Wink Pings

Obsidian 加 LLM Wiki:第二大脑,还是更贵的缓存?

一套让模型自己维护笔记 wiki 的工作流,推文说能省 80% 聊天时间;有人拿 1914 页文档实测,纯 wiki 只拿 0.64 分。

把 Obsidian 笔记库接上 Claude Code,再按 Karpathy 的 LLM Wiki 模式让模型自己维护一个 wiki 层,是这套玩法的核心。Mr. Buzzoni 最近发了一条推文,把 Obsidian、Claude Opus 5.5 和 Karpathy 的 LLM Wiki 拼在一起,说一页就能把 vault 变成持续运转的第二大脑。附带的视频演示了这张图:61 个节点、95 条链接、一个 hub。

先补上下文。Karpathy 在 llm-wiki.md 里写了一个模式:传统 RAG 每次提问都从原始文档里重新检索,知识不累积;LLM Wiki 让模型增量维护一个持久的 markdown wiki,放在你和原始资料之间。新资料进来,模型读它、提取信息、更新实体页和主题摘要、标记新数据与旧结论的冲突。wiki 是复利资产,不是每次查询重新推导。

三层结构:

  • raw sources:原始资料,不可变,模型只读。
  • wiki:模型生成的 markdown 页面,摘要、实体、概念、对比、综述,模型拥有这一层。
  • schema:告诉模型 wiki 怎么组织、工作流是什么,比如 CLAUDE.md 或 AGENTS.md。

操作有三类:ingest、query、lint。ingest 时一个源可能碰到 10 到 15 个 wiki 页面;query 的答案可以归档回 wiki;lint 定期检查矛盾、过时声明、孤儿页面、缺失交叉引用。还有 index.md 和 log.md,一个管内容目录,一个管时间线。Karpathy 的说法是,人负责策展资料、提问、判断意义,模型负责摘要、交叉引用、归档、一致性维护。

Mr. Buzzoni 的推文给了几个数字:新源在三跳内到达 11 个页面;Claude 读这 11 页,跳过 vault 其余部分;前 10% 的节点持有 25% 的链接,少数 hub 完成大部分路由。推文声称这套东西砍掉 80% 的每周聊天时间,只烧掉一小部分限额。还列了工具栈:Obsidian、Karpathy 的 LLM Wiki、claudesidian。claudesidian 是一个 Claude Code + Obsidian 的 starter kit,预置 PARA 目录、thinking mode 和 writing mode、若干 skills,支持 Git 版本控制,可选接 Gemini 做图片分析、接 Firecrawl 抓网页全文。

但评论区不是一边倒。有网友 hallaai 拿 1914 页文档、77 个问题做测试,包括 12 份 FinanceBench 的 10-K/10-Q、投资者 deck、财报和 3 张建筑图。结果:路由加融合检索加 LLM 重排加逐页视觉转录得 0.89;整份文档塞进上下文得 0.88;LLM Wiki 加它引用最多的 5 个源页得 0.79;经典混合文本块 RAG 得 0.72;纯 LLM Wiki 得 0.64。77 个纯 wiki 答案里 30 个丢分,其中 25 个说信息不在 wiki 里。结论是 wiki 更像地图和综合层,不适合当唯一事实源。

另一个网友 hyunsoo36 说,ingest 成本难回本:编译出的 wiki 常缺回答所需细节,agent 还得回去读原始资料,wiki 变成额外一层导航和验证,增加 LLM 调用、工具调用、延迟和 token。gimalay 的用法更克制:数字留在 CSV、JSONL 源文件里,页面只放链接或查询,agent 读值不读摘要;检索也不靠 index.md 选页,而是查 frontmatter 和链接关系,拿到短列表后再去源文件。

这套工作流真正省的是 bookkeeping:更新交叉引用、保持摘要新鲜、标记新旧冲突、维护几十个页面的一致性。人放弃 wiki 通常因为维护负担增长快过价值。模型不厌倦,能一次改 15 个文件,维护成本接近零。代价是编译时丢细节,以及 wiki 可能变成昂贵的缓存。用之前先想清楚:你的 vault 里哪些页面是 hub,模型只读 11 页会漏掉什么,哪些事实必须留在源文件里。

工具链接:

发布时间: 2026-11-19 20:28