一种新的 LLM Wiki 方法论：让 AI 帮你建一个能活下去的知识库

告别一次性对话，用LLM Wiki打造可持续进化的知识库，让AI成为你的专属编辑。

核心内容：

• RAG模式的局限与LLM Wiki的核心理念
• 使用Obsidian高效采集与固化素材的实操步骤
• 利用图谱视图维护与优化知识库结构

你有没有遇到过这种情况：同一个问题，上周问过AI，这周又要重新问一遍，因为上次的回答根本没留下任何痕迹。

这是RAG模式的天花板——它擅长“回答”，但不擅长“积累”。每一次对话都是一次性的，AI从文档堆里捞出片段、拼出答案，然后什么都没留下。下次再问，重头再来。

换一种玩法：把AI变成你的Wiki编辑，而不是临时顾问。

RAG到底差在哪里？

用RAG处理知识的流程大家都熟悉：把文件上传进去，提问，AI检索片段，组合成一个答案。单次使用没问题，但它有一个结构性缺陷——每次查询都是无状态的。

跨文档的综合性问题尤其吃亏。假设你想问一个涉及五篇论文的问题，AI需要在运行时把散落各处的线索实时拼凑起来，既慢又容易丢失细节。

LLM Wiki的思路反过来：不是等你提问再去找，而是提前让AI把知识整理好，写成一组互相链接的Markdown页面，持续维护，持续更新。知识在文件里沉淀，而不是在对话里蒸发。

用Obsidian Web Clipper做素材采集

第一步，在浏览器安装Obsidian Web Clipper扩展。

第二步，打开任意网页文章，点击扩展图标，选择Add to Obsidian。

第三步，保存后文章自动转为Markdown出现在Obsidian里。

图片不本地化，迟早是定时冲击波

Web Clipper剪下来的文章，图片默认还是远程链接。这有两个隐患：一是图床随时可能失效，文章图片变成一堆叉；二是AI无法访问失效的外链，这些图片对它来说等于不存在。

解决办法只需要配置一次。

打开设置 → 文件与链接 → 找到附件存储路径 → 设为当前文件夹下指定的子文件夹，子文件夹名称设为attachments。

设置 → 快捷键 → 搜索“下载” → 绑定快捷键Ctrl+Shift+D。

之后每剪一篇文章，顺手按一次Ctrl+Shift+D，图片就落到本地了。这个习惯一旦养成，知识库里的内容就真正属于你，AI也能完整读取每一张图。

图谱视图：让知识库的健康状况一目了然

Obsidian的Graph View是一张实时生成的关系地图。每个Wiki页面是一个节点，页面之间凡是有双向链接的地方，就会自动连上一条线。打开方式：点击左侧边栏的图谱图标，或直接按Ctrl+G。

这张图结合AI有两个具体用途：

1. 检查孤岛页面
   ：没有任何入链的节点悬在图谱边缘，说明这个页面还没有被其他内容引用，让AI去补上交叉链接。

2. 找到应该但还没有建立的页面
   ：一个概念如果被多个页面提及却没有自己的专页，它会在图谱里以灰色幽灵节点的形式出现——这正是知识库里的空白，值得让AI补上。

Data view：给知识库装上自动报表

Data view是Obsidian的社区插件，核心能力是把YAML frontmatter当成数据库字段来查询，在页面里动态渲染出表格和列表。安装路径：设置 → 第三方插件 → 社区插件市场 → 搜索“Data view” → 安装并启用。

和LLM Wiki配合的方式是：让AI在创建或更新每个页面时，顺带写入结构化的frontmatter，例如：

type: source
title: "文章标题"
date: 2026-04-05
tags: [AI, knowledge-base]
source_count: 3

有了这些元数据，随便在哪个页面写一段Data view查询：

TABLE title, date, tags
FROM "wiki/sources"
SORT date DESC

就能自动拉出按时间排序的素材清单。知识库越大，这类查询的价值就越高——人工整理费时费力的东西，Data view几行代码就搞定。

Marp：Wiki内容直接变成可用的幻灯片

Marp是基于Markdown的幻灯片标准，在Obsidian里装上Marp Slides插件就能本地预览和导出。安装路径：设置 → 社区插件 → 搜索“Marp Slides” → 安装并启用。

格式很简单：文件开头写marp: true，然后每页之间用---分隔。写完在Obsidian里直接预览，导出支持PDF、HTML、PPTX三种格式。

实际场景：把某个主题的Wiki页面喂给AI，让它直接输出Marp格式的初稿，你只需要调整细节，几分钟就能出一份像样的演示文稿。

Git：AI改文件，你需要一道保险

安装路径：设置 → 第三方插件 → 社区插件市场 → 搜索“git” → 安装并启用。

如果Vault还没有Git仓库，先初始化：

1. 打开终端，cd到你的Vault目录，执行git init初始化仓库。

1. 在GitHub上新建一个

   私有
   仓库（知识库是个人数据，不要设成公开）。

1. 把本地仓库推上去：

git branch -M main
git remote add origin https://github.com/你的用户名/knowledge-bases.git
git add .
git commit -m "init: 初始化知识库"
git push -u origin main

插件装好后，把Auto commit-and-sync interval调成10分钟，之后不用再管它。

为什么Git是必选项？因为AI可以一次改动十几个文件，一旦出错，没有版本历史就很难回溯。提交记录就是一张安全网，AI的能力越强，这张网就越重要。

qmd：知识库大了之后的搜索方案

页面数量还少的时候，维护一个index.md作为目录就够用了，AI靠它就能在知识库里找到路。

等到页面积累到几百个，检索速度开始下降，这时候可以引入qmd——一个纯本地运行的Markdown全文搜索引擎。不用急着现在就装，等真正感到慢了再说。

这套方法为什么能长期运转？

知识库做不下去，通常不是因为没有内容，而是因为维护太累：每加一条新知识，就要手动更新所有相关页面的引用，检查有没有矛盾，补上缺失的交叉链接……页面一多，人就撑不住了。

AI在这件事上有结构性优势：它不会因为重复劳动而厌倦，不会漏掉需要更新的页面，而且可以在一次操作里同时处理大量文件。把这部分工作交给它，维护成本就从“随规模增长”变成了近乎固定。

你需要做的，是决定读什么、想清楚问什么、判断哪些值得记录。整理、归档、串联这些事，AI来。

Obsidian Web Clipper + 图片本地化 + Git + Claude，这四件套就够搭出一个真正能用、能长大、能活下去的个人知识库。