我用 WorkBuddy + Obsidian，搭了一个会自己生长的个人知识库

原文链接：https://mp.weixin.qq.com/s/VlcgqGtKt6OpESkvfBG0Zw

作者：叶小钗｜发布时间：2026-06-23

摘要

基于 Karpathy LLM Wiki 理念，使用 WorkBuddy + Obsidian 搭建了一个可自我生长的个人知识库。核心思路不同于传统 RAG（查询时临时拼答案），而是让 LLM 提前将原始资料编译成结构化 Wiki，增量更新实体页、主题页和交叉引用，知识像滚雪球一样越滚越大。文章完整介绍了从架构设计、数据采集、知识编译、查询到自动化治理的端到端实践。

LLM Wiki 核心理念（Karpathy）

传统 RAG 的局限： 上传资料 → 查询时召回片段 → 临时综合回答。每次提问都从碎片重新拼答案，知识没有持续沉淀。

LLM Wiki 的做法： 提前把知识编译成可持续演化的结构化 Wiki——实体页、主题页、交叉引用、矛盾标注、综合结论。一次编译，持续复用。

增量更新： Agent 先判断新知识对应哪些已有实体/概念/主题，再决定更新旧页面还是创建新页面。新旧资料说法不一致时，同时保留来源、时间和适用范围，给出冲突提示。

三层架构

层级	职责	谁负责	特点
Raw 层	存放原始资料（文章、论文、图像、聊天记录等）	人负责采集	不可变，整个体系的事实来源
Wiki 层	结构化知识（摘要、实体页、概念页、交叉引用）	AI 负责更新	由 LLM 维护，持续增量编译
Schema 层	AGENTS.md，定义 Wiki 结构、工作流程和规范	人编写 + 持续维护	整个系统的灵魂

工具链

• WorkBuddy： 承担编译器角色，负责对原始资料加工
• Obsidian： 承担编辑器和 UI 视图，提供双向链接和关系图谱可视化
• Obsidian Web Clipper： 浏览器插件，将网页提取为 Markdown 保存到 Vault
• IMA 知识库： 移动端内容中转站（微信生态特别友好）

目录结构

kb-wiki/
├── AGENTS.md          # Schema 层，指导 AI 的工作原则
├── index.md           # Wiki 索引文件，快速定位内容
├── log.md             # 操作记录（时间、写入内容、新增项）
├── raw/               # 原始资料（不可变）
├── wiki/              # AI 编译后的结构化知识
└── templates/         # 模板文件，与 wiki 目录一一对应

整体工作流程

1. 数据采集

• 电脑端： Obsidian Web Clipper 直接收藏到 raw/
• 移动端（微信）： 先收藏到 IMA 知识库 → WorkBuddy 定时任务自动同步到 raw/
• 其他平台： 借助各平台 CLI + WorkBuddy 自动化任务
• 多模态解析： 文档/图片/视频/音频/PPT/PDF 全部转为文本
• 原则： 宁缺勿滥，只收集高质量内容

2. 知识编译

在 WorkBuddy 中告知：

阅读 raw/ 中新增文件，按 AGENTS.md 规范编译到 wiki/，更新 index.md 和 log.md

WorkBuddy 自动：提炼概念实体 → 创建摘要 → 建立 [[wikilinks]] 双向链接 → 更新索引和日志。

在 Obsidian 关系图谱中可直观看到知识之间的关联网络。

3. 查询知识

直接向 WorkBuddy 提问。流程：先读 index.md 判断相关页面 → 再加载 wiki 中对应知识 → 综合回答。类似目录索引定位章节，大幅提高检索效率。

4. 知识治理

WorkBuddy 定时任务（如每周）自动检查：Wiki 矛盾、孤立页面、断链。防止资料越多越乱。

企业场景局限

维度	LLM Wiki	传统 RAG
数据规模	文档膨胀时 Token 消耗暴增，index.md 可能撑爆上下文	只检索相关片段，成本可控
权限管理	细粒度访问控制不完善	成熟的权限体系
可溯源性	依赖模型重构，存在幻觉风险	可明确指向来源文档的具体段落

结论： LLM Wiki 适合个人知识库、学习研究等低风险场景；企业场景（尤其医疗、法律等严肃领域）需谨慎评估。

实践建议

从小主题开始，跑通采集→编译→查询→治理的完整闭环，再根据实际使用逐步调整，不追求一开始就大而全。