一種新的 LLM Wiki 方法論：讓 AI 幫你建一個能活下去的知識庫
整理版優先睇
用 Obsidian 同 AI 打造一個會自己長大嘅知識庫：LLM Wiki 方法論
呢篇文章嘅作者本來用緊傳統 RAG 做知識問答，但發現每次問完之後，AI 都冇留低任何記憶，下次同一個問題又要重新解釋。佢覺得呢個係 RAG 嘅結構性問題——擅長回答，唔擅長積累。於是佢提出一個新玩法：將 AI 變成你嘅 Wiki 編輯，而唔係臨時顧問。
具體做法係用 Obsidian Web Clipper 剪下網頁內容，然後設定圖片本地化確保唔會失效，再用 Git 做版本控制，配合 Dataview、Marp 呢啲插件，令知識庫可以持續更新同查詢。作者強調，呢套方法嘅核心係將維護工作交俾 AI，人類只需決定睇咩、問咩、記低咩，AI 負責整理、歸檔、串聯。
整體結論係：只要用啱工具同流程，個人知識庫可以由「隨規模增長而崩潰」變成「近乎固定嘅維護成本」，長期運轉唔係問題。
- LLM Wiki 模式將 AI 變成持續編輯者，而非一次性搜尋引擎，解決咗 RAG 唔積累知識嘅問題。
- 用 Obsidian Web Clipper 採集內容，配合圖片本地化（Ctrl+Shift+D）確保圖片唔會失效，係最基礎嘅第一步。
- Git 版本控制係必選項，因為 AI 可以一次改動十幾個文件，冇版本歷史好難回溯。
- 圖譜視圖可以幫你發現孤島頁面同知識空白，用 Dataview 動態查詢元數據，大幅減少人工整理。
- Marp 插件可以將 Wiki 內容直接轉成幻燈片，幾分鐘就出一份像樣嘅演示文稿。
RAG 嘅天花板：問完即忘，知識無得積累
你有冇試過：同一個問題，上週問過 AI，呢週又要重新問，因為上次嘅回答完全冇留低任何痕跡？呢個就係 RAG 模式嘅天花板——佢擅長「回答」，但唔擅長「積累」。每一次對話都係一次性，AI 從文檔堆裏撈出片段、拼出答案，然後乜都冇留低。
用 RAG 處理知識嘅流程大家都熟悉：將文件上傳，提問，AI 檢索片段，組合成答案。單次使用冇問題，但佢有一個 結構性缺陷——每次查詢都係無狀態嘅。跨文檔嘅綜合性問題尤其食虧，例如問一個涉及五篇論文嘅問題，AI 要喺運行時將散落各處嘅線索實時拼湊，又慢又容易丟失細節。
工具鏈第一步：採集與本地化
第一步係喺瀏覽器安裝 Obsidian Web Clipper 擴展。打開任意網頁文章，點擊擴展圖標，選擇 Add to Obsidian，保存後文章自動轉為 Markdown 出現喺 Obsidian 裏。
- 1 打開設置 → 文件與連結 → 附件存儲路徑 → 設為當前文件夾下嘅 attachments 子文件夾
- 2 設置 → 快捷鍵 → 搜索「下載」→ 綁定快捷鍵 Ctrl+Shift+D
Web Clipper 剪落嚟嘅文章，圖片默認仲係遠程連結。呢個有兩個隱患：一係圖牀隨時可能失效，文章圖片變成一堆叉；二係 AI 無法訪問失效嘅外鏈，呢啲圖片對佢嚟講等於唔存在。解決辦法只需要配置一次：統一附件存儲路徑，然後綁定下載快捷鍵。之後每剪一篇文章，順手按一次 Ctrl+Shift+D，圖片就落到本地。呢個習慣一旦養成，知識庫裏嘅內容就真正屬於你，AI 都能完整讀取每一張圖。
進階插件：圖譜、Dataview、Marp、Git
Obsidian 嘅 Graph View 係一張實時生成嘅關係地圖。每個 Wiki 頁面係一個節點，頁面之間有雙向連結嘅地方會自動連線。打開方式：點擊左側邊欄嘅圖譜圖標，或者直接按 Ctrl+G。
- 檢查孤島頁面：冇任何入鏈嘅節點懸喺圖譜邊緣，呢個頁面仲未被其他內容引用，可以叫 AI 補上交叉連結。
- 找到應該但未建立嘅頁面：一個概念如果被多個頁面提及卻冇自己嘅專頁，會以灰色幽靈節點出現——呢個就係知識庫嘅空白，值得叫 AI 補上。
Dataview 係 Obsidian 嘅社區插件，核心能力係將 YAML frontmatter 當成數據庫字段查詢，喺頁面裏動態渲染表格同列表。配合 LLM Wiki 嘅方式係：叫 AI 喺創建或更新每個頁面時，順帶寫入結構化嘅 frontmatter，例如 type、title、date、tags。
TABLE title, date, tags
FROM "wiki/sources"
SORT date DESCMarp 係基於 Markdown 嘅幻燈片標準，喺 Obsidian 裝上 Marp Slides 插件就能本地預覽同導出。格式好簡單：文件開頭寫 marp: true，每頁之間用 --- 分隔。實際場景：將某個主題嘅 Wiki 頁面餵俾 AI，叫佢直接輸出 Marp 格式初稿，你只需調整細節，幾分鐘就出一份像樣嘅演示文稿。
呢套方法點解可以長期運轉？
知識庫做唔落去，通常唔係因為冇內容，而係因為維護太累：每加一條新知識，就要手動更新所有相關頁面嘅引用，檢查有冇矛盾，補上缺失嘅交叉連結……頁面一多，人就撐唔住。AI 喺呢件事上有結構性優勢：佢唔會因為重複勞動而厭倦，唔會漏掉需要更新嘅頁面，而且可以一次操作同時處理大量文件。
總結嚟講，Obsidian Web Clipper + 圖片本地化 + Git + Claude（或者其他 AI 模型）呢四件套就夠搭出一個真正能用、能長大、能活下去嘅個人知識庫。
你有冇遇過呢種情況：同一個問題，上個禮拜問過AI，呢個禮拜又要再問多次，因為上次嘅回答根本冇留低任何痕跡。
呢個係RAG模式嘅天花板——佢擅長「回答」，但唔擅長「累積」。每一次對話都係一次性，AI從文件堆裏面揾出片段、拼湊出答案，然後乜都冇留低。下次再問，又從頭嚟過。
轉另一種玩法：將AI變成你嘅Wiki編輯，而唔係臨時顧問。
RAG到底衰喺邊度？
用RAG處理知識嘅流程大家都熟：將文件上載入去，提問，AI檢索片段，組合成一個答案。單次使用冇問題，但佢有一個結構性缺陷——每次查詢都係無狀態嘅。
跨文件嘅綜合性問題尤其蝕底。假設你想問一個涉及五篇論文嘅問題，AI需要喺運行時將散落周圍嘅線索即時拼湊起嚟，又慢又容易漏咗細節。
LLM Wiki嘅思路反轉：唔係等你提問先至去揾，而係提早俾AI將知識整理好，寫成一組互相連結嘅Markdown頁面，持續維護，持續更新。知識喺文件裏面沉澱，而唔係喺對話裏面蒸發。
用Obsidian Web Clipper做素材採集
第一步，喺瀏覽器安裝Obsidian Web Clipper擴展。
第二步，打開任意網頁文章，㩒擴展圖標，揀Add to Obsidian。
第三步，保存之後文章會自動轉做Markdown出現喺Obsidian裏面。
圖片唔本地化，遲早係計時炸彈
Web Clipper剪落嚟嘅文章，圖片預設仲係遠端連結。咁有兩個隱憂：第一係圖牀隨時可能失效，文章圖片變成一堆交叉；第二係AI無法存取失效嘅外鏈，呢啲圖片對佢嚟講等於唔存在。
解決方法只需要設定一次。
第一步：統一附件儲存路徑
打開設定 → 文件與連結 → 揾到附件儲存路徑 → 設為當前文件夾下指定嘅子文件夾，子文件夾名稱設為 attachments。
第二步：綁定下載快捷鍵
設定 → 快捷鍵 → 搜尋「下載」 → 綁定快捷鍵Ctrl+Shift+D。
之後每次剪一篇文章，順手㩒一次Ctrl+Shift+D，圖片就會落到本地。呢個習慣一旦養成，知識庫裏面嘅內容就真正屬於你，AI亦都可以完整讀取每一張圖。
圖譜視圖：令知識庫嘅健康狀況一目瞭然
Obsidian嘅Graph View係一張即時生成嘅關係地圖。每個Wiki頁面係一個節點，頁面之間凡係有雙向連結嘅地方，就會自動連上一條線。打開方法：㩒左側邊欄嘅圖譜圖標，或者直接按Ctrl+G。
呢張圖結合AI有兩個具體用途：
1. 檢查孤島頁面：沒有任何入鏈嘅節點懸喺圖譜邊緣，即係話呢個頁面仲未俾其他內容引用，叫AI去補返交叉連結。 2. 揾到應該但仲未建立嘅頁面：一個概念如果俾多個頁面提及但冇自己嘅專頁，佢會喺圖譜裏面以灰色幽靈節點嘅形式出現——呢個正正就係知識庫裏面嘅空白，值得俾AI補上。
Dataview：幫知識庫裝上自動報表
Dataview係Obsidian嘅社羣插件，核心能力係將YAML frontmatter當成數據庫字段嚟查詢，喺頁面裏面動態顯示表格同列表。安裝路徑：設定 → 第三方插件 → 社羣插件市場 → 搜尋「Dataview」 → 安裝並啓用。
同LLM Wiki配合嘅方式係：叫AI喺建立或更新每個頁面嘅時候，順便寫入結構化嘅frontmatter，例如：
type: source
title: "文章標題"
date: 2026-04-05
tags: [AI, knowledge-base]
source_count: 3有咗呢啲元數據，隨便喺邊個頁面寫一段Dataview查詢：
TABLE title, date, tags
FROM "wiki/sources"
SORT date DESC就可以自動拉出按時間排序嘅素材清單。知識庫越大，呢類查詢嘅價值就越高——人手整理費時失事嘅嘢，Dataview幾行代碼就搞掂。
Marp：Wiki內容直接變成可用嘅簡報
Marp係基於Markdown嘅簡報標準，喺Obsidian裏面裝上Marp Slides插件就可以本地預覽同匯出。安裝路徑：設定 → 社羣插件 → 搜尋「Marp Slides」 → 安裝並啓用。
格式好簡單：檔案開頭寫 marp: true，然後每頁之間用 --- 分隔。寫完喺Obsidian裏面直接預覽，匯出支援PDF、HTML、PPTX三種格式。
實際場景：將某個主題嘅Wiki頁面餵俾AI，叫佢直接輸出Marp格式嘅初稿，你只需要調整細節，幾分鐘就可以出一份似樣嘅簡報。
Git：AI改文件，你需要一道保險
安裝路徑：設定 → 第三方插件 → 社羣插件市場 → 搜尋「git」 → 安裝並啓用。
如果Vault仲未有Git倉庫，先初始化：
1. 打開終端機，cd到你嘅Vault目錄，執行 git init初始化倉庫。
2. 喺GitHub上新建一個私有倉庫（知識庫係個人數據，唔好設成公開）。
3. 將本地倉庫推上去：
git branch -M main
git remote add origin https://github.com/你的用戶名/knowledge-bases.git
git add .
git commit -m "init: 初始化知識庫"
git push -u origin main
插件裝好之後，將Auto commit-and-sync interval較成10分鐘，之後唔使再理佢。
點解Git係必選項？因為AI可以一次過改動十幾個文件，一旦出錯，冇版本歷史就好難回溯。提交記錄就係一張安全網，AI嘅能力越強，呢張網就越重要。
qmd：知識庫大咗之後嘅搜尋方案
頁面數量仲少嘅時候，維護一個 index.md 作為目錄就夠用，AI靠佢就可以喺知識庫裏面揾到路。
等到頁面積累到幾百個，檢索速度開始下降，嗰時可以引入qmd——一個純本地運行嘅Markdown全文搜尋引擎。唔使急住而家就裝，等真正覺得慢咗先講。
呢套方法點解可以長期運作？
知識庫做唔落去，通常唔係因為冇內容，而係因為維護太攰：每次加一條新知識，就要手動更新所有相關頁面嘅引用，檢查有冇矛盾，補返缺失嘅交叉連結……頁面一多，人就頂唔順。
AI喺呢件事上有結構性優勢：佢唔會因為重複勞動而覺得厭倦，唔會漏咗需要更新嘅頁面，而且可以喺一次操作裏面同時處理大量文件。將呢部分工作交俾佢，維護成本就由「隨規模增長」變成近乎固定。
你需要做嘅，係決定讀啲乜、諗清楚問啲乜、判斷邊啲值得記錄。整理、歸檔、串聯呢啲事，交俾AI做。
Obsidian Web Clipper + 圖片本地化 + Git + Claude，呢四件套就夠砌出一個真正用得、可以長大、可以生存落去嘅個人知識庫。
——完——
㩒個關注，一齊學習~
你有沒有遇到過這種情況：同一個問題，上週問過 AI，這周又要重新問一遍，因為上次的回答根本沒留下任何痕跡。
這是 RAG 模式的天花板——它擅長"回答"，但不擅長"積累"。每一次對話都是一次性的，AI 從文檔堆裏撈出片段、拼出答案，然後什麼都沒留下。下次再問，重頭再來。
換一種玩法：把 AI 變成你的 Wiki 編輯，而不是臨時顧問。
RAG 到底差在哪裏？
用 RAG 處理知識的流程大家都熟悉：把文件上傳進去，提問，AI 檢索片段，組合成一個答案。單次使用沒問題，但它有一個結構性缺陷——每次查詢都是無狀態的。
跨文檔的綜合性問題尤其吃虧。假設你想問一個涉及五篇論文的問題，AI 需要在運行時把散落各處的線索實時拼湊起來，既慢又容易丟失細節。
LLM Wiki 的思路反過來：不是等你提問再去找，而是提前讓 AI 把知識整理好，寫成一組互相連結的 Markdown 頁面，持續維護，持續更新。知識在文件裏沉澱，而不是在對話裏蒸發。
用 Obsidian Web Clipper 做素材採集
第一步，在瀏覽器安裝 Obsidian Web Clipper 擴展。
第二步，打開任意網頁文章，點擊擴展圖標，選擇 Add to Obsidian。
第三步，保存後文章自動轉為 Markdown 出現在 Obsidian 裏。
圖片不本地化，遲早是定時炸彈
Web Clipper 剪下來的文章，圖片默認還是遠程連結。這有兩個隱患：一是圖牀隨時可能失效，文章圖片變成一堆叉；二是 AI 無法訪問失效的外鏈，這些圖片對它來說等於不存在。
解決辦法只需要配置一次。
第一步：統一附件存儲路徑
打開設置 → 文件與連結 → 找到附件存儲路徑 → 設為當前文件夾下指定的子文件夾，子文件夾名稱設為 attachments。
第二步：綁定下載快捷鍵
設置 → 快捷鍵 → 搜索"下載" → 綁定快捷鍵 Ctrl+Shift+D。
之後每剪一篇文章，順手按一次 Ctrl+Shift+D，圖片就落到本地了。這個習慣一旦養成，知識庫裏的內容就真正屬於你，AI 也能完整讀取每一張圖。
圖譜視圖：讓知識庫的健康狀況一目瞭然
Obsidian 的 Graph View 是一張實時生成的關係地圖。每個 Wiki 頁面是一個節點，頁面之間凡是有雙向連結的地方，就會自動連上一條線。打開方式：點擊左側邊欄的圖譜圖標，或直接按 Ctrl+G。
這張圖結合 AI 有兩個具體用途：
1. 檢查孤島頁面：沒有任何入鏈的節點懸在圖譜邊緣，說明這個頁面還沒有被其他內容引用，讓 AI 去補上交叉連結。 2. 找到應該但還沒有建立的頁面：一個概念如果被多個頁面提及卻沒有自己的專頁，它會在圖譜裏以灰色幽靈節點的形式出現——這正是知識庫裏的空白，值得讓 AI 補上。
Dataview：給知識庫裝上自動報表
Dataview 是 Obsidian 的社區插件，核心能力是把 YAML frontmatter 當成數據庫字段來查詢，在頁面裏動態渲染出表格和列表。安裝路徑：設置 → 第三方插件 → 社區插件市場 → 搜索 "Dataview" → 安裝並啓用。
和 LLM Wiki 配合的方式是：讓 AI 在創建或更新每個頁面時，順帶寫入結構化的 frontmatter，例如：
type: source
title: "文章標題"
date: 2026-04-05
tags: [AI, knowledge-base]
source_count: 3有了這些元數據，隨便在哪個頁面寫一段 Dataview 查詢：
TABLE title, date, tags
FROM "wiki/sources"
SORT date DESC就能自動拉出按時間排序的素材清單。知識庫越大，這類查詢的價值就越高——人工整理費時費力的東西，Dataview 幾行代碼就搞定。
Marp：Wiki 內容直接變成可用的幻燈片
Marp 是基於 Markdown 的幻燈片標準，在 Obsidian 裏裝上 Marp Slides 插件就能本地預覽和導出。安裝路徑：設置 → 社區插件 → 搜索 "Marp Slides" → 安裝並啓用。
格式很簡單：文件開頭寫 marp: true，然後每頁之間用 --- 分隔。寫完在 Obsidian 裏直接預覽，導出支持 PDF、HTML、PPTX 三種格式。
實際場景：把某個主題的 Wiki 頁面餵給 AI，讓它直接輸出 Marp 格式的初稿，你只需要調整細節，幾分鐘就能出一份像樣的演示文稿。
Git：AI 改文件，你需要一道保險
安裝路徑：設置 → 第三方插件 → 社區插件市場 → 搜索 "git" → 安裝並啓用。
如果 Vault 還沒有 Git 倉庫，先初始化：
1. 打開終端，cd 到你的 Vault 目錄，執行 git init初始化倉庫。
2. 在 GitHub 上新建一個私有倉庫（知識庫是個人數據，不要設成公開）。
3. 把本地倉庫推上去：
git branch -M main
git remote add origin https://github.com/你的用戶名/knowledge-bases.git
git add .
git commit -m "init: 初始化知識庫"
git push -u origin main插件裝好後，把 Auto commit-and-sync interval 調成 10 分鐘，之後不用再管它。
為什麼 Git 是必選項？因為 AI 可以一次改動十幾個文件，一旦出錯，沒有版本歷史就很難回溯。提交記錄就是一張安全網，AI 的能力越強，這張網就越重要。
qmd：知識庫大了之後的搜索方案
頁面數量還少的時候，維護一個 index.md 作為目錄就夠用了，AI 靠它就能在知識庫裏找到路。
等到頁面積累到幾百個，檢索速度開始下降，這時候可以引入 qmd——一個純本地運行的 Markdown 全文搜索引擎。不用急着現在就裝，等真正感到慢了再說。
這套方法為什麼能長期運轉？
知識庫做不下去，通常不是因為沒有內容，而是因為維護太累：每加一條新知識，就要手動更新所有相關頁面的引用，檢查有沒有矛盾，補上缺失的交叉連結……頁面一多，人就撐不住了。
AI 在這件事上有結構性優勢：它不會因為重複勞動而厭倦，不會漏掉需要更新的頁面，而且可以在一次操作裏同時處理大量文件。把這部分工作交給它，維護成本就從"隨規模增長"變成了近乎固定。
你需要做的，是決定讀什麼、想清楚問什麼、判斷哪些值得記錄。整理、歸檔、串聯這些事，AI 來。
Obsidian Web Clipper + 圖片本地化 + Git + Claude，這四件套就夠搭出一個真正能用、能長大、能活下去的個人知識庫。
——END——
點點關注，一起學習~