用知识库替代你的大脑外存：Karpathy 方法完整实战指南
文章介绍了基于 Andrej Karpathy 思想构建的个人知识库系统，核心在于利用 LLM 将原始资料“编译”为结构化的 Wiki，而非传统的向量检索。文章详细阐述了系统的三层架构（Raw、Wiki、Agent 指令），并提供了 Obsidian 图形界面版、本地文件夹结合 Claude Code 版以及 Graphify 工具版的三种实战搭建流程，旨在实现知识的持续沉淀与跨文档关联。
相关文档
用 Codex + Obsidian 搭建自生长的个人知识库实战
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。
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。
Claude Code + Obsidian 搭建本地 AI 知识库，保姆级教程
本文介绍了一套结合 Obsidian 与 Claude Code 搭建本地 AI 知识库的完整方案。文章详细讲解了如何建立文件夹体系（Inbox、Raw、Wiki 等）、编写 CLAUDE.md 规则文件，以及利用 AI 自动整理资料、生成 Wiki 页面和索引的方法。该方案旨在解决资料分散混乱的问题，实现知识的结构化沉淀与高效复用。
如何用 Claude 和 Obsidian 构建 AI 第二大脑 (完整教程)
本文详细介绍了如何将 Claude 与 Obsidian 结合，构建一个真正可用的“第二大脑”知识库。文章对比了 Obsidian 与 Notion 等工具在 AI 集成上的优劣（基于 Markdown 文件的开放性），并提供了从建立 PARA 笔记结构、编写笔记习惯，到通过 Claude Code 或 MCP 服务器连接知识库，再到实施周报总结等 AI 工作流的完整步骤。
如何将 Claude Code 打造为投资研究分析师
文章讲述了作者如何利用 Claude Code 这一编程工具，成功转型为个人的投资研究分析师。通过将其与 Obsidian 知识库及浏览器自动化工具集成，作者构建了一个能够自动筛选数据、抓取信息、建模并撰写报告的工作流。文章指出，与普通的聊天机器人不同，Claude Code 能够独立执行复杂的任务链条，极大地提高了金融研究的效率。
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。
Stop letting Claude Code forget your project overnight
本文介绍了一种利用持久化 Wiki 解决 Claude Code 上下文遗忘问题的方法。作者基于 Andrej Karpathy 的思路，阐述了通过构建 'raw' 和 'wiki' 文件夹结构，结合编译器原理，将项目知识固化为可索引的 Markdown 文件，从而避免重复消耗 Token 和时间。文章还详细介绍了 Obsidian 的配置、自动化 Hooks（如 session-start/end）的集成，以及 Wiki 与 RAG 在不同数据规模下的优劣对比，为个人开发者提供了一套高效的知识管理方案。
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。
Karpathy 的 LLM Wiki 改造版：打造更实用的 AI 个人知识库
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。
如何让Obsidian + Claude Code帮你安排一切（附全网最完整使用教程）
本文介绍了如何通过 Obsidian 结合 Claude Code 搭建一套个人 AI 工作流系统。该系统能够实现每日回顾与规划、自动收集 AI 热点资讯以及将模糊想法转化为可执行项目。作者详细讲解了安装 Obsidian、导入 OrbitOS Skills、以及通过 Claudian 插件或 Terminal 插件接入 AI 的具体步骤，帮助读者利用 AI 提升内容创作与事务管理的效率。
每个人都有 AI 助手之后，团队还需要一个团队助理
文章探讨个人 AI 助手普及后团队协作面临的新问题：每人拥有 AI 不等于团队更聪明，因为各自 AI 上下文分散。作者引入 Team OS（团队操作系统）概念，将其抽象为 Context、Instructions、Skills、Connections、Governance 五类能力，并以 DoorDash 等团队实践为例，说明如何用共享 Repo、PR 审核机制建设团队助理。文章强调团队知识不再必须经由 PM 中转，AI 能力正在从个人资产转变为团队资产，建议从真实场景小范围起步，让团队助理从实际工作中生长出来。
