LLM Wiki 是什么？用 Claude + Obsidian 搭建 AI 第二大脑

所谓 Claude + Obsidian 的”第二大脑”，就是用 Obsidian 把笔记、资料和项目文档以纯文本形式存在本地，再让 Claude Code 这类能读写本地文件的 AI agent 来读取、整理、链接这些内容。时间久了，它会变成一个能长期维、持续积累的个人知识库。

下面把它的来龙去脉、原理、谁适合用、有哪些坑，大概讲一遍——这篇不是手把手的安装教程，而是帮你先把”这套东西到底是怎么回事”想明白。

比方说你的好点子，或者很多零碎的笔记，现在大概分散在十几个地方。笔记软件里记了几条，浏览器开着一堆没读完的标签页，还有些藏在你随手关掉、再也找不回来的 AI 对话里。每次坐下来干活，背景都得重新拼一遍，拼着拼着还忘了大半。

第二大脑就是用来帮助你管理这些零碎的、零散的碎片化数据。简单说，就是找一个地方把你知道的东西都存进去，让 AI 负责帮你管理：它读这些内容，把新东西归位、跟旧的连起来，时间长了这个库还会自己长大。好处是你不用每次重新跟 AI 解释你是谁、在忙什么，因为它已经记得了。

一．LLM Wiki 是什么，谁提出来的

这个玩法最近被 Andrej Karpathy 带火了。他是 OpenAI 的早期创始成员之一，之前也负责过特斯拉的 AI 和 Autopilot。2026 年 4 月初，他在 X 上分享了一个关于 LLM Knowledge Base、也就是后来被叫做”LLM Wiki”的想法，之后又把更完整的结构整理成了一份 GitHub gist。社区里很快冒出不少基于 Claude Code、Obsidian 和 Markdown 的实现方案，挺多人跟着照做。

它跟以前的区别在哪？以前是你自己辛辛苦苦维护一个知识库，偶尔问 AI 几个问题；LLM Wiki 反过来——让 AI 来建、来维护整个库，你只管往里扔素材。Karpathy 的原话大意是：这个 wiki 是个会”复利”的东西，交叉引用早就连好了、矛盾的地方早就标出来了，你读过的东西它都帮你综合好了。说白了，就是把”整理”这件最烦人的活，从你身上转移到 AI 身上。

二．这套东西到底由什么组成

说穿了就两个工具，各管一摊。

Obsidian 负责存。它是个免费笔记软件，所有东西都以纯文本文件的形式存在你自己电脑里。笔记之间能互相链接，用久了这些链接会连成一张图，把你想法之间的关系画出来。东西在你本机，不在哪家公司云上，文件一直是你的。

Claude（或者别的能读写本地文件的 AI）负责当那个”大脑”。它把整个库读一遍，把新信息归位、跟已有的连起来，还能回答横跨所有内容的问题。

这里值得多说一句：整套东西底层就是一堆文本文件。因为是纯文本，你就没被绑死在某一个 AI 上——今天用 Claude，明年想换个模型来读它，照样用。你拥有的是这个库本身，不是某个工具。这一点，算是它比那些”把数据锁在自己 App 里”的笔记产品强的地方。

三．为什么普通笔记系统大多会废掉

很多人用 Notion、用 Obsidian，甚至微信收藏，用着用着就变成一堆没人管的死档案：东西一条条进去，链接懒得建，过半年想找什么都找不着。

问题其实从来不在收集，在整理。读文章、做思考都挺有意思，但把五十条笔记一条条手动连起来，是真没意思，没人愿意干。知识库一般就死在”维护的人懒得管了”这一步。

Karpathy 这套的思路，是干脆把整理甩给 AI——不是让 AI 帮你查笔记，而是让它直接接管这个库，自己写页面、连概念、标出前后矛盾的地方。把人最不爱干的那部分活交出去，这套系统才转得起来，而不是停在纸面上。

而且它确实会越用越值钱。每喂进去一篇新东西，整个库都可能聪明一点：一篇讲自动化的文章，被 AI 顺手连到另一篇讲 AI 编程的笔记，再连到一篇讲写作的随笔——三个不挨着的主题，被串出一条你自己未必想得到的线。当然，这是理想状态，实际跑起来连得准不准，还得看你喂的东西和它的发挥。

四．Claude Code + Obsidian 第二大脑的基本流程

原版教程拆成了十来步，具体到每一步点哪个按钮、输哪行命令，不同客户端、不同版本会有差异，这里不照搬那些细节（真要动手时以官方文档为准）。但整套逻辑就四件事，理解了方向就清楚了。

第一，准备工具。要装两样：一个能读写本地文件的 AI agent（原版用的是 Claude Code，这是 Anthropic 面向开发者的 agentic 编程工具，能在你电脑上读写项目文件、支持 MCP），还有 Obsidian（免费，建一个新的库，这个文件夹就是你的第二大脑）。

第二，把 AI 接进这个库。常见做法有两类：一种是通过 Obsidian 的 Local REST API 插件，让外部工具能访问本地笔记；另一种是用 Obsidian 的 MCP 插件、MCP bridge 或相关扩展，把库暴露给 Claude Code 这类支持 MCP 的客户端。不同方案配置不一样，但目标都一样——让 AI 在受控权限下读取、整理、写入你的 Obsidian 文件夹。配完记得测一下，让 AI 列一下库里的文件，能列出来就说明通了。

第三，把”你自己”装进去。空的大脑没用。别自己一条条手敲，让 AI 来采访你：让它一次问一个问题，问你是谁、在干嘛、今年想做成什么、希望它怎么跟你说话、擅长什么不擅长什么、手上有哪些项目，问完整理成一个 CLAUDE.md 文件放在库的根目录。这样它每次启动都会先读一遍你的背景，之后你就不用反复解释自己了。

第四，按项目分文件夹来用。CLAUDE.md 是总纲，具体干活靠项目。每个项目单独一个文件夹，让 AI 一次只盯一件事，而不是同时面对你的整个人生。有个挺关键的技巧：干活时别打开那个巨大的总库，而是把项目文件夹单独当成一个库打开，这样 AI 只看到这个项目，别的不掺和。大库用来规划，单个项目用来出活。

再往后还能玩进阶的：把常做的操作存成”技能”，下次一句话让它照你的方式跑；接入日历、邮箱这种实时数据；甚至设个定时任务，让它每天早上自动整理库。不过这些都是后话，新手先把前面四步跑通更重要。

五．有一条铁律：靠权限，别靠嘴

这套东西要放手让 AI 自动跑，有个底线得守住：控制权要靠权限来设，别靠你嘴上说。

你跟一个能自动操作文件的 AI 说”别删这个文件”，那只是句建议，不是安全设置。只要它技术上能删文件、能发邮件，就当它哪天可能真会这么干。所以正确做法是在权限上卡死——接外部数据时尽量只给只读权限、用范围受限的密钥，而不是用一句话去”嘱咐”它。这条是所有自动化玩法里最该记住的。

六．几个一定要注意的坑

除了权限，还有几个新手容易栽的地方，提前说一下：

第一，别一上来就把所有聊天记录、几年的笔记全导进去。先从十来篇你最近真在用的素材开始，等流程顺了再慢慢加，否则第一周全耗在导入和返工上，系统反而没用起来。

第二，别让 AI 直接去改你的重要原始文件。比较稳的做法是把原始素材单独放一个文件夹、当成只读的底稿，让 AI 在另一个地方生成整理后的内容，这样它出错也不会动到你的原件。

第三，库要定期备份。它本质就是一堆文件，推到一个私有的 Git 仓库，就同时有了版本历史、备份和多设备同步，几乎零成本。

第四，敏感信息别无脑往里塞。密码、隐私、没脱敏的客户资料这些，想清楚再决定要不要进库。

第五，别完全甩手。AI 自动整理是会出错的——归错类、连错关系、把意思理解偏，都可能发生。保留一道人工审核，时不时翻一翻它整理的东西，比一上来就全自动靠谱。

七．国内用户会碰到的几个实际问题

原版教程默认你能顺畅用上 Claude，但国内有几个事得先说清楚。

一是访问和花钱。这套方案的核心能力来自 Claude Code 这类能读写本地文件、支持 MCP 的 AI agent。它具体够不够用、体验怎么样，跟你用的套餐、处理的内容规模、调用频率都有关系，不好一概而论，但国内访问 Claude、再加上付费订阅本身有点门槛，很多人是先卡在这一步的，动手前先确认自己能稳定用上。

二是有没有替代。这套模式的核心其实是”让 AI 自己维护一个纯文本知识库”，并不是非 Claude 不可。实际上已经有人拿 DeepSeek 的超长上下文模型，配 Obsidian 跑类似的东西。所以你可以把它当成一个通用思路：找一个上下文够长、又能接本地文件的 AI，原理是相通的——只不过 Claude Code 这种成熟的本地 agent + MCP 生态目前体验最完整，换别的方案得自己多动手搭。

三是别太信”一晚上零基础搞定”。原版说一个晚上、没碰过命令行也行。客观讲，配 MCP、敲命令行、给应用授权这些，对完全没接触过的人是有门槛的。建议第一版别贪大，先把最小的闭环跑通，再往上加。

八．这套东西适合谁，不适合谁

不是所有人都需要折腾这个，先看看你是不是目标用户。

比较适合：经常写作、做研究、做项目管理的人；长期跟 AI 打交道、手里攒了一堆对话和资料的人；愿意花一点时间折腾工具、换来长期省事的人。这类人用下来，复利效应最明显。

不太适合：只是想随手记几个待办的人（杀鸡用牛刀，普通笔记 App 就够）；不愿意碰 API、MCP、权限配置的人（这套确实有配置成本）；指望装上就一劳永逸、完全不想管的人（它需要你喂、需要你偶尔审核）。

从这套东西的特点看，它更适合用来管长期项目，而不是记生活琐事。像写作选题、研究资料、产品方案、课程笔记、AI 对话的沉淀，这些东西越积越多，才值得让 AI 帮你维护；要是只想记几条灵感、列个待办，那真没必要上这套。

九．说到底，它是什么

把前面的拆开看可能有点碎，收个尾。

这套东西的本质，不是什么神奇工具，而是一个长期的工作流：用纯文本当底子，让 AI 帮你把知识库建起来、连起来、维护下去。它好用的地方在于，文件真的在你手里，不会被某个 App 锁死，而且越用越密；麻烦的地方也很明显：前期要配环境，后面还得持续喂资料、偶尔检查它有没有整理错。值不值得搭，就看你是不是真有”长期积累知识”的需求。

常见问题

LLM Wiki 和 RAG 有什么区别？

简单说，LLM Wiki 是让 AI 把资料整理成一篇篇能读、能互相链接、能长期维护的 Markdown 页面，重点在”整理和沉淀”；RAG 更偏向你提问时，临时从一堆资料里检索相关片段、再交给模型回答，重点在”即时检索”。两者不冲突，很多场景可以一起用。

不用 Claude，能用别的 AI 吗？

能。核心不是 Claude 这个牌子，而是”AI 能不能安全地读取、整理你本地的纯文本知识库”。只要模型上下文够长，又能访问本地文件、或者通过 MCP / API 连上 Obsidian，就能做类似的事。只是 Claude Code 目前在本地 agent 和 MCP 生态上更成熟，开箱即用一些。

普通人有必要搭 LLM Wiki 吗？

如果你只是记记待办、存几条灵感，没必要，普通笔记 App 完全够用。它更适合长期写作、做研究、做项目管理、沉淀 AI 工作流这类场景——资料越多、项目周期越长，它的价值越明显。

如果你暂时不想自己配 MCP、折腾命令行，又想先体验一下 AI 知识库这类工具，也可以从现成的工具入手，可以看看站内的 AI 笔记工具、Obsidian 插件、AI 知识库工具分类挑一挑，门槛低很多。真要自己搭，社区也已经把这套打包好了——GitHub 上搜 LLM Wiki、second brain、obsidian 这些词，能翻到不少开箱即用的开源模板，clone 下来改成自己的版本就行。