我用 Claude Code + Obsidian 搭了一个「AI 第二大脑」：5 分钟建好框架，用得越久越懂你

大多数人使用 AI，最大的问题不是模型不够聪明，而是每次对话都在重新开机。

你的经历、工作、写作风格和过去做过的研究，AI 用完就忘。

我把 Andrej Karpathy 最近公开的 LLM Wiki 方案完整拆了一遍。看完这篇，你可以用 Claude Code + Obsidian，搭出一个会持续生长的个人知识库。

【重复失忆】

每次打开 Claude Code，你是不是都要重新解释：

我是谁。

我在做什么。

我的读者是谁。

我喜欢什么写作风格。

换一个 AI 工具，过去积累的上下文又全部清零。

问题不在于你不会写提示词，而在于大多数 AI 对话没有真正形成长期、结构化的知识。

你不是缺少一个更长的 Prompt，而是缺少一套能持续更新的外部记忆系统。

【不是RAG】

很多人会说：

NotebookLM、ChatGPT 文件上传，不也能读取资料吗？

两者看起来很像，工作方式却不一样。

普通 RAG 的流程通常是：

放入文件。

提出问题。

AI 临时检索相关片段。

根据这些片段生成答案。

下一次提问，再重新检索和生成。

它擅长从资料里“找答案”，但不会自动替你维护一套不断变化的知识体系。

Karpathy 提出的 LLM Wiki，则让 AI 持续整理 Wiki：

读入新资料。

更新已有页面。

补充人物和概念。

建立页面之间的链接。

发现冲突后修订旧结论。

记录每次知识变化。

普通 RAG 每次都在发掘答案。

LLM Wiki 则在持续编写、校对和维护答案。

这才是两者最关键的差别。

【三层结构】

整个系统并不复杂，核心只有三层。

第一层：原始资料。

包括文章、论文、会议记录、图片、数据、视频文字稿和个人笔记。

这一层只负责保存事实来源，AI 可以读取，但原则上不能随意改写。

第二层：知识 Wiki。

这里是一组持续变化的 Markdown 文件：

资料摘要。

人物页面。

概念解释。

观点对比。

项目记录。

综合分析。

AI 会根据新资料创建和更新这些页面，你主要负责阅读和确认。

第三层：管理规则。

核心文件通常是 CLAUDE.md。

它告诉 Claude Code：

文件应该放在哪里。

页面应该如何命名。

新资料应该怎样处理。

哪些内容不能修改。

什么时候更新索引。

怎样记录引用和变更。

没有这份规则，Claude Code 只是一个能读取文件的聊天工具。

有了这份规则，它才会变成一个按固定流程工作的 Wiki 管理员。

【三种操作】

一套能长期使用的 LLM Wiki，主要执行三种操作。

第一种是 Ingest，也就是资料导入。

你把新文章放进指定文件夹，然后告诉 Claude Code：

“读取这份资料，并将它整合进现有 Wiki。”

理想情况下，它会完成：

读取原始资料。

提取核心观点。

和你确认重要信息。

创建或更新摘要页面。

更新人物与概念页面。

补充页面之间的链接。

更新索引。

把本次操作写入日志。

关键不在于生成一篇摘要。

而在于一份新资料，可以同时改变多个相关页面。

例如，你导入一篇关于 Claude Code 的访谈。

AI 不只生成访谈摘要，还可能更新：

Claude Code。

AI 编程。

Agent 工作流。

上下文管理。

个人知识库。

Andrej Karpathy。

相关项目与工具。

一份资料进入系统，多张知识页面一起发生变化。

这就是“积累”真正发生的地方。

第二种是 Query，也就是提问。

你可以直接问：

我过去研究过哪些 AI 知识库方案？

这些方案之间有什么冲突？

我关于内容创作的核心观点发生过哪些变化？

根据过去的文章，我最常使用哪些开头结构？

AI 会先查看索引，再读取相关页面，并基于现有资料回答。

答案还可以被保存成新的 Wiki 页面。

例如：

一张工具对比表。

一份项目复盘。

一篇研究综述。

一个演示文稿大纲。

一套可以重复使用的写作 Prompt。

这意味着你问过的好问题，也会成为知识库的一部分。

第三种是 Lint，也就是知识库体检。

当页面越来越多，系统很容易出现这些问题：

同一个观点在不同页面里互相矛盾。

旧资料已经过时。

页面存在，但没有任何链接指向它。

多个页面反复解释同一个概念。

资料里出现了新人物，却没有对应页面。

结论存在，却找不到原始出处。

你可以定期让 Claude Code 检查这些问题，并输出待修复清单。

知识库不是越大越好。

真正有价值的是：它变大以后，仍然能被找到、验证和维护。

【两个文件】

知识库规模变大后，最重要的是两个文件。

第一个是 index.md。

它相当于整个 Wiki 的目录。

你可以按照类别列出：

所有页面的链接。

每个页面的一句话说明。

主要人物。

核心概念。

项目与主题。

AI 在回答问题前，先读取 index.md，就能快速判断应该继续查看哪些页面。

在几十到几百个 Markdown 页面规模下，这种方法甚至不需要复杂的向量数据库。

第二个是 log.md。

它负责按时间记录系统发生过什么。

例如：

## [2026-04-09] ingest | Claude Code 访谈 - 新增：Claude Code.md - 更新：AI Agent.md - 更新：个人知识库.md - 来源：sources/claude-code-interview.md

它最好只追加，不覆盖。

这样既可以追踪知识变化，也可以直接通过命令查找最近的操作：

grep "^## \[" log.md | tail -5

当 AI 修改错了内容时，你也能快速找到问题从哪一次操作开始。

【五步搭建】

基础框架确实可以很快搭起来。

但先说清楚：

5 分钟能完成的是“创建空框架”，不是瞬间得到一个成熟的第二大脑。

第一步，安装 Obsidian。

进入：

https://obsidian.md/

Obsidian 会把笔记保存为本地 Markdown 文件，因此 Claude Code 可以直接读取和编辑。

第二步，创建一个 Vault。

Vault 本质上就是一个文件夹。

名称可以是：

AI Second Brain

建议先创建这些目录：

sources/ wiki/ outputs/ templates/

其中：

sources/ 保存原始资料。

wiki/ 保存 AI 整理后的知识页面。

outputs/ 保存报告、文章和演示文稿。

templates/ 保存固定模板。

第三步，用 Claude Code 打开 Vault。

在 Claude Code 中选择刚刚创建的 Obsidian 文件夹，让 Claude Code 获得该目录的读写权限。

第四步，复制 Karpathy 的原始方案。

原始文件：

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

Karpathy 将它称为 LLM Wiki。

它不是只能用于 Claude Code，也可以交给 Codex、OpenCode 等支持文件操作的 AI Agent。

把其中的规则交给 Claude Code，让它根据你的用途创建 CLAUDE.md、目录结构、索引和工作流程。

第五步，导入第一批资料。

适合放进去的内容包括：

Notion 导出的笔记。

过去写过的文章。

会议纪要。

项目复盘。

研究报告。

YouTube 文字稿。

读书笔记。

常用 Prompt。

个人工作流程。

不要一开始就把几万个文件全部扔进去。

先导入 10—20 份最重要的资料，检查页面结构、引用规则和更新方式，再逐渐扩展。

【启动指令】

📌 保存下面这套启动流程：

请根据当前文件夹中的 LLM Wiki 规则， 为我建立一个可持续维护的个人知识库。 要求： 1. sources 文件夹保存原始资料，除非我明确要求，否则不得修改。 2. wiki 文件夹保存你创建和维护的知识页面。 3. 每个结论必须尽量标明来源文件。 4. 创建 index.md，按类别列出所有 Wiki 页面及一句话简介。 5. 创建 log.md，按时间追加记录每次 ingest、query 和 lint 操作。 6. 处理新资料时，不只生成摘要，还要检查并更新相关人物、概念和项目页面。 7. 不确定的信息必须标记为“待确认”，禁止自行补全事实。 8. 出现冲突时，保留不同来源的观点，并说明冲突原因。 9. 每次修改后，列出新增页面、更新页面和待确认问题。 10. 先向我展示你计划创建的目录和规则，确认后再开始批量处理资料。

然后导入一份资料，输入：

请 ingest 这份资料。 先提取核心信息，再检查现有 Wiki 中与它有关的页面。 完成后请告诉我： 1. 新增了哪些页面 2. 更新了哪些页面 3. 发现了哪些冲突 4. 还有哪些信息需要确认 5. 本次操作如何记录进 log.md

这两段指令，已经足够启动第一版系统。

【四个技巧】

第一个技巧：使用 Obsidian Web Clipper。

它可以把网页内容保存为本地 Markdown 文件，再送入指定 Vault。

官方扩展支持 Chrome 等浏览器，保存的内容仍然是可迁移的 Markdown，而不是锁在某个专有平台里。

看到值得保存的文章时：

剪藏到 sources/。

让 Claude Code 读取。

要求它整合进 Wiki。

比“先收藏，以后再看”有效得多。

第二个技巧：工作和私人资料分开。

不要把客户合同、公司研究、个人日记和生活目标全塞进同一个 Vault。

至少可以拆成：

工作知识库。

个人知识库。

公开内容库。

敏感资料还要单独控制目录权限和同步范围。

不是因为 AI 不会分类，而是不同资料需要不同的引用规则、更新频率和隐私边界。

第三个技巧：让知识库反向生成 Prompt。

当 Wiki 已经包含你的：

写作风格。

目标读者。

历史文章。

常用案例。

产品资料。

内容禁区。

你就可以直接问：

根据我过去表现最好的文章、目标读者和写作习惯， 为下一个选题生成一份完整写作 Prompt。 请引用你使用的 Wiki 页面， 并解释每条要求来自哪一项历史经验。

普通 Prompt 依赖你这次想到了什么。

这种 Prompt 则建立在你过去全部积累之上。

第四个技巧：定期查找孤立页面。

孤立页面是没有被其他笔记链接的内容。

它可能意味着：

这条信息没有价值。

分类方式有问题。

缺少相关概念页面。

一个重要的新方向刚刚出现。

不要只把“孤立页面”当成需要删除的垃圾。

它也可能是知识库里还没有被连接起来的新线索。

【规模升级】

页面不多时，index.md 已经够用。

但当 Wiki 增长到数百甚至数千个文件，仅靠目录和文件名搜索会越来越慢。

这时可以考虑 QMD。

它是一款面向 Markdown 文件的本地搜索工具，组合了：

BM25 全文搜索。

向量语义搜索。

LLM 重新排序。

本地模型运行。

CLI 调用。

MCP 服务。

它可以让 Claude Code 通过工具直接搜索大型本地知识库。

不过不要过早安装。

50 个页面时就部署复杂检索系统，通常是在给自己制造新项目。

先把资料结构、引用和更新规则跑通，再解决规模问题。

【不适合谁】

这套系统并不适合所有人。

第一类，是只想临时问几个问题的人。

你只是偶尔上传一份 PDF，让 AI 总结一下，NotebookLM 或普通文件问答已经够用。

第二类，是不愿意维护资料的人。

第二大脑不会自动凭空成长。

你仍然需要持续放入高质量资料、处理冲突、删除垃圾和检查错误。

第三类，是把所有内容都无脑交给 AI 的人。

AI 可能错误归纳、覆盖细节、误判两个概念之间的关系。

因此原始资料必须保留，重要结论必须带来源。

第四类，是只喜欢收集、不真正使用的人。

收藏一万篇文章，不等于拥有一万个知识点。

只有当资料被整理、关联、检索并用于新的决策时，它才真正进入你的知识系统。

【真正价值】

Claude Code + Obsidian 最有价值的地方，不是“自动记笔记”。

而是把这些原本分散的东西连接起来：

你读过什么。

你写过什么。

你相信什么。

哪些观点已经改变。

哪些项目正在推进。

哪些问题还没有答案。

过去我们每次打开 AI，都要把自己重新介绍一遍。

有了这套系统以后，AI 不再只读取你这次输入的几句话，而是可以沿着索引、页面、来源和日志，重新进入你的长期上下文。

它不会真的变成你的大脑。

但它可以成为一个可追溯、可搜索、会持续更新的外部记忆层。

现在我终于明白，真正的“AI 第二大脑”不是多装一个笔记软件，而是让知识在每次使用后留下来。

这篇建议先收藏，再用 10 份最重要的资料搭出第一版；也欢迎转发给那个每次打开 AI 都要重新介绍自己的人