用 Obsidian + AI 管理个人知识库：Karpathy 的 LLM Wiki 做法

0030 秒速览：三句话 + 按处境对号入座

读完这一篇，你能做三个判断：我这种规模的资料值不值得上这套做法；如果值得，第一步该敲哪几条命令；以及它在什么情况下会变成负担——那部分和第 04 节一样重要，很多人是被"看起来很美"骗进去的。

按你现在的处境，直接看这一节

一条可执行的最短路径

01笔记的两大死法：它到底冲着什么问题来的

先说清问题，再谈方法。绝大多数个人笔记系统最后都死在同一个地方，只是症状不同。你需要先认领自己的症状，后面才知道哪一节是在治它。

死法一：只进不出，变成赛博囤积

"收藏夹 + 文件夹 + 打标签"这套模型，收的时候很爽，用的时候才发现：当初没分好类、命名乱七八糟、几千条根本搜不到。这里要说句公道话：问题不在你懒，而在整理的成本被人为留给了你——而分类、起名、找关联恰恰是 AI 最擅长的重复劳动。这套做法的第一个动作，就是让 AI 把"整理"这件脏活整个接过去：你只负责把原始材料丢进 raw/（03 会讲这个目录）。

死法二：每次提问都从零开始，没有积累

用过"AI 问答笔记"的人多半有同感：你问它一个问题，它现场把笔记切块、算相似度、拼一段答案给你；下次再问，它又"重新发现"一遍。Karpathy 在原始文档里点名批评的就是这种基于切块的检索方式，他的原话是：

为什么"没有积累"是致命的

因为知识库的价值来自复利：你昨天读的资料、得出的结论、发现过的矛盾，今天应该能直接用上。若每次都是现场检索，你的笔记永远只是一堆待处理的原料，AI 的回答也从不沉淀——等于每天都在同一个起点重新盖楼。Karpathy 的对策是把整理成果固化成"wiki"（一本你自己的一人百科），让它持久存在、随新资料持续更新、还能被复查。他的另一句原话是：

02这套方法是什么（先破四个错想）

一句话版本

把 Obsidian（一个在本地文件夹上运行、用纯文本 Markdown 存笔记、支持双向链接的笔记软件，官方就叫它"第二大脑"那类东西）当作"壳"，再配一个能读写你硬盘上文件的 AI 代理（能自己读文件、改文件、跑命令的 AI，比如 Claude Code 或 Codex），让 AI 把你收集来的原始资料整理成一本结构化、互相链接的个人 wiki。这一整套玩法最早由 Andrej Karpathy 在一份公开文档里提出来，社区管它叫「Karpathy 的 LLM Wiki」。

讲方法的人值得不值得听，值得先花两句话交代：Karpathy 是 OpenAI 的创始成员之一（2015）、前特斯拉 AI 总监（2017–2022，负责 Autopilot 的视觉部分），2024 年创办 AI 教育公司 Eureka Labs。比头衔更重要的是他的输出方式——他习惯把"我怎么用 AI 干活"直接公开成文档或代码让人抄，这篇讲的这套方法就是他公开文档里的一例（出处见 98 [1]）。他还说过一句最能概括分工的话："Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase."（Obsidian 是写代码的软件，大模型是程序员，wiki 是代码库。）

先破掉四个错想

它和最近的近义词差在哪

最容易和它混淆的是 RAG（检索增强生成，Retrieval-Augmented Generation：提问时先从资料里"捞"相关片段，再交给大模型拼答案）。两者都用大模型、都基于你的文档，但整理的时机不同——这是全篇最值得记住的一条区分。

Karpathy 点名不推荐在个人规模上用检索方案，理由拆开是三条：相似不等于相关——和问题字面最像的片段常常并不含答案，尤其是"比较 A 和 B""为什么"这类需要推理的问题；切块的边界是任意的——一个观点被拦腰切成两段，AI 读到的永远是不完整的碎片，容易一本正经地编；没有积累——索引不会因为你读得更多而变聪明。而 "wiki" 方案里这些整理都发生在收录那一刻，提问只是去读那份已经整理好的成品。

03三层目录 + 四个文件：为什么个人规模可以不建向量库

三层架构：一切都是文件，规则写在说明书里

这套做法不依赖任何私有数据库。原始文档里的架构只有三层，用"谁动它"就能记住：

"编译一次"到底指什么

想象你收了一篇文章进 raw/。老办法是：等你哪天要问 AI，它现读这篇。这套做法的办法是：新资料一进来，AI 立刻动手编译它一次——读出要点、和你讨论、和现有 wiki 对照、新建或更新相关词条、把词条互相链接好、刷新 index.md、在 log.md 记一笔。原文档里对"一次收录会牵动多少页"有个很直观的数字：

这个数字意味着：一份新资料不是孤零零被归档，而是要和已有的知识网充分"接线"。所以它也解释了为什么 AI 一次收录要花几分钟到十几分钟——社区那份最流行的落地模板给的实测经验是单篇 5 到 15 分钟（看出处 98 [4]）。

为什么是"增量编译"，而不是"每次全量重读"

资料不断进来、wiki 不断长大。收录时做的是定向更新：新页该建就建、旧页该补就补、索引该刷就刷，而不是每次都把全部笔记重新整理一遍。这样做有两个好处：省钱（只读新文件和相关旧页），以及避免"AI 顺手把你辛苦整理好的旧内容推翻重写"。规则文件里必须把这条写死，否则新手最常见的翻车就是"每次收录都重读全库，又贵又慢"（17）。

为什么个人规模可以不建向量库：一份索引就够了

很多人的第一反应是"不做检索，AI 怎么找得到我要的东西？"。答案在规模与导航方式：AI 提问时先整份读 index.md（一本很薄的目录），再顺着指向去读具体页面。个人规模下（原文档给的经验值是约 100 份来源、几百个页面），这份索引能整份放进模型的上下文窗口（模型一次能同时"看到"的文字量上限），于是 AI 相当于拿到一张"书的地图"，不用在一大堆原文里大海捞针。原话是 "the LLM reads the index first to find relevant pages, then drills into them."（先读索引找到相关页面，再深入其中。）

这也是"编译一次、反复受益"的另一个侧面：真正的检索负担，在收录那一刻就被提前消化掉了——哪些概念该放一起、谁该链谁，都在写页面时解决了。等到你真的涨到几千上万篇、一份索引塞不进上下文窗口时，才需要认真考虑检索方案（15 给了那时的升级路线）。

可能撞见的名词，先混个脸熟

你在英文讨论里会高频碰到下面这几个词。知道它们指什么即可，不需要会实现——更不需要在这套做法里用到它们。

顺带说清一个近亲：Zettelkasten（卡片盒笔记法）。它的理念和这套做法同源——都是"一张卡片一个概念、卡片之间互相链接"——但分工不同：卡片盒笔记法要求人亲手写永久笔记、亲手建链接，思考质量高，但很累；这套做法把"写页面与建链接"外包给 AI，人退到"选料、定规则、判断"的位置。想两者结合也行：重要概念你自己也写一版放进 wiki/，让 AI 的版本和你的版本互相链接、互相校验。

04什么时候不该这么做（整篇都在说反面）

这一节的存在理由很简单：这套做法的门槛不在命令，而在它需要你持续投入。下面这些情况，做了不如不做——不是因为它不好，而是因为你的处境用不上它。

六种"现在别碰"的处境

三种"别对 AI 用"的动作

即使你已经上了这套做法，也有三类活不该丢给它。这条边界值得贴在墙上：

三个最容易劝退新手的误区

05四个角色：谁装什么、谁不装

很多人问"那我要不要装一堆插件？"——不用。这套玩法的精髓是各司其职、尽量少而薄：四样东西，每样只干一件活。

为什么偏偏是 Obsidian

因为它天生符合这套做法的三个需求，几乎像为它设计的：① 笔记就是本地文件夹里的纯文本 Markdown——AI 代理能直接读写，不需要任何私有格式转换；② 原生支持 [[双向链接]] 和反查面板——页面之间的链接它能直接显示、点击、跳转；③ 免费且本地优先——私人笔记不上别人的服务器。Karpathy 自己也在这套做法里点名用了它的 Web Clipper 和图谱视图。

为什么不能就用 ChatGPT 网页版

很多人第一反应是"我用 ChatGPT 网页版帮我整理笔记行不行"。可以，但很别扭，因为它读不到你硬盘上的文件夹：你得手动上传文件，它也没法在你本地持续维护几百个文件、保持链接和索引一致。而 Claude Code / Codex 这类能读写你电脑文件夹的代理，天然就是"园丁"——你告诉它在哪个目录干活，它就能建文件、改文件、跑命令（默认需要你点头同意）。这正是"Obsidian 是壳、代理是程序员"能成立的前提。

两个主流的"园丁"怎么选

Karpathy 的原文正是拿 Codex 和 Claude Code 举例。选哪个都行，但选了哪个，规则文件就起对应的名字——这是新手第一个静默翻车点：文件名叫错，AI 进门就当没看见（17）。

一个必须理解的机制：代理的"授权"

这类代理在修改你电脑上的文件之前，默认都会先征求你的同意：它想新建 wiki/心流.md 或改动 index.md 时，会列出要做的事，让你选允许 / 拒绝 / 本次全部允许。这意味着它没法在你眼皮底下偷偷删掉你的笔记。等你信任它了，可以在初始化时把库文件夹设为"允许自动执行"，但建议至少前两周每次看它一眼，尤其盯着它有没有碰 raw/。

06规则文件：整套系统唯一的杠杆

同样一套 Obsidian + AI 代理，不同人用出来的效果差很多，差别几乎全在这份文件上。Karpathy 的原文对它有一句定位："This is the key configuration file — it's what makes the LLM a disciplined wiki maintainer rather than a generic chatbot."（这是关键的配置文件——正是它让大模型成为一个有纪律的 wiki 维护者，而不是一个通用聊天机器人。）而且他和 AI 是共同演化这份文件的：边用边加，不是一次写完。

一份可以直接起步的规则文件

很多人卡在"规则文件到底写多细"。不必一步到位——先写能约束住 AI 不闯祸的那几条，之后边用边补。下面这份是中文读者能直接保存使用的最小版本（存成 CLAUDE.md 或 AGENTS.md，放在库根目录）：

# 我的 LLM Wiki 工作章程 你是这个知识库的园丁。库结构： - raw/  原始素材。你只读、不改、不删、不整理 = 唯一事实来源。 - wiki/ 成品。每个「概念」一个 .md 文件；不按来源分。 - index.md 全库目录：每页一行「[[链接]] + 一句简介」。 - log.md   操作流水：每次改动后追加一行（日期 | 动作 | 改了哪些页）。

硬性规则： 1. 绝不修改或删除 raw/ 里的任何内容。 2. wiki 每页页首写 2-3 句摘要，正文用 [[ ]] 链接相关页； 同一概念只允许存在一页，发现重复就合并而非另起一页。 3. 来源说法冲突时，不得擅自取舍：在页面标「⚠️ 冲突」，log 里记录，并向用户提问。 4. 收录新源时做增量更新：只建新页 / 补相关旧页 / 刷 index / 记 log，禁止重写全库。 5. 每页尽量记录它依据的 raw 来源文件名，方便回溯。

欢迎你根据我的反馈持续改进本文件——规则由人机共同演化。

这份文件为什么"再薄也有用"：逐条拆给你看

规则文件里该写什么、不该写什么

把"骂 AI"变成"改规则"：三个真实转化

10最小例子：5 分钟跑通第一次"编译"

先别急着理解全部理论。下面用一个空文件夹把整条流水线走一遍，让你亲眼看到"AI 把我的两篇原始资料编译成了互相链接的 wiki 页面"。前提：你电脑上已经装好一种能读写文件夹的 AI 代理（Claude Code 或 Codex）；没装的话先跳到 11 装好再回来。

# 建试验田（Mac 终端，一行一条） mkdir -p ~/Desktop/test-kb/raw cd ~/Desktop/test-kb

# raw/pomodoro.md 的内容 番茄工作法：把时间切成 25 分钟专注 + 5 分钟休息的小块。 发明人是 Francesco Cirillo（1980 年代末，用厨房计时器）。 好处是降低"开始做事的门槛"，对抗拖延。 很多研究说 25/5 只是经验值，可按个人节奏调。 有评论认为它和"心流"有冲突：打断可能破坏深度专注。

# raw/flow.md 的内容 心流（Flow）：完全沉浸在活动中、忘记时间流逝的状态。 由心理学家 Mihaly Csikszentmihalyi 提出。 进入心流需要"挑战难度≈个人技能水平"，且不被频繁打断。 和番茄钟的关系：外部打断（闹钟）可能是心流的敌人， 但番茄钟的固定节奏又帮一些人进入状态。两种观点都有人支持。

# 确保你 cd 到了 ~/Desktop/test-kb 再执行 claude    # 装的是 Claude Code 就敲 claude；装的是 Codex 就敲 codex

请把这个文件夹变成一个「Karpathy 式 LLM Wiki」知识库。

规则（写进 CLAUDE.md，后续每次会话自动生效）： 1. raw/ 里是原始素材，我只读不改、永不删除，是唯一事实来源。 2. wiki/ 是成品库：一个概念一个 .md 文件，页首要有 2-3 句摘要， 用 [[双向链接]] 连到相关概念，维护 index.md 作为全库目录（每页一行+一句简介）。 3. 每次处理完新资料，在 log.md 末尾追加一行：日期 + 处理了哪个源 + 改了哪些页。 4. 遇到两处资料说法冲突，不要擅自二选一，在相关页面标「⚠️ 冲突」并在 log 里记录。

现在执行： - 读 raw/ 下两个文件； - 在 wiki/ 里为「番茄工作法」「心流」各建一页，把两者关系写清楚并互相链接； - 生成 index.md； - 在 log.md 记录这次初始化。

编译后 wiki 里会长出什么样的页面

这是两个页面的示意（在 Obsidian 里就是这样的 Markdown 文件，链接都显示为蓝色可点击）：

# wiki/番茄工作法.md（AI 生成，示意）

番茄工作法是把时间切成「25 分钟专注 + 5 分钟休息」小块的 时间管理技巧，用于降低开始做事的门槛、对抗拖延。

## 关键事实 - 发明者：Francesco Cirillo（1980 年代末，用厨房计时器）［raw/番茄工作法来源.md］ - 25/5 是经验值，可随个人节奏调整

## 相关争议 - 与 [[心流]] 的关系存在两种观点：打断可能破坏深度专注； 也有人认为固定节奏反而帮助进入状态。［raw/番茄工作法来源.md · raw/心流来源.md］ ⚠️ 冲突：上述两种说法尚无权威定论，见 log 2026-09-13。

## 反链（Obsidian 自动维护） 被 [[心流]]、[[我的专注方法论]] 引用

# index.md（AI 维护的目录，示意） ## 概念 - [[番茄工作法]] —— 时间切成小块来对抗拖延；与心流的关系存疑 - [[心流]] —— 沉浸状态；需挑战≈技能且少被打断 - [[我的专注方法论]] —— 我自己的选择与试用体验（人写的） （log.md：按时间记录每次收录与改动）

注意其中三处设计：页面按概念而非按文章建、摘要下有来源回溯（指向 raw/ 的文件名）、冲突被显式标出而不是被 AI 悄悄抹平。看懂这三处，你就读懂了整篇方法。

跑完对一遍：四行验收自检

• ✅ wiki/ 里是按"概念"建的页，而不是"一篇原文一页"。
• ✅ index.md 的每一行都能让你一眼知道全库有哪些概念。
• ✅ log.md 能从第一行读到最后一行，讲清这个库是怎么长出来的。
• ✅ raw/ 里的原始文件一个字都没被 AI 改动。

11从零搭建到真知识库（40 分钟版）

把试验田换成"正式库"，只多两件事：选好文件夹、写好更完整的规则文件。下面是能走完的完整清单，每一步都给足可以直接照做的命令。

mkdir -p ~/Documents/knowledge-base/{raw,wiki} cd ~/Documents/knowledge-base

cd ~/Documents/knowledge-base claude    # 或 codex

cd ~/Documents/knowledge-base git init git add . git commit -m "init knowledge base"

你最终会跑出这样一个目录

knowledge-base/              ← 你在 Obsidian 里打开的库（vault） ├── CLAUDE.md                ← 规则说明书（用 Codex 则叫 AGENTS.md） ├── index.md                 ← wiki 全库目录：每页一行 + 一句简介 ├── log.md                   ← 操作流水：日期 | 动作 | 改了哪些页 ├── raw/                     ← 原始素材（只增不改不删）——Web Clipper 剪进来的地方 │   ├── 2026-09-13-某文章.md │   └── ... └── wiki/                    ← AI 编译的成品（一个概念一个文件） ├── 番茄工作法.md ├── 心流.md └── ...

初始化时最常见的卡点

12Obsidian 侧只需掌握三件事

Obsidian 的插件有几千个，但你在这套做法里只需要三件基础能力，其余都是锦上添花。

① 双向链接：知识网的"缝线"

在笔记里输入两个左方括号 [[，Obsidian 会弹出可链接的笔记列表，选中即生成链接。链接是双向的：你在一页里写了 [[心流]]，打开"心流"那页时，右侧 Backlinks（反链，"谁提到了我"）面板会自动列出"番茄工作法 提到过我"及其上下文——你永远不用手动维护"谁引用了我"。这套做法是让 AI 来织这张网，Obsidian 负责把网显示出来。

# 在 wiki/番茄工作法.md 里写： 有评论认为它和 [[心流]] 冲突：打断可能破坏深度专注。

# 保存后打开 wiki/心流.md，右侧反链面板会出现「番茄工作法」这一条。

② 图谱视图：把"连接"画成一张网

快捷键 Cmd + G 打开。每个文件是一个点，链接是线。日常两个用法：

一个值得养成的习惯：每周随便点开图谱里的几个孤点。孤点通常提示两种信号之一——它该被链接进某个概念，或者它其实是该归档的临时物。这两个判断正是"人"的活，AI 替不了。

③ 附件本地化：别让笔记里的图变成叉

网页剪成 Markdown 时，图片默认还是指向原网站的地址；等那个网页删了图、或者加了防盗链，你笔记里的图就全变成叉。原文档给的做法很具体，值得照做：

给 wiki 的文件命名与"库卫生"三条

13日常闭环：收集→编译→提问→回流

知识库建好之后，你的日常只剩四种动作，循环往复。原作者在文档里坦承了自己的习惯："Personally I prefer to ingest sources one at a time and stay involved."（我个人偏好一次只处理一条来源、并全程参与。）

① 收集：零整理地囤"原料"

看到好内容（网页、PDF 论文、别人的仓库、会议记录）→ 只管剪进 raw/。不要当场分类、改名、写感想——这些正是要外包给 AI 的活，也是 raw 层存在的意义：它替你挡住"整理焦虑"，让你放心囤。

② 编译：一句话触发增量更新

回到代理对话框，说一句人话即可：

收录 raw/ 里我新剪的那篇（2026-09-13 剪藏），编译进 wiki。 先告诉我你打算新建或更新哪几页，动手前让我确认。

还有一条容易被忽略但很关键的做法：原文档描述的收录不是"AI 自己闷头处理"，而是 "the LLM reads the source, discusses key takeaways with you, then writes a summary page ..."（先读原始资料，跟你讨论关键要点，再写摘要页）。这背后是个使用原则："外包整理"不等于"外包理解"。让 AI 先给你一段"我读到这些要点、打算这么收进 wiki"，你扫一眼、纠一句，往往比全自动更省心也更准。

③ 提问：它先看索引、再顺着链接"读书"

这是整套做法体验质变的一刻：AI 不再临时翻一堆原始文章，而是去读那本已经被它整理好、互相链接的 wiki：

基于我的 wiki 综合回答：我的笔记里关于「专注」的所有观点， 把相互矛盾的地方列出来，并指出哪些论点依据的原始资料最可信。

④ 回流：好答案别浪费，存回 wiki

原文档里有一个常被忽略但很关键的习惯：有价值的回答要能被"存档"回 wiki，变成新的页面。你的探索成果、专题总结、一段深思，都值得参与后续的引用网络——这正是"知识复利"真正发生的地方："good answers can be filed back into the wiki as new pages."

把刚才这轮讨论整理成 wiki 里的一页新专题「我的专注方法论」， 链接到番茄工作法与心流两页，并在 log 记录。

把闭环"演"一遍：一个真实的小例子

不同形态的料，AI 各该"怎么编译"

不是所有进料都长一个样。给 AI 一句"它是什么形态"，它能处理得更好：

14定期体检（lint）：让 wiki 自己抓自己的矛盾

wiki 用久了会积累"亚健康"：两页说法打架、某篇结论其实已被新资料推翻、有概念提到却没专门页、孤儿页没人链接。原文档把这件周期性检查称为 lint（字面是"代码检查"，这里指全库体检），并列出了要查的东西：

一句口令触发体检（建议每 1–2 周一次）

对我的 wiki 做一次 lint 体检： 1. 找出互相矛盾的页面，逐条说明冲突点； 2. 找出"已有新资料支持、但旧页面结论还没更新"的过时说法； 3. 找出没被任何页面链接的孤儿页； 4. 找出资料里反复出现、却还没有专门词条的概念。 每一项给出处理建议，动手改之前先列给我确认。

一次典型的体检报告长什么样

注意它把"问题"翻译成了"下一步动作"——这才是体检报告有用的地方：

## lint 报告（2026-09-13） 1. 冲突：wiki/番茄工作法.md 说"打断破坏心流"，wiki/心流.md 认为"固定节奏助人进入心流"。 建议：在两页各加「⚠️ 冲突」标记并互相链接，等收录更权威来源后再定论。 2. 过时：wiki/某技术-背景.md 引用的数据是 2024 年的，raw/ 里 2026 的新文已给出更新数字。 建议：更新该页数字并附上新来源文件名。 3. 孤儿页：wiki/待办事项管理.md 无任何页面链接它，也无反向链接。 建议：在「时间管理」相关页补一条链接，或确认该页是否应归档。 4. 缺口：raw/ 与 wiki 里反复出现「深度工作」但还没有专门词条。 建议：新建 wiki/深度工作.md，吸收相关页里零散观点。 —— 是否按以上 4 项执行？我逐项回答或你直接说"执行 1、2、4"。

把体检结果"喂回去"，才算闭环

lint 报告本身只是一张清单。真正让知识库"自我修复"的是下一步：你对 AI 说"执行 1、2、4"，它改完后你在 log.md 里能看到这次体检和改动的痕迹，然后 git 提交一次。一次体检 = 一次被量化的"知识库健康修复"，而不是一句没下文的口号。

关于体检的三个现实问题

lint 的深层价值：把"错"变成"可见的待办"

普通笔记系统里，错误会一直藏在你再也想不起来的地方。而 wiki 的体检把矛盾、过时、缺口显式标记出来，还顺带告诉你下一步该补什么——这就是"知识库会自我生长"的一部分。

15三种可选支路：非网页料、元数据、规模化

前面讲的是一条主路。下面三件事属于"用顺了以后自然会长出来的需求"，现在可以只看个印象，需要时再回来翻。

支路一：PDF、图片、视频这些"非网页料"怎么进 raw/

Web Clipper 只管网页。要收别的形态，先转成 Markdown 再丢进 raw/，按料的类型选一条路（都不用精修，能用即可）：

进 raw/ 的唯一要求是"AI 能读到、且内容完整到可被理解"，格式并不严格。粗糙不怕，整理是 wiki 层的事——这句话反过来也成立：在 raw/ 层花时间精修，就是在浪费这套做法的核心红利。

支路二：给资料带元数据，让体检变准

进阶做法是让剪藏自带元数据，AI 编译时能利用它判断可信度与时间。原文档提到社区实践里每篇可带：来源 URL、类型（论文 / 博客 / 新闻）、日期、可信度评分。Obsidian 支持在文件顶部用一段用 --- 包起来的字段区（叫 YAML frontmatter）写这些信息：

--- source: https://example.com/xxx type: blog date: 2026-09-01 authority: 0.5 --- （正文……）

这些字段对 14 的体检特别有用——判断"谁更可信、谁更新"时，AI 不用去猜。同时它们也是 Dataview 插件的输入：装上它之后，"列出所有可信度大于 0.8 的页"就变成一句查询。反过来说，如果你不做体检、也不装 Dataview，这些字段就是纯负担——所以它是一条支路，不是主线。

支路三：索引塞不下了怎么办

主路能撑到"个人几百篇以内"。再往上，一份 index.md 塞不进上下文窗口，"先读索引再钻进去"就断了。原文档在这一步给的建议很务实：先建小工具，而不是立刻上整套向量库。最常见的一种是给 wiki 页面做一个本地搜索引擎——小规模时索引文件就够了，长大了你才会想要真正的搜索。原文档点名了一个现成选择：qmd，一个本地跑的 Markdown 搜索引擎（混合关键词与向量检索，带大模型重排，全程在本机），既有命令行接口（AI 可以调用它），也有一种叫 MCP 的标准接口（AI 可以把它当原生工具用）。当然你也可以让 AI 现写一个更简单的脚本——原文档的原话就是"随着需要出现，让 LLM 帮你 vibe-code 一个朴素搜索脚本"。

16九个会翻车的地方

这些坑按"被踩到的频率"排。前三个几乎每个新手都会遇到一次。

坑 7 · 剪藏不等于原文无损

网页剪成 Markdown 时，正文里原有的跳转链接常会丢失、图片可能因防盗链失效。对策：把它们当"要整理的观点原材料"，而不是可引用的成品；正文链接丢了，等 AI 编译时统一补；图片按 12 的快捷键下载到本地。

坑 8 · 合成页会"漂移"

wiki 页面是 AI 重写的"蒸馏"，日子久了可能和原始出处渐行渐远，一份写错的摘要会被当成权威记录。对策仍是那条：重要结论回 raw/ 复核——这也是把 raw/ 设成只读的唯一理由。

坑 9 · 把"提问"当搜索引擎高频轰炸

只问不回、只剪不收，wiki 不会长大，体验会退化回"每次现读"（13）。这套做法的回报来自积累，不来自查询次数。

成对示例：同一件事的两种做法

17排错：六个最常见的卡点

18速查表：目录、口令、快捷键

把高频要用的东西集中放这里，需要时直接翻，不用回正文逐章找。

你的库应该长成什么样

knowledge-base/              ← 你在 Obsidian 里打开的库（vault） ├── CLAUDE.md                ← 规则说明书（用 Codex 则叫 AGENTS.md） ├── index.md                 ← wiki 全库目录：每页一行 + 一句简介 ├── log.md                   ← 操作流水：日期 | 动作 | 改了哪些页 ├── raw/                     ← 原始素材（只增不改不删） │   ├── 2026-09-13-某文章.md │   └── ... └── wiki/                    ← AI 编译的成品（一个概念一个文件） ├── 番茄工作法.md ├── 心流.md └── ...

五个高频口令（照抄即可）

命令行速查（Mac 终端）

Obsidian 快捷键速查

每周 10 分钟的"健康维护清单"

两周上手路线

19术语表

这套做法的黑话不多，但英文缩写密集。下表按"你会先撞上哪个"排序，第三列写清楚它什么时候用、别当什么用。

99一句话总结

记住这三句话

• 一次整理，反复受益——知识要"编译"成成品存下来，别每次提问都从零翻原料（这正是 RAG 被点名批评的"没有积累"）。
• raw 是金库，wiki 是办公区——原料只增不改、成品随便改；重要结论回 raw/ 复核。
• 你写规则，AI 写笔记——越用越值钱的不是页面，是你那份会说话的 CLAUDE.md。

坚持三个月，你会得到什么

• 一本真正属于你的 wiki：几十上百个互相链接的概念页，每个都带着来源与冲突记录——这是任何通用 AI 都给不了你的私有知识资产。
• 一套越写越准的规则：你的规则文件已经能精准约束 AI，让它一进库就知道该怎么干，产出稳定的好页面。
• 一次"知识复利"的实证：你想做决定、写文章、跟人讨论时，第一反应是"回我 wiki 看看"——那时你会理解 Karpathy 为什么说它是一件 persistent, compounding artifact（持久、复利累积的产物）。

98来源与证据边界

本文关键事实均经以下来源核实（2026-09-13 访问）。标 [1] 的是一手来源，其余为核对用的辅助来源。

证据边界与时效说明

• 口径一：哪些是原作者的，哪些是社区的。 本文的"方法层"以 [1] 为唯一权威依据；其中引用的英文句子均为原话（可对照 [1] 原文逐句核对），中文为我的重述。而 raw/、wiki/ 这两个目录名不是 [1] 写死的，是社区落地时的通用约定（[4]）——原文档明确说自己是"刻意抽象"的。
• 口径二：数字的来源。 "约 100 份来源、几百个页面"是原文档 [1] 给的经验值；"单篇收录 5–15 分钟""几百篇以内最舒服"来自社区模板 [4] 的实测，不是原文档原话。这两类数字我都标了出处。
• 时效：这类做法仍在演进。 涉及的软件（Obsidian、各家 AI 代理）与社区模板都会持续更新；本文校对日期为 2026-09-13，其中 Obsidian 桌面版最新为 v1.13.8（2026-08-21 发布，来自官方发布页）。若与最新官方文档不符，以官方为准。
• 需要你亲自把关的一件事。 用这类代理时，涉及文件修改的操作请看清授权提示再允许——尤其是它声称要"整理"raw/ 的时候。

这几个链接建议收藏

• Karpathy 原文档（必读）：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f —— 很短，5 分钟读完，是全方法的"源代码"。
• Obsidian 下载：https://obsidian.md/download —— 认准官网，个人版免费。
• 社区落地模板：https://github.com/julianoczkowski/karpathy-llm-wiki —— 想直接照抄一份完整流程就从这拿。
• 本机配套教程：学 Claude Code 看《Claude Code 使用指南》；学 Git 看《Git 和 GitHub 配合使用快速上手》（都在本站 learn/ 目录）。