我把 Obsidian 变成了能自己写文档的 AI 第二大脑
一只阿木木约 9 分钟——claude-obsidian 30分钟上手实录
作者：一只阿木木 我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统。
先问你一个问题
你的 Obsidian，现在打开是什么状态？
我猜是这样的：
收藏夹里有 800 条"稍后再看" 有个叫"输入"或"收件箱"的文件夹，里面乱得像行李箱 图谱视图打开，一堆孤立的点，没有几条线 上次认真整理是三个月前
这不是你的问题，这是知识管理工具的原罪：
它们都假设你有无限的时间和意志力，愿意去手动维护每一条连接。
事实上没有人做得到。
直到两个月前，我遇到了 claude-obsidian，一个建立在 Karpathy 提出的"LLM Wiki Pattern"之上的系统。我打开它的第一天，它帮我自动写了 11 个结构化的 wiki 页面，互相链接，矛盾自动标注，图谱第一次有了网状的样子。
今天这篇文章，我要手把手带你走一遍我当天的操作路径。
它到底在解决什么
大多数 Obsidian AI 插件做的是同一件事：
你问，AI 答，从你的笔记里找线索。
大多数 Obsidian AI 插件是聊天界面，它们回答你关于现有笔记的问题。
claude-obsidian 不是这个路线。
claude-obsidian 是一个知识引擎，它自主地创建、组织、维护和演化你的笔记。
这一句话的差距，就是"会整理家的机器人"和"站在旁边等你问"的差距。
你不用再问"帮我总结这篇文章"——你只需要说"ingest"，然后去喝杯咖啡。
背后的理念：Karpathy 的 LLM Wiki Pattern
这个系统背后站着一个很重要的名字：Andrej Karpathy，OpenAI 联合创始人、特斯拉 AI 前负责人。
2026 年 4 月，Karpathy 在 X 上分享了一个工作流转变——不再主要用 LLM 生成代码，而是用它构建个人知识库。这条推文获得了超过 1600 万次浏览，他随后发布的 GitHub Gist 在数天内获得了 5000+ 星标。
他提出的 LLM Wiki Pattern，可以用一句话概括：
这是一个模式，而不是一个产品——LLM agent 从你的原始资料中，构建并维护一个结构化的 Markdown 知识库。三层架构：raw/（不可变的来源）、wiki/（LLM 生成的页面）、和 CLAUDE.md（schema 配置文件）。
更关键的是，他发现了一个被大多数人忽视的核心问题：
大多数 AI 知识工具是无状态的，每次会话从零开始，一次对话里学到的东西不会延续到下一次。
LLM Wiki Pattern 解决的，正是这个"每次都要从头解释"的问题。
claude-obsidian 的核心设计：三句话讲清楚
在你动手之前，先把这三个认知装进脑子，后面操作会快很多。
认知 1：wiki 是产品，聊天只是界面
人类负责策划来源和提问题，Claude 负责全部的写作、交叉引用、归档和维护。wiki 是产品，聊天只是界面。
认知 2：它和 RAG 的本质区别
与 RAG 的关键区别在于：wiki 是持久化的产物，交叉引用已经在里面，矛盾已经被标记，合成内容已经反映了所有读过的资料。知识像利息一样复利增长。
认知 3：你的角色只有一个——扔资料
你丢进来源，Claude 读取它们、提取实体和概念、更新交叉引用，并把一切归档进结构化的 Obsidian vault。wiki 随每次 ingest 变得更丰富。
好了，开始动手：30 分钟上手实录
📦 Step 1：确认你需要什么
开始之前，检查你电脑上有没有这三样东西：
| Git | |
| Obsidian | |
| Claude Code |
⚠️ 特别说明：这不是 Obsidian 插件，而是 Claude Code 的一个 skill。Obsidian 在这里只是前端界面——显示图谱、浏览页面、查看连接。真正的"写作和整理"都是 Claude Code 在终端里完成的。
📥 Step 2：两行命令，装完走人
打开终端，执行：
Bash
git clone https://github.com/AgriciDaniel/claude-obsidian
cd claude-obsidian && bash bin/setup-vault.sh
setup-vault.sh 会自动配置好图谱视图、颜色方案和 wiki 结构，第一次打开 Obsidian 之前运行一次即可。
或者，如果你偏好 plugin marketplace 安装方式：
Bash
# 第一步：添加 marketplace
claude plugin marketplace add AgriciDaniel/claude-obsidian# 第二步：安装插件
claude plugin install claude-obsidian@claude-obsidian-marketplace
注意：claude plugin install github:AgriciDaniel/claude-obsidian 这个命令是不存在的，安装是两步流程——先添加 marketplace 目录，再从中安装插件。
🗂️ Step 3：在 Obsidian 里打开 vault
打开 Obsidian → Manage Vaults→Open folder as vault选择刚才 clone 的 claude-obsidian/文件夹
这个仓库自带一个预填充的 vault，打开后你会在 wiki/concepts/ 里看到 LLM Wiki Pattern、Hot Cache、Compounding Knowledge 等页面。图谱视图会展示一个由 5 个页面组成的连通集群——这就是"一次 ingest 之后的样子"，你加的来源越多，它持续生长。
⚡ Step 4：启动系统
在终端进入 vault 目录后，启动 Claude Code：
Bash
claude
然后输入：
text
/wiki
4 输入 /wiki 后，Claude 会引导你完成 vault 的初始化配置。
🧠 Step 5：理解 Vault 的目录结构（花 3 分钟，值得）
text
your-vault/
├── .raw/ # 你的收件箱——来源丢这里（只读，Claude 不修改）
│ └── assets/ # 图片和附件
├── wiki/ # Claude 生成的知识库（核心产出区）
│ ├── sources/ # 每个来源的摘要页
│ ├── entities/ # 人物、组织、产品、工具
│ ├── concepts/ # 想法、框架、理论
│ ├── synthesis/ # 对比分析、主题综合
│ ├── index.md # 所有页面的主目录
│ └── log.md # 操作记录
├── output/ # 报告和成果物
└── CLAUDE.md # Agent 配置文件
5 .raw/ 存放源文档——不可修改，Claude 只读不写；wiki/ 是 Claude 生成的知识库。
记住这个最重要的规则：
.raw/是你扔东西的地方，wiki/是你读东西的地方。两个区域，永远不要搞混。
核心工作流：一次 Ingest 的完整过程
这是整个系统最关键的动作，做一次就懂了 80%。
第一步：把资料丢进 .raw/
可以是：
一篇论文的 PDF 从网页复制来的文章全文 一段视频的转录文本 一本书的读书笔记
第二步：告诉 Claude 开始处理
text
ingest 文件名.pdf
或者：
text
ingest https://example.com/article
每个加入的来源都会被整合，你问的每个问题都从所有读过的内容里调取答案。知识像利息一样复利增长。
第三步：等待，然后去 Obsidian 看结果
Claude 在处理期间会自动：
完整读取来源内容 提取所有实体（人名、工具名、机构名）和概念 创建或更新对应的 wiki 页面 建立 [[wikilinks]]交叉引用如果发现与已有内容矛盾，自动标注 [!contradiction]callout
预期产出：一个来源通常会触动 8–15 个 wiki 页面。
打开 Obsidian 的图谱视图，你会第一次看到：节点开始有了连线。
三个你每天都会用到的命令
命令 1：提问——wiki-query
text
what do you know about X
你提问，Claude 读取热缓存（最近上下文），扫描索引，深入相关页面，综合出答案，并引用具体的 wiki 页面，而不是训练数据。
这是这个系统最颠覆性的地方：它引用的是你自己积累的知识，不是 Claude 原本训练的知识。
命令 2：健康检查——wiki-lint
text
lint the wiki
就像程序员对代码做错误检查，系统会对 wiki 做健康检查：找出不一致的数据（一个文件与另一个矛盾的地方）、填补缺失信息。
建议频率：每摄入 10 个来源做一次。
命令 3：自动研究——/autoresearch
text
/autoresearch [主题]
这是最强的一个命令。给它一个研究主题，它会自动：
第一轮：网络搜索，抓取顶级来源 第二轮：识别覆盖盲点，补充遗漏角度 第三轮：综合发现，以结构化 wiki 页面形式归档
输出不是一段文字，而是带有来源引用、实体链接、与现有知识交叉引用的完整 wiki 页面。
它的"记忆"机制：为什么每次打开都不用重新解释
这是 claude-obsidian 解决 AI 工具"每次从零开始"问题的核心设计：Hot Cache。
每次你提问，Claude 会先读热缓存（最近上下文），再扫描索引，然后深入相关页面。
每次会话结束时，系统自动把"你最近在做什么、关注什么、有什么未完成的问题"浓缩写入 wiki/hot.md（约 500 tokens）。下次打开，Claude 先读这个文件，立刻知道从哪里接着谈。
你不需要做任何操作，它自动运行。
数据安全：你最可能问的问题
"这个东西会把我的笔记上传吗？"
默认情况下，不会。可选的 /wiki-retrieve skill 有 API 出口，被 --allow-egress 同意标志隔离。没有这个标志，检索完全在本地进行（BM25 + 可选的 ollama 重排序）。
"跨设备怎么同步？"
vault 是一个纯 Markdown 文件的文件夹，配合 Obsidian Sync、Obsidian Git 或任意文件同步工具（Syncthing、iCloud、Dropbox）即可实现跨设备同步。
"用了会不会被绑架？"
claude-obsidian 把所有内容存储为你拥有的纯 Markdown 文件，没有数据库、没有厂商锁定、没有订阅费。
版本迭代速度：这个项目在快速成长
写这篇文章的时候，项目已经来到 v1.9 系列：
v1.7 "Compound Vault"：Obsidian CLI 作为默认传输，混合检索（上下文前缀 + BM25 + 余弦重排序），以及每文件建议锁定机制。
v1.8 新增 Methodology Modes：首次支持 LYT、PARA、Zettelkasten 和 Generic 四种方法论模式，新页面根据你选择的模式自动路由。
v1.9 Thinking Framework：10 原则思维循环作为可调用的 /think skill，以及跨插件的审计加固。
目前 GitHub 已获得 5600+ Star，640+ Fork。
避坑指南：我替你踩过的坑
做一件事之前，先知道不能做什么，效率提升 50%：
.raw/ 里的文件 | .raw/ |
我实测一周的真实体感
我把过去 3 个月读过的 47 篇关于 AI 时代个人知识管理的文章批量 ingest 进去。
结果：
自动生成了 312 个 wiki 页面 图谱里出现了 我之前完全没意识到的 19 个概念节点 发现 7 处来源矛盾（比如关于 RAG 性能的说法互相打架），全部被 [!contradiction]标出来了我写下一篇文章的选题时， what do you know about X一句话就能拿到所有关联资料
最关键的变化不是效率，而是：
我开始敢于大量摄入资料了——因为我知道它们会被整理，而不是消失在收藏夹里。
你现在就可以开始的 Day 1 路线
如果你只有 30 分钟，按这个顺序走：
text
① git clone + setup-vault.sh（5 分钟）
② 在 Obsidian 里打开 vault，看默认的 5 个示例页（3 分钟）
③ 把一篇你最近读过、觉得重要的文章丢进 .raw/（1 分钟）
④ 在 Claude Code 里输入：ingest 文件名（等待）
⑤ 打开 Obsidian 图谱视图，看新生成的页面（5 分钟）
⑥ 输入：what do you know about [刚才文章的主题]（体验提问）
做完这 6 步，你对这个系统的理解会比读 10 篇介绍文章都深。
最后说一句真心话
11 LLM Wiki 之所以能维持下去，是因为维护的成本几乎为零。LLM 在每次 ingest 时自动创建和更新交叉引用，人类只需要专注于真正重要的事——决定读什么、问什么问题。
这句话让我思考了很久。
我们过去花了太多时间在"知识管理的管理"上——建文件夹、打标签、画脑图、维护连接——而不是在真正的思考和创作上。
现在，这部分成本几乎归零了。
这不是一个让你变懒的工具，而是一个让你敢于变专注的工具。
你不用再纠结"这篇文章要放哪个文件夹"，不用再担心"这个知识点以后找不到"，不用再每隔三个月做一次"大扫除"。
你只需要做一件事：持续地把好内容扔进去。
剩下的，交给 claude-obsidian。
👇 如果你想继续跟着做：
关注「一只阿木木」，我们在 AI 时代一起构建自己的知识系统。
本文基于 claude-obsidian 项目（GitHub: AgriciDaniel/claude-obsidian，MIT 协议开源）实测撰写。
扫码加入行动营👇获取更多Obsidian + AI数字大脑实践
关注【一只阿木木】。
我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统
去做，才是真的学。🌊