第二大脑不是存储系统，而是编译器
文章介绍了受 Karpathy LLM Wiki 启发的第二大脑新架构：不是把笔记当作检索用的档案柜，而是当作编译器。系统在摄入时一次性编译知识，自动链接、更新、标记矛盾，配合 CLAUDE.md 和每日编译循环，由 Claude 承担维护负担。作者分析了该方案相比 RAG 的架构优势、随时间复利增长的效果，以及源质量依赖、初期密度门槛、需付费版 Claude Desktop 等局限，并附上可直接使用的提示词。
相关文档
我停止管理笔记，开始使用第二大脑 (Claude + Obsidian)
文章介绍了一种结合 Claude 与 Obsidian 的 LLM Wiki 模式，通过 AI 自动整理、链接和维护笔记，构建自我组织的知识库。相比传统方法的低效与 Notion 的限制，该方案能大幅提升研究效率，让知识随使用积累，实现真正的“第二大脑”。文章还提供了具体的安装步骤和使用技巧。
Karpathy 最新分享：用 LLM 搭建个人知识库，告别 RAG 的低效循环
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。
万字长文：知识库从入门到精通
文章系统讲解知识库的进阶路径：从最轻的文件上传开始，到 iMA、飞书知识问答承接多文件场景，再用 Obsidian 将资料沉淀为个人判断，进而用 LLM Wiki 让 Agent 自动维护知识库，最后进入企业级 RAG 阶段。作者详细介绍了各阶段的关键实践，包括提示词设计、目录结构、切片与检索策略、权限控制、评测方法等，强调知识库的核心是在模型回答前找到可靠材料，并保留来源、暴露冲突、允许拒答。
10个将Claude与Obsidian结合打造第二大脑的GitHub开源项目
本文介绍了10个优秀的GitHub开源项目，旨在利用Obsidian作为存储层，让Claude真正记住用户的个性化知识，从而打造真实的“第二大脑”。文章首先剖析了项目背后的三大核心架构：Karpathy LLM Wiki模式（大幅节省Token）、Anthropic的Skills架构（按需加载技能）以及MCP桥接（支持实时读写）。随后，作者详细盘点并测评了这10个开源库，逐一分析了它们的核心功能、安装难度、适用人群及局限性，为想要构建个人AI知识库的用户提供了极具价值的实践指南。
如何构建越用越聪明的第二大脑
文章介绍了如何利用 Obsidian 和 Claude 构建一个“第二大脑”。通过 Obsidian 作为本地存储，Claude 作为上层智能，建立连接并让 AI 读取和整理知识库。文中详细说明了配置 API、创建项目文件夹、设定规则文件以及构建技能和工作流的方法，旨在避免重复劳动，让 AI 记住用户偏好并辅助日常工作。
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。
给开源项目建可信架构 Wiki：LLM Wiki 范式实战教程
文章介绍了一种基于 LLM 的新型 Wiki 知识管理范式，旨在解决传统知识库维护成本高的问题。作者详细阐述了 raw/wiki/schema 三层架构，以及 Ingest、Query、Lint 三大核心操作，并开源了相应的 Claude Code Skill。文章以 x-algorithm-wiki 为例，提供了五步实战教程，展示了如何让 LLM 增量维护可追溯、可信的项目架构文档，并探讨了该方法的边界与适用场景。
你的第二大脑需要 QMD 才能健康扩展
文章探讨了在构建基于 Obsidian 和 Claude Code 的“第二大脑”知识库时，随着内容增多遇到的索引臃肿、语义搜索困难及原文细节丢失三大瓶颈。作者引入 QMD 这一本地 RAG 工具，通过混合检索（向量+BM25）弥补了传统 Wiki 模式的缺陷，大幅提升检索精度并节省 Token。文中还包含从零搭建知识库及配置 QMD 的完整实操指南。
RAG Is a Lie — Karpathy's LLM Wiki 模式解析
文章批判了当前主流的 RAG（检索增强生成）模式无法积累知识的局限性，并介绍了 Andrej Karpathy 提出的 LLM Wiki 范式。该模式主张让 LLM 维护一个动态的结构化知识库（Wiki），在数据摄入时进行编译和整合，而非在查询时临时检索。这种方法通过将繁琐的维护工作交给 LLM，实现了知识的复利增长和自我进化，解决了传统知识管理系统中维护成本高昂的痛点。
Karpathy 的 LLM Wiki：为何爆火与深度解析
文章深入分析了 Andrej Karpathy 提出的“LLM Knowledge Bases”概念。Karpathy 批评了当前 RAG 模式缺乏知识积累的痛点，提出由 LLM 维护的一组持久化 Markdown Wiki 作为替代方案。文章拆解了该方案的“原始资料、Wiki层、规则层”三层架构，以及“摄入、查询、健康检查”的操作模式。作者结合 EverMind Memory 的产品视角，探讨了这一模式从单次交互向积累能力转变的行业趋势，以及“Idea File”作为新知识传播单位的潜力。
如何构建你的第二大脑：基于 AI 的极简知识库系统
受 Andrej Karpathy 启发，文章介绍了一种无需复杂软件、仅依赖文件夹和文本文件的 AI 个人知识库构建方法。通过 raw/、wiki/ 和 outputs/ 三层结构，结合 agent-browser 自动抓取工具和 Claude Code 等编程助手，用户可以将杂乱素材转化为结构化的个人维基。系统强调“复利”维护，主张用简单的模式文件替代花哨的工具，让 AI 自动整理、总结和关联信息，从而实现高效的知识管理。
我搭了一个会自我进化的第二大脑系统
作者分享了一套基于 AI 的“第二大脑”系统设计哲学与复刻指南。该系统核心在于“弱结构、强智能”，将逻辑写在提示词而非代码中，使其能随模型升级自动进化。系统具备自我学习、一鱼多吃（多层价值沉淀）、自我维护（健康体检）等特性，并提供了一套完整的 Prompt 与技能配置方案供用户复刻。
