整个流程最骚的部分，你不需要自己动手建目录结构。直接跟 AI 说，

「你参考这个说明
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f，为我创建一个关于知识库目录结构」

AI会自动读Karpathy的Gist，理解三层架构，然后为你生成完整的目录结构，甚至还会帮你写好第一篇index概览页。你什么都不用配置，Agent全部帮你搞定。

目录建好了，接下来就是往里塞东西。日常使用基本就是这三个动作，

「我刚往raw里丢了一篇关于RAG的论文，帮我消化完更新到wiki里。」

这是ingest，摄入新资料。AI会读完论文，提取核心观点，更新到对应的概念页、实体页，如果和已有内容有冲突还会标注出来。

「帮我整理一下目前知识库里RAG和LLM Wiki这两个方案的优劣对比。」

这是query，查询。AI会遍历wiki里的相关页面，综合已编译的知识给你一个答案，不是从原始文档重新拼凑，而是基于已经整理好的结构化知识。

「我的inbox里积了一堆草稿，帮我分类整理一下。」

这是lint，整理维护。AI会帮你把未归档的草稿分类、打标签、建立与已有笔记的链接。

就这三个动作，ingest、query、lint，循环往复。知识就这么一点一点编译起来了。

我自己也在不断摸索这套流程，已经能感受到一些变化了。最明显的一点是，我不再害怕信息过载了。以前看到一篇好文章，收藏了就完了，再也不会看第二遍。现在我知道，扔进raw文件夹，AI会帮我把它消化掉，整合进我已有的知识体系里。

这种感觉太爽了。

哦，对了！再补充一个好用的Chrome插件，Obsidian Web Clipper。它是Obsidian官方推出的免费浏览器扩展程序，能将网页内容高效剪藏为 Markdown 格式存入Obsidian本地知识库

我以前最怕的事情就是，收藏夹越来越满，脑子还是空的。

现在我觉得这个问题终于有解了。不是靠自律，不是靠什么知识管理方法论，而是有一个不知疲倦的AI帮你把信息编译成知识，把收藏变成积累。

第二大脑，终于能自己长了。