你是不是也有过这种体验：明明记得自己存过一篇很好的文章，真要用的时候翻遍整个笔记库，就是找不到。最后重新打开了 Google。
公众号、知乎、网页剪藏、PDF、视频转写、AI 对话截图，收藏夹越来越满。三个月后想不起标题，记不得关键词，搜也搜不出来。
你也看过别人用 Obsidian 搭的知识图谱，节点密密麻麻，连线纵横交错，看起来特别炫。但你自己打开 Obsidian，里面还是一堆散落的文件，图谱上稀稀拉拉几根线，根本串不起来。
问题不是你记不下来。是你记完以后，再也没人管过。
传统笔记最大的问题就在这：只进不出。文件夹要求你提前判断分类。标签要求你持续手动打标。刚开始还行，资料一多，维护成本就非常高。你存的不是知识库，是一个越来越大的仓库。东西都在，但没人整理，没人索引，没人告诉你哪些互相关联、哪些已经过时。
AI 知识库跟传统笔记的区别
AI 知识库跟传统笔记的区别，不在「存」，在「维护」。
你用 AI 不是为了多一个输入框。是让它帮你把资料重新组织成可提问、可追溯、可持续更新的结构。你问一个问题，AI 从你已经存过的笔记里找素材、找依据、找相关概念，而不是从互联网重新搜。
把「我存过什么」变成「我现在能从已有笔记里找到什么、组合出什么」。这才是 AI 知识库真正有价值的地方。
个人使用不必一上来追求企业级系统。先把自己的资料变成一个能被 AI 读懂和维护的 wiki，就已经跑通了最关键的一步。
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 的具体结构
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。
具体长这样：
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，快速知道库里有什么
│ ├── log.md # 维护日志，记录每次新增和编译
│ ├── 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，跨资料整合后的主题梳理
│ └── sources/ # 来源摘要页，每条原始资料一份
├── 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、AI 对话记录，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（index.md）、有日志（log.md）、有概念页（concepts/）、有实体页（entities/）、有综合页（syntheses/）、有来源摘要（sources/）。
- outputs/ 像工作台。每次提问、研究、健康检查得到的结果都落在这里。问答归 qa/，检查报告归 health/。
AGENTS.md（Codex）或 CLAUDE.md（Claude Code）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」。
Obsidian 在这里不是 AI 本体，而是知识库 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。
为什么不是 RAG？
传统笔记是你自己维护，AI 偶尔来读一下。
RAG（Retrieval-Augmented Generation）呢，提到的人比较多。简单来说，它是这样工作的：你提问时，系统先去你的资料堆里搜相关内容，把搜到的片段和你的问题一起塞给 AI，AI 再生成答案。它像一个给 AI 接的搜索引擎。
RAG 有用，但它更偏技术方案，通常会牵扯检索算法、文本切块、向量数据库、权限控制这些东西。
LLM Wiki 更适合个人起步：文件就是 Markdown，人能读，AI 能改，能备份，能追溯。
对个人知识库来说，第一步就上 RAG，相当于还没学会走路先研究跑步力学。RAG 不是没用，只是顺序问题——先把知识库跑通，资料规模上去了、搜索确实不够用了，再考虑更强的检索方案。
如何开始搭建
第一步：新建一个笔记仓库。 不要直接动你的主笔记库。单独建一个文件夹，在里面跑通整个流程，确认顺手了再迁移。
第二步：把提示词复制给 Codex 或 Claude Code，让它初始化整个目录结构。
第三步：先收集 5 到 10 篇同主题的内容，扔进 raw/ 对应目录，然后让 AI 编译。
第一次编译不要追求完美。AI 生成的摘要可能漏了重点，概念归类可能不对，链接可能不全。没关系，先跑通，后面可以逐步修。
日常四件事
投喂。 看到好文章、做完项目复盘、跟 AI 聊出有价值的结论，扔进 raw/，然后让 AI 编译。
提问。 遇到问题，先问你的知识库，而不是从零开始搜互联网。
回流。 阶段总结、对比表、研究结论，这些都不应该只留在聊天窗口里。落成文件，放回知识库。有价值的 AI 对话本身也是 raw 输入。
检查。 每周跑一次健康检查。
六个不要
- 别一上来搭 RAG。 先跑通 LLM Wiki，资料规模上去了再考虑。
- 别只存正文不存来源。 没有来源链接，后面想追溯原始信息就无从下手。
- 别把 raw 和 wiki 混在一起。 混在一起，AI 生成的 wiki 内容就可能污染你的原始资料。
- 别让 AI 覆盖原始资料。 raw 里的东西只新增、不删除、不覆盖。
- 别把问答留在聊天记录里。 有价值的答案、对比、结论，存到 outputs/。
- 别信 AI 编译一次就完事。 编译一定会漏东西。所以要持续让 AI 维护更新，健康检查也别省。
有了这套系统，你不再是一个人在维护一座越来越大的仓库。每次新增资料，拆解、归类、挂链接都自动完成。每次提问，答案从你已经积累的资料里长出来，而不是从聊天窗口的空白处重新开始。