LLM Wiki 模式

[!摘要] 本文速览 LLM Wiki 是一种利用大语言模型构建个人知识库的新模式。与传统 RAG（检索增强生成）不同，LLM Wiki 不是每次查询时从原始文档中重新检索信息，而是增量式地构建和维护一个持久的 wiki——一个结构化的、相互链接的 Markdown 文件集合。这个 wiki 会随着你添加新 source 而不断更新和丰富，知识被”编译”一次并保持最新，而不是每次查询都重新推导。

核心理念

The wiki is a persistent, compounding artifact.

wiki 是一个持久的、累积的产物。交叉引用已经在那里，矛盾已经被标记，综合反映已阅读的所有内容。每添加一个 source，每提出一个问题，wiki 就变得更丰富。

一、为什么需要 LLM Wiki？

1.1 传统 RAG 的局限

大多数人与 LLM 和文档的交互体验是这样的：

graph LR
    A[上传文档] --> B[LLM 索引文档]
    B --> C[用户提问]
    C --> D[LLM 检索相关片段]
    D --> E[生成答案]
    E --> F[对话结束]
    F -.->|下次提问 | C
    
    style F fill:#ffcdd2

RAG 的核心问题

LLM 每次都在从头开始重新发现知识。

问一个需要综合五份文档的微妙问题，LLM 必须每次都找到并拼凑相关片段。没有积累，没有沉淀。NotebookLM、ChatGPT 文件上传和大多数 RAG 系统都是这样工作的。

1.2 LLM Wiki 的解决方案

graph LR
    A[添加原始文档] --> B[LLM 读取并提取]
    B --> C[更新 wiki]
    C --> D[用户提问]
    D --> E[LLM 查阅 wiki]
    E --> F[生成答案]
    F --> G[答案归档回 wiki]
    G -.->|新 source | A
    
    style C fill:#c8e6c9
    style G fill:#c8e6c9

核心区别：LLM Wiki 增量式地构建和维护一个持久的 wiki，作为你和原始 source 之间的中间层。

特性	传统 RAG	LLM Wiki
知识存储	原始文档片段	结构化的 wiki 页面
知识积累	❌ 每次重新检索	✅ 持续累积更新
交叉引用	❌ 查询时临时建立	✅ 预先建立并维护
矛盾检测	❌ 每次重新发现	✅ 已标记和跟踪
综合质量	⭐⭐⭐ 依赖检索	⭐⭐⭐⭐⭐ 反映所有已读内容

二、核心架构

LLM Wiki 模式包含三个层次：

graph TB
    subgraph "第一层：原始源"
        A1[文档 1]
        A2[文档 2]
        A3[文档 3]
    end
    
    subgraph "第二层：Wiki"
        B1[摘要页]
        B2[实体页]
        B3[概念页]
        B4[综合页]
    end
    
    subgraph "第三层：Schema"
        C1[CLAUDE.md<br/>结构规范]
    end
    
    A1 --> B1
    A2 --> B2
    A3 --> B3
    B1 --> B4
    B2 --> B4
    B3 --> B4
    C1 -.-> B1
    C1 -.-> B2
    C1 -.-> B3
    C1 -.-> B4
    
    style A1 fill:#e1f5fe
    style A2 fill:#e1f5fe
    style A3 fill:#e1f5fe
    style B1 fill:#c8e6c9
    style B2 fill:#c8e6c9
    style B3 fill:#c8e6c9
    style B4 fill:#c8e6c9
    style C1 fill:#fff3e0

2.1 第一层：原始源（Raw Sources）

定义：你收集的 source 文档集合——文章、论文、图片、数据文件。

关键特性：

不可变：LLM 从这些文件读取，但从不修改
真相来源：这是你的 source of truth

获取方式：

使用 Obsidian Web Clipper 将网页文章转换为 Markdown
手动保存 PDF、图片等资料
下载图片到本地（避免 URL 失效）

2.2 第二层：Wiki

定义：由 LLM 创建和维护的 Markdown 文件目录。

LLM 负责的内容：

创建页面
新 source 到达时更新页面
维护交叉引用
保持一致性

你负责的内容：

阅读 wiki
提供 feedback
决定下一步探索方向

[!比喻] LLM Wiki 的工作方式 Obsidian 是 IDE；LLM 是程序员；wiki 是代码库。

你打开 LLM agent 和 Obsidian，LLM 根据对话进行编辑，你实时浏览结果——追踪链接、查看图谱、阅读更新的页面。

2.3 第三层：Schema（CLAUDE.md）

定义：告诉 LLM wiki 如何组织、遵循什么规范、执行什么工作流的配置文件。

核心内容：

## wiki 结构规范
- 目录结构
- 页面命名约定
- frontmatter 格式
 
## 工作流
-  ingestion 流程
- 查询流程
- 维护流程
 
## 页面模板
- 摘要页模板
- 实体页模板
- 概念页模板

Schema 的进化

Schema 不是一成不变的。你和 LLM 随着使用会共同演进这个文件，逐步摸索出适合你领域的最佳实践。

三、核心操作

3.1 Ingest（摄入）

当你添加新的 source 时：

graph LR
    A[添加新 source] --> B[LLM 读取]
    B --> C[与你讨论关键收获]
    C --> D[撰写摘要页]
    D --> E[更新索引]
    E --> F[更新相关实体/概念页]
    F --> G[追加到 log]

LLM 执行的操作：

读取 source
与你讨论关键收获
在 wiki 中写入摘要页
更新 index.md
跨 wiki 更新相关实体和概念页
追加一条记录到 log.md

工作方式选择

精细模式：一次摄入一个 source，全程参与——阅读摘要、检查更新、指导 LLM 强调什么

批量模式：一次性批量摄入多个 source，较少监督

3.2 Query（查询）

当你向 wiki 提问时：

graph LR
    A[用户提问] --> B[LLM 搜索相关页面]
    B --> C[阅读页面]
    C --> D[综合答案]
    D --> E[输出格式]
    E --> F[归档回 wiki]
    
    style F fill:#c8e6c9

答案格式（取决于问题类型）：

Markdown 页面
对比表格
幻灯片（Marp 格式）
图表（matplotlib）
Canvas 可视化

关键洞察

好的答案应该归档回 wiki 作为新页面。

你要求的对比、你的分析、你发现的联系——这些都有价值，不应该消失在聊天记录中。这样，你的探索就像摄入的 source 一样，在知识库中累积。

3.3 Lint（健康检查）

定期让 LLM 检查 wiki 的健康状况：

检查清单：

页面之间是否存在矛盾
是否有被新 source 推翻的过时说法
是否有无入链的孤立页面
是否有重要概念缺少专属页面
是否缺少交叉引用
是否有可以通过网络搜索填补的数据空白

LLM 的独特价值

LLM 擅长提出新的调查问题和新的 source 寻找方向。这有助于 wiki 在增长过程中保持健康。

四、索引与日志

两个特殊文件帮助导航 wiki：

4.1 index.md（内容导向）

定位：wiki 中所有内容的目录。

结构：

# Wiki 索引
 
## 实体页
- [[人物 A]] - 简要描述（2026-04-01 更新，3 个 sources）
- [[人物 B]] - 简要描述（2026-04-02 更新，5 个 sources）
 
## 概念页
- [[核心概念 X]] - 简要描述
- [[核心概念 Y]] - 简要描述
 
## 摘要页
- [[文档 A 摘要]] - 来自 source X

用途：

LLM 回答查询时首先阅读 index
找到相关页面后再深入阅读
在中等规模（~100 个 sources，数百页）下效果很好
避免需要基于 embedding 的 RAG 基础设施

4.2 log.md（时间导向）

定位：append-only 的事件记录。

结构：

## [2026-04-02] ingest | 文章标题
- 添加了 5 个新页面
- 更新了 10 个现有页面
 
## [2026-04-03] query | 关于 X 的问题
- 创建了回答页面：[[X 的综合分析]]
 
## [2026-04-04] lint | 健康检查
- 发现 2 个矛盾
- 发现 3 个孤立页面

技巧：每行使用一致的前缀格式，可以用 unix 工具解析：

# 获取最近 5 条记录
grep "^## \[" log.md | tail -5

用途：

给你 wiki 演变的时间线
帮助 LLM 理解最近做了什么

五、应用场景

LLM Wiki 模式适用于多种场景：

场景	描述
个人成长	追踪目标、健康、心理——记录日记、文章、播客，构建关于自己的结构化图景
深入研究	数周或数月深入一个主题——阅读论文、文章、报告，逐步构建综合 wiki
阅读书籍	每读一章就归档，为角色、主题、情节线索建立页面。读完时拥有丰富的伴侣 wiki
业务/团队	LLM 维护的内部 wiki，输入来自 Slack、会议记录、项目文档、客户电话
竞争分析	追踪竞争对手的动态、产品更新、市场策略
旅行规划	整合目的地信息、行程、预订确认、攻略笔记
课程笔记	系统化整理课程内容、阅读材料、作业心得

[!比喻] 阅读书籍的类比想象《魔戒》的粉丝 wiki Tolkien Gateway——数千个相互链接的页面，涵盖角色、地点、事件、语言，由社区志愿者多年构建。

你读书时，LLM 可以帮你构建类似的个人 wiki，由 LLM 完成所有的交叉引用和维护工作。

六、为什么有效？

6.1 人类放弃 wiki 的原因

维护负担

维护知识库的繁琐部分不是阅读或思考——而是簿记工作。

更新交叉引用

保持摘要最新

注意新数据何时推翻旧说法

在数十个页面之间保持一致

人类放弃 wiki 是因为维护负担增长快于价值增长。

6.2 LLM 的优势

LLM 不做的	LLM 擅长的
❌ 感到无聊	✅ 不忘记更新交叉引用
❌ 感到疲倦	✅ 一次可以处理 15 个文件
❌ 逃避维护	✅ 维护成本接近零

分工原则

人类的工作：策划 source、指导分析、提出好问题、思考一切意味着什么。

LLM 的工作：其他所有事情——总结、交叉引用、归档、簿记。

6.3 思想渊源

这个想法与 Vannevar Bush 的**Memex（1945）**精神相通：

个人的、精心策划的知识存储
文档之间的关联轨迹
连接与文档本身同样有价值

Bush 未能解决的难题是：谁来做维护工作？

现在，LLM 可以处理这个问题。

七、实用技巧

7.1 Obsidian 相关

工具/技巧	用途
Web Clipper	浏览器扩展，将网页文章转换为 Markdown
下载图片到本地	设置附件文件夹，绑定快捷键下载所有图片
图谱视图	查看 wiki 的形状——什么连接什么、哪些是枢纽、哪些是孤立点
Dataview 插件	查询页面 frontmatter，生成动态表格和列表

7.2 搜索工具

当 wiki 增长到一定规模时，可能需要专门的搜索工具：

工具	特点
qmd	本地 Markdown 搜索引擎，混合 BM25/向量搜索 + LLM 重排序
自定义脚本	LLM 可以帮你编写简单的搜索脚本

7.3 版本控制

# wiki 就是一个 git 仓库
git init
git add .
git commit -m "添加新的知识来源"

好处：

免费获得版本历史
可以 branching 探索不同方向
支持协作

八、与”AI 辅助知识库构建工作流”的关系

两篇笔记的定位差异

03-AI 辅助知识库构建工作流：

适合成熟知识体系的系统化学习

从学习报告开始，一次性搭建完整框架

类似”教材式”学习

LLM Wiki 模式（本文）：

适合持续积累的知识探索

增量式构建，随时间推移逐渐丰富

类似”研究式”学习

两种模式可以结合使用：

用”AI 辅助构建工作流”搭建初始框架
用”LLM Wiki 模式”持续维护和更新

九、总结

9.1 核心差异

维度	传统方式	LLM Wiki
知识积累	❌ 每次重新推导	✅ 持久累积
维护成本	❌ 人类手动维护	✅ LLM 自动维护
可扩展性	❌ 维护负担随规模增长	✅ LLM 处理复杂度
查询质量	⭐⭐⭐ 依赖检索精度	⭐⭐⭐⭐⭐ 基于综合 wiki

9.2 快速开始

# 1. 初始化 wiki 目录
mkdir wiki/{sources,entities,concepts,summaries}
 
# 2. 创建 CLAUDE.md 定义规范
# 3. 添加第一个 source 并 ingestion
# 4. 开始提问并将答案归档
# 5. 定期运行 lint 检查

9.3 核心原则

一句话总结

让人类做人类擅长的——策划、思考、判断；让 LLM 做 LLM 擅长的——整理、归档、维护。

延伸阅读

03-AI 辅助知识库构建工作流 - 系统化学习成熟知识的工作流
01-Obsidian 介绍 - Obsidian 基础功能
02-Obsidian 与 AI 协同工作流 - AI 赋能 Obsidian 的技巧
原文：LLM Wiki by Andrej Karpathy
相关概念：RAG（检索增强生成）、知识图谱、第二大脑

更新日期	更新内容
2026-04-12	初始版本

小羊杂物间

探索

LLM Wiki 模式

LLM Wiki 模式

一、为什么需要 LLM Wiki？

1.1 传统 RAG 的局限

1.2 LLM Wiki 的解决方案

二、核心架构

2.1 第一层：原始源（Raw Sources）

2.2 第二层：Wiki

2.3 第三层：Schema（CLAUDE.md）

三、核心操作

3.1 Ingest（摄入）

3.2 Query（查询）

3.3 Lint（健康检查）

四、索引与日志

4.1 index.md（内容导向）

4.2 log.md（时间导向）

五、应用场景

六、为什么有效？

6.1 人类放弃 wiki 的原因

6.2 LLM 的优势

6.3 思想渊源

七、实用技巧

7.1 Obsidian 相关

7.2 搜索工具

7.3 版本控制

八、与”AI 辅助知识库构建工作流”的关系

九、总结

9.1 核心差异

9.2 快速开始

9.3 核心原则

延伸阅读

关系图谱

目录

反向链接