AI 维护知识库，核心做五件事。
持续编译
新资料进来，AI 读完之后把关键信息整合进已有的概念页、索引和日志。它持续往已有的结构里加东西，不是每次从头翻。
跨资料连接，挖出潜在线索
三个月前存了一篇讲提示词的文章，上周记了一段跟 AI 协作的复盘，两个文件在文件夹里隔得很远。AI 能看出来它们讲的是同一件事，帮你连起来。
有些笔记单独看只是片段，放在一起才会出现共同主题、相互印证或者冲突的判断——AI 能把这些散落的点串成线。
问答回流
你问了一个复杂问题，AI 翻遍你的资料库拼出一个答案。这个答案如果不存下来，下次还得重新问。AI 可以帮你把答案落成文件，下次直接调用。
巩固知识网
每篇新资料进来，AI 会把它挂回旧概念、旧项目和旧问题上。知识库不会越用越散，反而越用越清楚。
健康检查
定期扫描整个库：哪些页面缺来源？哪些概念互相矛盾？哪些页面是孤岛，没人链向它？哪些判断可能过期了？
这个动作不是高阶玩法，是让知识库结构一直保持健康的基本维护。
五件事加起来，一句话：你的知识库从死的变成活的。
LLM Wiki 是什么
前面说的这套方法，有个名字叫 LLM Wiki。它不是某个产品，也不是什么插件，而是 Karpathy 提出的一种模式。
用人话讲：让 AI 像维护代码仓库一样维护你的知识库。
具体结构：
AI 知识库/
├── raw/ # 原始资料，只新增，不乱改
│ ├── articles/ # 外部文章、博客、教程
│ ├── papers/ # 论文、研究报告
│ └── clips/ # 网页剪藏、摘录
├── wiki/ # AI 编译后的知识条目
│ ├── index.md # 知识库总目录
│ ├── log.md # 维护日志
│ ├── concepts/ # 概念页，每个重要概念一个文件
│ ├── entities/ # 实体页：人、组织、产品、项目
│ ├── syntheses/ # 综合页，跨资料整合的主题梳理
│ └── sources/ # 来源摘要页
├── outputs/ # 问答、报告、健康检查
│ ├── qa/ # 复杂问题的答案存档
│ └── health/ # 健康检查报告
└── AGENTS.md # 写给 AI 的维护规则
三层结构，对应三个角色
raw/ 像仓库。 不负责漂亮，只负责保留原始证据。文章、论文、网页剪藏，扔进去就别动它。
wiki/ 像书架。 AI 把原始资料整理成能反复阅读、链接和更新的页面。有目录、有日志、有概念页、有实体页、有综合页。
outputs/ 像工作台。 每次提问、健康检查得到的结果落在这里。
AGENTS.md（或 CLAUDE.md）像说明书。 告诉 AI 以后维护这个库要遵守什么规矩：raw/ 不能改、每个判断要指向来源、每次整理完要更新 index 和 log、不确定的信息要标「待核验」。
为什么 Obsidian 在这里不是主角
Obsidian 是知识库 IDE——你用它来看 raw、浏览 wiki、检索、查看链接关系。AI 负责维护文件，你负责阅读、判断方向和投喂新资料。
AI 把资料持续整理进一套可读、可链接、可追溯的 wiki。这个动作叫「编译」。
不是等用时搜索，是持续整理、持续连接、持续更新。这就是 LLM Wiki 和普通笔记工具的本质区别：知识库是活的，有人在持续维护，有人知道库里有什么、缺什么、哪些地方过时了。