AI自动化个人知识库搭建流程

使用AI搭建LLKwiki–AI时代下个人知识自动管理

本文将系统介绍如何借助Claude Code+Obsidianan等工具，从零开始搭建一个自动化的个人知识库（LLKwiki）。内容涵盖知识采集、结构化整理、语义检索、自动更新与持续迭代等关键环节，帮助你构建一个可积累、可搜索、可进化的知识体系

1. 为什么使用Obsidian？

个人知识库的搭建为什么使用Obsidian？明明有更多的选择，像Notion，印象笔记等等

Obsidian最大的优势在于

  • 完全本地化，全部都是md文档，不怕云端的丢失
  • 支持双向链接，可以方便的进行知识之间的关联
  • 丰富的插件系统，多到你会忘记自己学习Obsidian的初衷

如何快速入手Obsidian，可以参考Obsidian入门

Obsidian最大的优势就是使用AI能自动帮你关联到相关的知识点和笔记；能够关联到相关的应用等方面，让你的知识不再是孤岛，而是连成一片

2. Claude Code最佳搭档

在Claude Code发展到现在之前，Obsidian就像VSCode一样，AI仅仅是作为插件辅助笔记的生成和管理，而Claude Code的出现，让Obsidian真正变成了一个AI时代下的知识库。

Claude Code 则是一个强大的 AI 编译器与自动化引擎。它能理解自然语言指令，读写本地文件系统，执行复杂的自动化任务。它的设计和 Obsidian 的本地存储模式天然契合——一个文件夹一个workspace

Claude Code与Obsidian结合，就像是VSCode与Git的结合，Claude Code负责AI的执行，Obsidian负责文档的存储和展示

  • Obsidian 负责”结构化存储与可视化网络”
  • Claude Code 负责”AI 编译与自动化管理”

Obsidian是仓库，Claude是大脑，搭建成完整的思考系统

claude obsidian

系统优势：

  • 告别信息碎片化。 所有零散的信息都会被”编译”成相互关联的原子化知识单元
  • 全流程自动化。 从信息收集、处理、分类、链接到结构化输出，大部分繁琐工作都由 AI 代劳，人适合做决策和判断
  • 构建可生长的体系。 知识库不再是静态的仓库，而是一个能够通过 MOC（主题地图）和持续链接自我进化的有机体
  • 成为高效”超级个体”。 知识高效转化为文章、报告、方案，提升个人输出与决策质量

3. 环境搭建

3.1 Obsidian 安装

Obsidian的安装请查看这篇安装教程和入门使用，帮助你快速了解Obsidian

3.2 Claude Code安装

Claude Code的安装和套餐API配置请看claude code安装教程,同样claude code使用，skill使用等等，请各自查看

传统的AI+笔记的方式，通常是

  • 复制一段内容
  • 打开网页/CHat客户端
  • 让AI帮你总结、改写等
  • 再粘贴回来

Claude Code + Skills:

  • 调用技能 skills
  • 能执行复杂指令(重写、拆解、结构化、补充)
  • 作为你的协作伙伴，Claude 只是参与编辑，整理不改变你本身的原始数据

3.3 Claudian插件安装

Obsidian最强大但同样最让人忘记初衷的地方就是插件市场

在设置中选择第三方插件，然后关闭安全模式，即可打开三方插件市场

obsidian plugin

  1. 手动安装

可以选择手动下载这些插件的安装包，然后手动放置在 obsidian 笔记仓库中的 .obsidian/plugins 文件夹下，这种比较繁琐，核心就是要放对位置

  • 从github下载最新版本
  • 创建文件夹，解压文件
  • 复制到.obsidian/plugins目录下
  1. BRAT 插件安装

BRAT全称Beta Reviewers Auto-update Tool（Beta测试者自动更新工具），是由开发者TfTHacker开发的Obsidian插件。

注记

BRAT是一个专为开发者和插件/主题测试人员设计的插件，可以轻松安装测试版插件。通过将GitHub存储库路径添加到测试列表中，即可轻松检查更新，下载并重新加载插件，省去了手动创建文件夹、下载文件、复制到正确位置等繁琐步骤。该插件简化了测试过程，解决了开发者和测试人员的繁重工作，提高了工作效率。

在第三方市场插件中搜索BRAT，然后点击安装并启用即可，现在国内网络也能够成功安装插件了

brat plugin

beta plugin

安装好之后，最左侧会出现个笑脸，表示安装成功

  1. 安装Claudian

Claudian 是一款能将 AI 编程智能体（比如 Claude Code、Codex，以及未来更多的工具）直接嵌入到你 Obsidian 库（Vault）中的插件。你的整个库会直接变成智能体的工作目录——这意味着文件读取与写入、内容搜索、运行 Bash 命令，以及多步骤的复杂工作流，全部都能开箱即用，无缝衔接

安装的方式有很多种:

1. 点击左侧笑脸-选择第一个install beta plugin 弹窗出现后在Repository窗口输入 https://github.com/YishenTu/claudian,然后点击`add plugin`即可

2. 在设置-第三方插件-BRAT，进入BRAT管理页面，然后找到Beta Plugin list，点击`Add beta plugin`，会同样弹出输入框，和第一种方法类似，把 https://github.com/YishenTu/claudian

claudian install

  1. 激活Claude

核心还是插件能够检测到Claude CLI否则是无法使用的

提示

安装Claude Code:

  • Linux/macOS/WSL2 安装可以参考之前的安装教程

  • Windows用户下可以在powershell中，输入& ([scriptblock]::Create((New-Object Net.WebClient).DownloadString("https://claude-zh.cn/scripts/install.ps1")))，即可安装成功

  • 安装成功后，直接在C盘----用户----用户名中找到.claude文件夹，新建settings.json文件，输入下面的内容，并把API Key填入即可(模型这里使用的智谱的，可使用该连接https://www.bigmodel.cn/glm-coding?ic=TFCBPKTVRV进行模型code plan的申请)

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "",
    "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "GLM-4.7",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "GLM-5",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "GLM-5.1"
  }
}

不管怎么样激活，都是需要系统先安装Claude Code，意味着Obsidian必须能够找到Claude CLI的安装,,添加环境变量主要作用只是修改Claudian的模型和显示

Claudian现在已经支持Claude，CodeX和opencode三种平台:

  • 直接把系统中的claude code路径加上去,如果没能自己找到就需要手动添加

claude obsidian

  • 在环境(Enviroment)中添加一个新的环境，选择平台和输入API Key

claudian

ANTHROPIC_API_TOKEN =   
ANTHROPIC_BASE_URL = https://open.bigmodel.cn/api/anthropic  
ANTHROPIC_DEFAULT_HAIKU_MODEL = glm-4.7
ANTHROPIC_DEFAULT_SONNET_MODEL = glm-5
ANTHROPIC_DEFAULT_OPUS_MODEL = glm-5.1

claudian bigmodel

4. 基础工具使用教程

按照上面的流程安装好Obsidian和Claude Code，以及Claudian插件之后，就可以开始搭建LLMWiki了，下面是一些核心的功能介绍和使用教程

raw笔记 → LLM编译 → 结构化Wiki → 直接塞给LLM

Claudian包含的功能

  • Inline Edit（内联编辑）： 选中文本或在光标位置使用快捷键，直接在笔记中进行编辑，并支持逐词级别的差异预览
  • Slash Commands & Skills（斜杠命令与技能）：输入 /或 $，可调用可复用的提示模板或技能，支持用户级和知识库（vault）级作用域
  • @mention（提及功能）: 输入 @ 可以引用任何希望代理处理的内容，例如知识库文件、子代理、MCP 服务器或外部目录中的文件
  • Plan Mode规划模式: 通过 Shift + Tab 切换。代理会先进行探索和设计，然后在执行前提交方案供你确认
  • Instruction Mode（指令模式 #）
  • MCP Servers（MCP 服务器）:通过 Model Context Protocol 连接外部工具（支持 stdio、SSE、HTTP）。Claude 在应用内管理知识库 MCP，Codex 使用其 CLI 管理 MCP 配置
  • Multi-Tab & Conversations（多标签与会话）

4.1 基础使用方式

  1. 点击 Obsidian 左侧功能区的机器人头图标,左侧会弹出Claudian的界面
  2. 在笔记中选中一段文字，然后在右侧claudian进行编写
  3. 会发现Claudian提醒选中的内容，你可以对选中的两行进行操作

claudian0 edit

AI 不再是“给你建议”，而是“直接帮你改文档”

4.2 SKILLs使用

只要合理使用skills,是能够最大化利用claude+obsidian：

  • 重构一篇技术文章
  • 拆解复杂概念
  • 生成大纲 / TODO / 知识卡片
  • 统一文档风格
  • 把“零散笔记”整理成“系统知识”

Claudian 最大的亮点之一，就是 完整支持 Claude Code 的 Skills

安装Skills一般有两种方式

  1. 在obsidian打开的仓库中，显示所有的隐藏文件夹，找到.claude,点击进去，找到skills。比如要把Obsidian-skills https://github.com/kepano/obsidian-skills 安装到Claudian中，将Obsidian-skillszip文件下载解压之后，把skill中文件夹复制到.claude/skills中即可.当然插件中也能够自己编写skills

claudian skills

相对于本地文件夹，坚果云这种云盘vault，可以把skill同步到每一个电脑

  1. Claudian能够扫描本地Claude Code中的skill，主要是从~/.claude/plugin和 ~/.claude/skills中扫描，所以也可通过claude code安装skill，从而得到claudian调用

claudian skills plugin

所有的skill使用和claude code中是一样的，/skills names即可调用

4.3 Obsidian web clipper使用

Obsidian web clipper是用来剪藏网页,当浏览到感兴趣的内容后,使用浏览器插件,或者在iOS safari中使用插件,一键将内容保存到自己的Obsidian 文件夹中,让你的知识不再凌乱,查找时不再忘了从哪里看到

google chrome obsidian

5. LLM Wiki使用

LLM Wiki 是由 AI 先驱 Andrej Karpathy 提出的一种颠覆性个人知识管理范式。它摒弃了传统的 RAG（检索增强生成，即每次查询时从零查找拼接），转而让 AI 充当“全职笔记管理员”，将零散资料预先“编译”并持续更新为结构化、互相引用的 Markdown 维基百科

5.1 RAG的背景

过去两年，RAG（Retrieval-Augmented Generation）几乎成了 LLM 应用的”标配”。无论是企业知识库、智能客服还是个人笔记系统，大家的第一反应都是：把文档切块 → 向量化 → 存入向量数据库 → 查询时检索 → 拼进 Prompt。

文档/PDF/网页
        ↓
   文本提取
        ↓
  文本切分（Chunk）
        ↓
 Embedding模型
        ↓
   向量(Vector)
        ↓
 向量数据库存储
        ↓
  语义检索与问答

RAG流程缺陷:

  • 分块损失：一篇结构化的论文，切成 512 token 的碎片后，上下文关系全丢了
  • 检索不稳定：Embedding 相似度并不等于语义相关度，换个说法就可能检索不到
  • 同一份文档，每次查询时 LLM 都要重新”阅读”原文，浪费算力
  • 原始文档之间没有显式关联，知识只是”堆”在数据库里

简单理解就是: 把文件分解为向量存在向量库之后,每次查询都要重新阅读一遍,而且没有关联,只是堆在一起

5.2 LLM Wiki的背景

放弃查询时才从原始文档中检索的做法，让 LLM逐步构建和维护一个持久化的 wiki，一组结构化、相互链接的 Markdown 文件（一种轻量级的纯文本格式，可以用任何编辑器打开），作为你和原始资料之间的中间层。当你添加新资料时，LLM 不会只是把它索引起来留待日后检索，它会阅读、提取关键信息、整合进现有 wiki，更新实体页面、修订主题摘要、标注新数据与旧结论的矛盾之处、用新证据去强化或推翻已有的综合判断。知识被编译一次就沉淀下来、持续更新，不用每次查询时从头推导

注记

wiki 是一个持久的、不断复利增长的产物. LLM 负责编写和维护全部内容。人负责的是资料筛选、探索方向和提出正确的问题。LLM 做所有苦力活——总结、交叉引用、归档和 bookkeeping（指维护知识库一致性所需的大量琐碎更新工作，如同记账），这些工作才是让知识库随着时间推移真正有用的关键。

Andrej Kaparthy 举了几个简单的例子:

  • 个人领域：追踪你自己的目标、健康、心理、自我提升——归档日记、文章、播客笔记，随着时间构建一幅关于你自己的结构化全景
  • 研究领域：在数周或数月内深入一个课题——阅读论文、文章、报告，逐步构建一个带有演进论点的综合性 wiki。
  • 阅读一本书：逐章归档，为人物、主题、情节线索建立页面，标注它们之间的关联。读完后你就拥有了一部丰富的伴读 wiki。
  • 商业/团队：由 LLM 维护的内部 wiki，输入来源是 Slack 讨论、会议记录、项目文档、客户通话。可以有人类参与审核更新。wiki 之所以能保持更新，是因为 LLM 承担了团队中没人愿意做的维护工作。
  • 竞争分析、尽职调查、旅行规划、课程笔记、爱好深挖——任何你在持续积累知识并希望它被组织起来而非散落各处的场景。

5.3 LLM Wiki 架构

主要分成三层

  1. 原始资料源(Raw Sources) – 精心筛选的源文档集合。文章、论文、图片、数据文件。这些是只读的——LLM 从中读取但绝不修改，原始资料永远保持原样。这是你的权威来源

  2. Wiki – 一个由 LLM 生成的 Markdown 文件目录。摘要、实体页面、概念页面、对比分析、概览、综合判断。这一层完全由 LLM 拥有。它创建页面、在新资料到达时更新页面、维护交叉引用、保持一切一致, 你负责阅读，LLM 负责写。

  3. Schema（模式定义） ——一份配置文档（例如 Claude Code 的 CLAUDE.md 或 OpenAI Codex 的 AGENTS.md——这些是各家 AI 编程工具的项目配置文件，告诉 AI 该遵循什么规则），定义 wiki 的结构是怎样的、约定是什么、在摄入资料、回答问题或维护 wiki 时应遵循什么工作流。这是关键配置文件——它让 LLM 成为一个有纪律的 wiki 维护者，而非一个通用聊天机器人。随着你对自己领域的理解加深，你和 LLM 会一起迭代这份文档，让它越来越好用。

5.4 LLM Wiki操作逻辑

  • 摄入（Ingest）: 你把新资料放进原始资料集，然后让 LLM 处理它。一个典型流程：LLM 阅读资料，与你讨论关键要点，在 wiki 中写一个摘要页面，更新索引，更新 wiki 中相关的实体和概念页面，并在日志中追加一条记录。一个资料源可能触及 10-15 个 wiki 页面. 个人偏好逐条摄入资料并全程参与——我读摘要、检查更新、引导 LLM 强调什么。但你也可以批量摄入大量资料，减少监督。怎么做取决于你自己，找到适合你的工作流后，记在 Schema 里，下次开新会话时 LLM 就能沿用

  • 查询（Query）: 你针对 wiki 提问。LLM 搜索相关页面、阅读它们、综合出带引用的答案。答案可以根据问题采取不同形式——一个 Markdown 页面、一个对比表格、一套幻灯片（Marp，一种把 Markdown 转成演示文稿的工具）、一张图表（matplotlib，Python 制图库）、一个画布。

好的答案可以作为新页面归档回 wiki, 请求的一次对比分析、一个分析结论、你发现的一个关联，这些都值得留下来，不应该消失在聊天历史中。这样，你的探索就像摄入的资料源一样，在知识库中实现复利增长

  • 检查（Lint——借用编程术语，原指代码静态检查工具，这里指对知识库做系统性的健康检查）。定期让 LLM 对 wiki 做健康检查。寻找：页面之间的矛盾、已被更新资料取代的过时论断、没有任何入站链接的孤儿页面（orphan pages，即没有其他页面链接到它的”孤岛”页面）、被提及但缺少独立页面的重要概念、缺失的交叉引用、可以通过网络搜索填补的数据缺口。LLM 擅长建议新的调查问题和新的资料来源。这让 wiki 在增长过程中保持健康。

随着Wiki的不断扩充，有两个特殊文件可以帮助LLM（以及您）更好地浏览Wiki。它们各有不同的用途

  • index.md: 它是 wiki 中所有内容的目录——每个页面列出链接、一行摘要，以及可选的元数据（如日期或资料源计数）。按类别组织（实体、概念、资料源等）。LLM 在每次摄入时更新它。回答查询时，LLM 先读索引找到相关页面，再深入查看。这在中等规模（约 100 个资料源、数百个页面）下效果出奇地好，避免了基于 embedding（嵌入向量，一种把文本转成数字向量以便计算相似度的技术）的 RAG 基础设施的需求

  • log.md: 它是一个只追加的记录（append-only，只增不改不删），记录发生了什么以及何时发生——摄入、查询、检查。一个实用技巧：如果每条记录以统一的前缀开头（例如## [2026-04-02] ingest | Article Title），日志就可以用简单的 Unix 命令行工具解析——grep "^## \[" log.md | tail -5就能给你最后 5 条记录。日志给你 wiki 演进的时间线，帮助 LLM 了解最近做了什么。

5.5 LLM wiki工具

5.5.1 QMD 搜索引擎

wiki 页面搜索引擎——在小规模下索引文件就够用了，但随着 wiki 增长，你需要正式的搜索能力。

  • qmd 是个不错的选择：它是一个本地 Markdown 文件搜索引擎，支持 BM25/向量混合搜索（BM25 是经典的关键词匹配算法，向量搜索则通过语义相似度匹配，混合使用兼顾精确匹配和语义理解）和 LLM 重排序，全部在本地设备上运行

QMDSearch

提示使用流程

1. 安装

# 使用 npm
npm install -g @tobilu/qmd

# 或使用 Bun（更快）
bun install -g @tobilu/qmd

# 不想安装？直接用 npx 跑
npx @tobilu/qmd --version

2. 创建集合

collection 本质上是一个路径别名，方便后续搜索时指定范围。

# 索引你的笔记目录
qmd collection add ~/notes --name notes

# 再索引会议记录
qmd collection add ~/Documents/meetings --name meetings

# 查看已创建的集合
qmd collection list

3. 添加上下文

context 是搜索时使用的额外信息，例如当前日期、时间、地点、任务等。这些信息会自动添加到搜索结果中，帮助 LLM 更好地理解上下文。

# 告诉 QMD 这些目录是什么内容
qmd context add qmd://notes "个人笔记和技术想法"
qmd context add qmd://meetings "团队会议记录和决策"

4. 生成嵌入

嵌入是为所有集合生成向量索引,首次运行会自动下载模式,缓存到本地,后续使用无需重复下载

qmd embed

5. 搜索

# 关键词搜索（快，适合精确匹配）
qmd search "认证流程"

# 语义搜索（慢，但能理解你的意图）
qmd vsearch "用户怎么登录"

# 混合搜索（推荐，结合两者优势）
qmd query "季度规划会议说了什么" -c meetings

# 只看文件名，不显示具体内容
qmd query "错误处理" --files

# Get a specific document
qmd get "meetings/2024-01-15.md"

# Get a document by docid (shown in search results)
qmd get "#abc123"

# Get multiple documents by glob pattern
qmd multi-get "journals/2025-05*.md"

# Search within a specific collection
qmd search "API" -c notes

# Export all matches for an agent
qmd search "API" --all --files --min-score 0.3

将QMD搜索引擎链接AI才能发挥最大的功效

QMD 的 --json 和 --files 输出格式是为Agent工作流设计的

# Get structured results for an LLM 结构性输出
qmd search "authentication" --json -n 10

# List all relevant files above a threshold,设置一个阈值
qmd query "error handling" --all --files --min-score 0.4

# Retrieve full document content 返回所有满足条件的结果
qmd get "docs/api-reference.md" --full
  1. 集成到Claude Code使用MCP

虽然告诉AI在命令行中使用qmd即可运行,但是还是公开了一个MCP接口,方便集成到Claude Code中

自动配置

在终端命令行中执行下面的命令,安装插件系统

claude plugin marketplace add tobi/qmd
claude plugin install qmd@qmd

手动配置

在~/.claude/settings.json修改配置文件

{
  "mcpServers": {
    "qmd": {
      "command": "qmd",
      "args": ["mcp"]
    }
  }
}
  1. 使用

在文件夹中启动claude code,在新的文件夹中进行三步即可,让AI帮你解决

❯ 在一个新的文件夹里面需要吗

⏺ 需要。在新文件夹里要三步：

  # 1. 添加集合
  qmd collection add /path/to/新文件夹 --name 集合名

  # 2. 建立文本索引
  qmd update

  # 3. 生成向量嵌入
  qmd embed

  或者你也可以让我来做，告诉我文件夹路径和想要的集合名就行。
  1. 后台守护模式
# 启动守护进程，保持模型加载状态
qmd daemon start

# 搜索（速度更快，无需重复加载模型）
qmd query "认证流程" --daemon

# 停止守护进程
qmd daemon stop
提示

qmd会从hugging face下载模型，可以将镜像源更改，方便国内的下载

# 临时设置镜像环境变量（仅在当前终端窗口生效）
export HF_ENDPOINT=https://hf-mirror.com

# 建议同时写入配置文件，避免每次重启终端都要重新设置
echo 'export HF_ENDPOINT=https://hf-mirror.com' >> ~/.bashrc
source ~/.bashrc

如果有显卡，可以使用GGML_CUDA=1 qmd pull强制使用显卡

5.5.2 插件工具

  • Obsidian Web Clipper
  • 把图片下载到本地。在 Obsidian 的设置 → 文件和链接中，把”附件文件夹路径”设为一个固定目录（如raw/assets/）
  • Obsidian 的图谱视图（Graph View，以节点和连线的方式可视化所有笔记之间的链接关系）是查看 wiki 全貌的最佳方式——什么和什么连接在一起，哪些页面是枢纽，哪些是孤儿。
  • Marp是一种基于 Markdown 的幻灯片格式。Obsidian 有它的插件。用于直接从 wiki 内容生成演示文稿-
  • Dataview是一个 Obsidian 插件，可以对页面的 frontmatter（YAML 格式的元数据头，写在 Markdown 文件最顶部，用于存储标签、日期等结构化信息）运行查询。如果你的 LLM 在 wiki 页面中添加了 YAML frontmatter，Dataview 可以生成动态表格和列表
  • github

5.6 llm_wiki软件

LLM Wiki 是一个跨平台桌面应用，能将你的文档自动转化为有组织、相互关联的知识库。与传统 RAG（每次查询都从头检索和回答）不同，LLM 会从你的资料中增量构建并维护一个持久化的 Wiki。知识只编译一次并持续更新，而非每次查询都重新推导。

本项目基于 Karpathy 的 LLM Wiki 方法论 —— 一套使用 LLM 构建个人知识库的方法论。我们将其核心理念实现为一个完整的桌面应用，并做了大量增强。

llm_wiki_arch

是从命令行转移到了桌面应用,类似Obsidian+Claude Code的集成

  • 三栏布局：知识树 / 文件树（左）+ 聊天（中）+ 预览（右）
  • 图标侧边栏 —— 在 Wiki、资料源、搜索、图谱、Lint、审核、深度研究、设置之间快速切换
  • 自定义可调面板 —— 左右面板支持拖拽调整大小，带最小/最大约束
  • 活动面板 —— 实时处理状态，逐文件显示摄入进度
  • 全状态持久化 —— 对话、设置、审核项、项目配置在重启后保持
  • 场景模板 —— 研究、阅读、个人成长、商业、通用 —— 每个模板预配置 purpose.md 和 schema.md

6. Obsidian-second-brain使用