2026-08-11 17:28·Kway

一、为什么你急需一个“个人知识库”？

大模型本身没有长期记忆。一个新会话，AI 就不记得你上次聊过什么，更不了解你的写作风格、PPT 逻辑、项目背景。

于是每次让 AI 写文章、做PPT、出方案，你都得重复交代：

  • 文章什么调性？
  • PPT 几图偏好？
  • 项目目标与受众是谁？

没有知识库：反复补背景 → 效率低 + 结果随机带“AI味”。
有知识库：AI 先读库 → 懂你风格/逻辑 → 精准输出文章、PPT、配图。

持续沉淀经验、方法论、偏好，越用越聪明，形成长期复利。

二、工具选型：为什么是 Obsidian？

常见笔记软件（IMA、语雀、Notion…）多为云端，体验顺滑但Agent 难直连。
Obsidian 火在“AI 协作友好”：

云端笔记接 Agent 往往需官方 CLI/MCP，链路长；Obsidian 任何本地 Agent（WorkBuddy、Codex、Cursor…）都能轻松操纵。

三、让 Agent 访问 Obsidian 的两种方式

  • 内部插件法：装 Claudian 插件，把 Claude Code/Codex 等接进侧边栏（需本地 CLI）。

  • 共享文件夹法（推荐）：Obsidian 建仓 kb-wiki → WorkBuddy 会话选同一目录。两软件同工作区，Agent 自然读库。

四、知识怎么组织？LLM Wiki 三层架构

Karpathy 提出的 LLM Wiki 解决“传统 RAG 临时拼凑、不沉淀”的痛点：

  • Raw 层：原始资料（文章/论文/图片/聊天记录），人采集，LLM 只读不改。

  • Wiki 层：AI 编译的结构化知识（摘要/实体/概念/比较/概述），可持续演化。
  • Schema 层：AGENTS.md 定义规范，约束 AI 如何处理与维护。

目录实例：

kb-wiki/
├── AGENTS.md        <span># Schema 层</span>
├── raw/             <span># 原始资料（articles, books, papers…）</span>
├── wiki/            <span># 编译知识（entities, concepts, overviews…）</span>
│   ├── index.md     <span># 索引</span>
│   └── log.md       <span># 操作日志</span>
└── templates/       <span># 生成模板</span>

五、核心工作流程（可持续运转）

  1. 信息收集：Obsidian Web Clipper、办公 OA CLI、腾讯 IMA（移动端）。
  2. 知识摄入：新资料进 raw/ → Agent 按 AGENTS.md 提炼、写摘要、建双链、更新 index/log。原则：质量优先、小批量、人工审核。
  3. 知识查询：问 Agent → 先查 index.md → 相关页 → 双链 → 缺则回 raw。
  4. 知识回写：优质问答提取结论，查源去重，确认后写入，推断标“待验证”。
  5. 知识治理：定期健康检查（死链/孤岛/冲突/过期），区分自动修与人工判。

六、规模变大怎么办？

页面数百后，index.md 查不动 → 引入 qmd 本地检索：

  • 拆 chunk + 上下文前缀
  • BM25 关键词索引（非纯向量，省维护）
  • 向量语义重排 → Agent 读原页答

仅瓶颈时激活。

七、边界：个人香，企业慎

✅ 适合：个人学习、研究等低风险。
⚠️ 企业：需评估规模/权限/准确性。

八、结语：难点在“人参与平衡”

全交给 Agent → 质量崩；人管太细 → 难坚持。
建议：从高频小场景做深，先跑通再扩展。

一次构建，长期受益。让 AI 基于“你的知识+风格”工作，成为真正的超级助理。