本文介绍了基于 Andrej Karpathy 的理念，利用 LLM 和 Obsidian 构建个人知识库的方法。作者将笔记管理类比为软件开发，提出“原始资料”经 LLM “编译”为结构化知识的概念。文章详细阐述了三层目录结构（摄入、编译、输出）、利用 Claude Code 实现增量摘要与索引、定期进行知识库“健康检查”以及不盲目追求 RAG 的实践建议，旨在解决笔记堆积与腐烂的问题。
本文针对 Andrej Karpathy 提出的 LLM Wiki 方案，结合作者自身的 Obsidian + OpenClaw + Claude Code 实践经验进行了优化。作者提出了从三层架构升级为五层架构（增加行动层与产出层），并强调人工确认机制，避免 AI 自动分类的偏差。文章详细介绍了入库、查询和健康检查的具体流程，分享了构建个人知识库的原则，旨在实现知识积累与内容产出的高效闭环。
本文介绍了如何将 Obsidian 从简单的笔记应用转变为 AI 可读写的记忆层，从而构建一个“第二个自我”系统。作者提出了双层记忆架构：一层为人类保留原始、混乱的思考，另一层为 AI 提供结构化、机器可读的上下文。文章详细展示了文件夹结构（如 00_inbox、01_self 等）以及五个核心提示词，用于将杂乱想法转化为笔记、生成每日记忆日志、更新项目记忆、创建决策记录以及向第二个自我提问。核心观点是：AI 的智能取决于其可访问的上下文，通过自动化笔记维护，Obsidian 能成为真正的工作记忆系统。
本文介绍了如何将 Obsidian 本地笔记库与 Claude Code 结合，打造一个具有持久记忆和上下文理解能力的 AI 第二大脑。文章提供了详细的设置步骤、推荐文件夹结构、CLAUDE.md 指令文件配置及日常操作示例，实现知识库的自动化管理与智能链接。
文章介绍了一种利用 Obsidian 本地仓库结合 Claude Code 构建自进化知识库的方法。通过编写 CLAUDE.md 规则文件，让 AI 自动执行资料导入、Wiki 编译、交叉引用更新及定期维护（如 Lint 检查），解决了传统 AI 对话无记忆的问题。作者分享了具体的目录结构设计、五步操作流程（导入、查询、检查、存档、缓存）以及避免手动编辑 Wiki 等避坑指南，展示了如何利用低成本 Token 消耗管理超过 1000 个文件的系统。
本文详细介绍了作者如何构建基于Obsidian和Claude Code的个人工作流系统。文章提出了“未经人脑处理的知识不进仓库”和“输入服务于输出”两大原则，通过构建COO、CTO、心理医生等AI Agent角色，配合定时任务和自动化工作流，实现了一个具有问责机制、自动化记录和个人百科功能的数字“健脑房”，旨在提升思考质量与工作效率。
文章介绍了 Karpathy 提出的 LLM Wiki 方法，旨在解决传统 RAG 检索缺乏知识沉淀的问题。作者详细演示了如何在 Obsidian 中落地该方案，包括使用插件采集素材、配置图片本地化、利用图谱视图发现盲区、结合 Dataview 生成报表、使用 Marp 制作幻灯片，以及通过 Git 进行版本管理。核心思想是让 AI 承担繁琐的整理与维护工作，人类专注于思考与决策，从而构建持久增殖的个人知识库。
本文介绍了 Andrej Karpathy 提出的“LLM Wiki”个人知识库模式，即利用 AI 将原始资料编译成持久化的 Wiki，解决了传统 RAG 方案无法保留上下文和维护关联的痛点。作者详细解析了 Karpathy 的“Raw/Wiki/Schema”三层架构，并演示了如何利用开源桌面 AI Agent 工具 nexu 落地该模式，实现在微信随手入库、多模型切换及与 Obsidian 的协同工作，从而构建一个由 AI 维护的个人第二大脑。
文章指出，现代生产力的最大瓶颈不是思考慢，而是工作碎片化地在多个应用间切换，决策只需三十秒，而协调却要二十分钟。Grok Bot 类持久化 Agent 的价值在于以任务结果为界面，让应用成为实现细节，消除工具间的转换成本。作者阐述了以职位描述定义工作流、持久化环境保存上下文、将流程固化为可复用例程、从人类行为中学习自动化等理念，并强调 Agent 架构应分层：生成模型负责创造内容，快速决策层负责调度，确定性代码负责规则约束，从而构建真正自主的工作系统。
作者介绍如何将 Obsidian 笔记库作为 AI 代理的上下文来源，构建一个名为 /todays-focus 的每日专注技能。文章指出工作工具（如 Linear、Gmail、Slack、日历）只能告诉 AI 发生了什么，而个人笔记库能补充'什么对自己最重要'的背景。作者展示了四个步骤：连接工作工具、授权代理读取 Obsidian 库、创建原则（Principles）文档、创建'心头事'（Top of Mind）文档。该技能每天早晨生成三个焦点领域、反思检查和三个日记问题，成为一种有用的每日仪式，也是检验笔记库组织是否利于代理理解的方法。
花叔开源了Huashu-Report，一个用于让Agent产出高质量报告的Claude Code Skill，比之前的橙皮书skill更强大。文章指出AI写报告的瓶颈不在文笔，而在编造数字、重复叙述、口径不一致。解决方案分三层：先建数据表锁定数字来源，编译器检查正文引用；将可机器判定的规则全部写成函数而非留在手册中；脚本自动检查排版后仍需人工逐页目检。Skill支持六种报告原型：咨询deck、研报、学术综述、论文、调查、科普，并通过对74份顶级机构AI报告的解剖学习最佳设计品味。项目采用MIT协议开源。
文章针对个人知识库越建越乱的问题，提出一套面向普通用户的起步方案：先选一个具体主题、整理十份资料，将原始资料与整理结果分开存放，统一知识卡格式（含来源、核对日期、未确认项等），用真实问题验收，并设定更新规则。核心是让 AI 整理的知识有出处、可复查、知边界，避免无来源的推断被当作事实。
作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
