简介

本视频讲解如何用 CC（指 Claude Code，一个命令行 AI 编程工具）配合 Obsidian 搭建可持续增长的本地知识库。核心是引入「Wiki 思维」——将知识库视为一组可快速编辑、互相链接、不断增长的页面，从而让 AI 不再是简单的检索工具，而是主动帮你理解、整理和关联知识，实现知识的复利增长。

字幕

很多博主在讲如何用 Obsidian 构建知识库，但很少有人讲明白 Wiki 本身是什么，以及如何用这种思维去搭建。Wiki 指的是一组可以快速编辑、互相链接、不断增长的页面，这三个特性使其非常适合构建知识库。

快速编辑意味着你可以随时添加新内容；互相链接让不同的概念不再是孤立的知识点，而是形成网络，通过联想帮助你理解相关概念；不断增长则带来复利效应——每天增加一点内容，内部链接却会指数级增长，长期下来知识库会非常庞大且易于记忆。

视频以 Karpathy 的 lm_wiki.md 原文框架为例，分为六部分： - 核心想法：构建一个持久化 Wiki - 架构：原始资料层、Raw 层、Wiki 层、Schema 层 - 操作流程：导入 → AI 查询 → AI 基建 → 日志记录 - 日志：记录新增内容的 Timeline - 进度跟踪：更新进度的目的 - CLI 工具：如 Cursor、Codex 或 Claude Code

Wiki 不是工具而是一种用法。把 Karpathy 的 Wiki 原文丢给 AI Agent，Agent 就理解了这种思维模式，并以此帮你构建个人知识库。将人生成长、阅读、课程学习等各类资料放入一个文件夹，AI 读完后将其理解为互相关联的文件，下次需要提取信息时，Agent 就能帮你定位。

为什么需要 Wiki 这样可持续增长的知识库？因为普通 AI 每次都要从原始资料重新找答案，知识库没有复利效应，你也不知道自己库里有什么（补充说明：这一说法针对的是单纯的 RAG 检索方案，即仅做向量化+关键词检索，未对知识做结构化处理的情况。实际上，结合元数据过滤、重排序、分层摘要等技术，RAG 也能对知识进行初步理解。但 Wiki 方案的优势在于 AI 主动对知识进行提炼、关联和版本管理，长期使用的知识密度更高），久而久之知识库就变成无人问津的冗余「肿瘤」。

Wiki 解决的核心问题是：每次你与 AI 交流，AI 都会检索你的知识库，产生新的理解，并将这个理解记录下来，整理并更新 Wiki 层。这样你的知识库就不断被使用，越用越活。

Wiki 的三层结构： - Raw 层：放原始资料的地方 - Wiki 层：AI 为原始资料写的笔记，AI 自己维护。例如 50 本书中有很多概念，AI 会把这些概念提取到一个文件夹里，你可以直接复用而无需重新查询 - Schema 层：一组给 AI 的规则，如 Claude MD 或 Codex 的 Agent MD，用来定义如何维护文件、文件间的双向链接等

新资料的处理流程：新资料放进来后，AI 读完全文，提取概念、人物、工具等核心要素放入 Wiki 层；然后检查已有 Wiki 笔记，看是否有相似结论、是否需要修正；最后补充新观点，在相关页面间建立双向链接，更新 Log 记录。

Wiki 长什么样子？有一个 Index（总目录）记录 Wiki 里有什么；Allog 记录知识库网络的改变（版本更新记录）；还有概念、人物、工作流对比，以及 AI 记录的对话问答。这些可以用作你平时的语料库和素材。概念之间用双链互相链接，提取一个文件时，其他相关文件也会被连带拉出。

具体搭建方法只有三步： 1. 在本地建三个文件夹：Raw（放资料）、Wiki（空，AI 维护）、Schema（空，AI 维护） 2. 安装本地 AI Agent（如 Codex 或 Cursor），把 Karpathy 的原文 .md 作为 context 复制进去 3. 告诉 Agent 你想做什么主题，把第一份资料放入 Raw，让 Agent 处理并整理进 Wiki；然后不断放入新资料，Wiki 的网络就会不断变大

举例：读《穷查理宝典》，每次喂一章，AI 提取关键概念（如逆向思维、能力圈、多元思维模型）、关键人物（芒格、巴菲特）。你还可以问 Agent 不理解的地方，Wiki 会把问答记录下来。

每个人的 Wiki 可以不同。比如做内容产出的人，还可以记录工具（如 Claude Code、各种插件）和工作流（视频产出、图文生成工作流）。用得越多、放得越多，Wiki 就越理解作者本人。

面试题

1. Karpathy 提出的 Wiki 思维构建知识库的核心三个特性是什么？它们在知识管理中分别起什么作用？

答案： 快速编辑、互相链接、不断增长。快速编辑让你随时添加新内容；互相链接让知识点形成网络，通过联想帮助理解；不断增长带来复利效应，长期积累后知识库体量和内部关联度都会指数级增长。

2. Wiki 三层结构（Raw、Wiki、Schema）分别对应什么职责？哪个层是由 AI 主动维护的？

答案： Raw 层存放原始资料；Wiki 层存放 AI 根据原始资料提炼的笔记和关键概念，由 AI 主动维护；Schema 层存放给 AI 的规则和配置文件，定义文件的维护方式和结构。

3. 为什么说普通 AI 知识库（纯 RAG 方案）容易出现「冗余肿瘤」问题？

答案： 因为每次 AI 都从原始资料重新检索答案，没有对知识进行结构化提炼和版本管理，也没有在自己检索过程中产生新理解并记录下来。长期下来，用户不知道自己库里有什么、价值在哪，知识库逐渐无人使用，变成死数据。

4. 当一份新资料被放入 Raw 层后，AI 的处理流程是怎样的？

答案： AI 先读完全文，提取概念、人物、工具等核心要素放入 Wiki 层；然后检查已有 Wiki 笔记，看是否有相似结论或需要修正的地方；最后补充新观点，在相关页面间建立双向链接，并更新 Log 版本记录。

5. 如果我想搭建个人 Wiki 知识库，最简化的三步操作是什么？

答案： - 第一步：在本地创建 Raw、Wiki、Schema 三个空文件夹 - 第二步：安装支持上下文的 AI 编程工具（如 Cursor、Codex），将 Karpathy 的 Wiki 规则 .md 文件作为 context 输入 - 第三步：告诉 AI 你的主题，放入第一份资料让其处理；之后持续放入新资料，Wiki 网络就会自动增长