开源CC+Obsidian打造LLM Wiki内容创作3.0系统
文章介绍了一套基于LLM Wiki方法论的内容生产3.0系统，解决了2.0版本中知识库信息垃圾化的问题。通过“三步编译法”（浓缩、质疑、对标）将原始文档编译为持久化Wiki结构，实现知识资产的自动积累与进化，大幅降低维护成本并提升了内容创作与知识管理的效率。
相关文档
保姆级：用AI搭建选题流水线，从信息源到入库全流程
本文分享了如何利用 AI 构建自动化的内容选题系统。作者提出“选题是信息处理问题而非灵感问题”，通过确立“四层水源”（快、深、慢、反）、撒下“关键词渔网”、AI 初筛信息、人工做四维判断以及入库排期这五个步骤，实现每天自动生成 10 个带数据和角度的选题，从而告别创作焦虑，提升内容生产效率。
AI Knowledge Layer (and why your agents are useless without it)
本文提出了一种让 AI 智能体变得更聪明的双层系统：AI 知识层。它包含动态的知识库层（KBL）和静态的品牌基础层（BF），通过编译而非检索（RAG）的方式，让智能体在执行任务前拥有上下文记忆。文章介绍了该系统的概念、与传统 RAG 的区别、以及如何利用开源框架 LLM Wikid 构建个人或企业的知识图谱，从而解决 AI 输出同质化、缺乏个性化的问题。
50 个知识管理 Skill，帮你打造 AI 生产力系统
作者基于自己做 AI 生产力培训课的实践经验，开源了 50 个知识管理相关 Skill，分为三个仓库：Read Buddy（阅读整理，将网页、RSS、播客、微信读书划线等转为结构化内容）、Design Buddy（设计与配图，覆盖封面、架构图、公众号排版）、Creator Buddy（创作分析，挖掘热点与竞品数据）。文章还阐述了 AI 生产力系统的理念：通过目录规则、目标计划、工具技能、记忆日志、风格画像五大模块，将文件夹体系与 Skill 结合，让 Agent 自动完成选题、写作、配图与运营分析，实现从输入到输出的完整知识工作链路。
飞书知识库+豆包工作，我把知识管理做成了一键Skill，已开源
作者分享如何用豆包工作在飞书上搭建个人 LLM-Wiki 知识库：先让豆包工作根据 Karpathy 的 LLM Wiki 方法论在飞书中初始化知识空间（原始资料、词条、索引、更新日志四大节点），再批量将文章、提示词教程等素材入库，自动建资料卡、提词条、补双链、更新索引。随后设计了 LLM Wiki 运维 Skill，包含 Ingest、Query、Lint、词条管理、索引日志维护五大功能，任何新对话 @ 一下即可操作。配合定时任务和云电脑每天自动拉取 AI 日报入库，存入的提示词方法论可直接调用来生成视频、做网站。整套 Skill 已开源。
How I write with AI
作者分享了如何借助 AI 进行写作：坚持“用 AI 辅助写作”而非“让 AI 代写”，文字必须出自本人。他用 LLM 加速研究，通过自建的 researcher skill 结合 Exa、Hacker News、内部仓库和 Slack 等工具寻找真实、可引用的案例，并要求来源和引语以抑制幻觉。在草稿阶段，AI 充当文档内搜索和研究伙伴，帮助补充例子、验证事实、发现盲点。他强调写作者应多实验 AI 用法，而非因 AI 垃圾内容而全盘否定。
为什么我建议你现在开始搭建自己的 Agent？
文章建议读者搭建个人 Agent，而非仅使用单一 AI 工具。真正的 Agent 应整合个人材料、判断与流程，形成可复用的工作系统。通过从熟悉且反复出现的工作入手，明确输入、步骤与验收标准，逐步积累经验，让 AI 真正融入并提升个人工作流。
浪费20亿Token之后，我做了一个帮自己定义目标的Skill
作者分享了一个名为Leader.skill的开源工具，旨在解决Agent交互中目标定义模糊的问题。该工具基于“目标七问”方法论，将模糊需求转化为清晰的目标任务书，支持多模型组合（如Claude规划、GPT执行），显著提升长程任务的完成率与Token利用率。
如何用 Obsidian 和 Claude 构建永久记忆系统
文章介绍了一种结合 Claude Desktop 和 Obsidian 的 AI 工作流，通过构建本地知识库和配置 MCP，实现一次输入、永久记忆。这不仅解决了重复向 AI 解释背景的痛点，还能自动整理笔记、链接知识，并通过定时任务实现信息管理的自动化。
构建可复用十年的AI写作框架
本文探讨了如何构建一个健康、可持续的AI写作框架，旨在帮助写作者避免被特定软件厂商或AI模型绑架。作者提出了一套基于文件夹系统和Agent工具的“AI外骨骼”工作台，强调让AI辅助而非替代创作，实现数据的自主掌控和灵活迁移，从而让作者专注于故事创作本身。
Obsidian+AI：如何搭建自动化内容生产线
本文介绍了如何利用 Obsidian 结合 AI（Copilot/Claude）搭建一套高效的内容生产流水线。通过“先积累后分类”的方法，利用本地文件确保数据安全，并借助插件和自动化脚本实现素材的自动归类、整理与选题生成。文章详细阐述了从零开始的安装步骤、避坑指南、实用分类法（PARA/Zettelkasten）以及具体的 AI 工作流配置，帮助内容创作者解决素材管理混乱和选题枯竭的问题。
dontbesilent 内容资产工程系统开源：用 Agent 处理 2 亿 Token 构建个人知识库
文章介绍了 Codex 为 dontbesilent 构建的一套内容结构化工程系统。该系统利用 Agent 处理了本地 143 个目录、2330 个文件（约 2 亿 Token），将散落的文稿拆解为问题、概念、观点、案例、方案五类核心单元，并构建了包含主题地图和选题装配稿的关系网络。目前该系统已封装为 Skill 开源，用户可以通过调用 `/dbs-content-system` 将自己的本地内容转化为可被 Agent 持续调用的结构化资产，实现从“存文件”到“建系统”的转变，极大提升内容复用效率。
利用 Obsidian 和 Claude 替代高薪内容团队的实战指南
文章阐述了如何构建“四区域”知识库系统，通过 Obsidian 管理知识资产，利用 Claude 进行内容自动化生成。文中详细介绍了 3 个信息捕获面、5 个工作流引擎（如夜间处理器、简报生成器）以及包含 N8N、Cursor 在内的技术栈。核心观点在于从“只收集不产出”转变为以交付为导向的资产复用，将笔记转化为高价值的内容产品，从而实现个人商业收益的最大化。
