LLM Wiki方法论：构建可持续进化的AI知识库

你是否有过这样的经历：上周问过AI的问题，这周需要重新再问一次？因为上一次对话的答案根本没有留下任何痕迹。这正是传统RAG模式的结构性缺陷——它擅长「回答」，但不擅长「积累」。每一次查询都是无状态的，AI从文档堆中检索片段、拼凑答案，然后什么都没留下。

从RAG到LLM Wiki：思维范式的转变

RAG的工作流程大家都很熟悉：上传文档、提出问题、AI检索相关片段、组合成答案。单次使用效果不错，但它有一个根本性问题——无法跨越时间进行知识沉淀。当你想回答一个涉及多篇文档的综合问题时，AI需要在运行时实时拼凑散落的线索，既低效又容易丢失关键细节。LLM Wiki的思路截然不同：不是等你提问再去找答案，而是提前让AI把知识整理成互相链接的Markdown页面，持续维护、持续更新。知识在文件中沉淀，而不是在对话中蒸发。

素材采集与图片本地化

第一步是使用Obsidian Web Clipper进行素材采集。在浏览器安装该扩展后，打开任意网页文章，点击扩展图标选择「Add to Obsidian」，文章会自动转为Markdown格式保存到本地库中。然而，这里有一个容易被忽视的隐患：默认情况下，剪藏的文章图片仍是远程链接，图床随时可能失效，导致图片变成一堆叉，AI也无法访问这些失效的外链。解决方案很简单：打开Obsidian设置 → 文件与链接 → 附件存储路径，设为当前文件夹下的「attachments」子文件夹；然后设置 → 快捷键，搜索「下载」并绑定「Ctrl+Shift+D」。此后每剪藏一篇文章，顺手按一次快捷键，图片就会自动下载到本地。这个习惯一旦养成，知识库的内容就真正属于你，AI也能完整读取每一张图。

图谱视图：让知识库结构一目了然

Obsidian的Graph View是一张实时生成的关系地图。每个Wiki页面是一个节点，页面之间凡是有双向链接的地方，就会自动连上一条线。打开方式很简单：点击左侧边栏的图谱图标，或直接按Ctrl+G。这张图结合AI有两个关键用途：一是检查孤岛页面——那些悬在图谱边缘、没有任何入链的节点，说明该页面还没有被其他内容引用，可以指令AI去补上交叉链接；二是发现知识空白——一个概念如果被多个页面提及却没有自己的专页，会以灰色幽灵节点的形式出现，这正是知识库里的待完善之处。

进阶工具：Dataview、Marp与Git

Dataview是Obsidian的社区插件，可以把YAML frontmatter当成数据库字段来查询，在页面中动态渲染表格和列表。让AI在创建或更新每个页面时写入结构化的frontmatter（如type、title、date、tags等），然后在任意页面写一段Dataview查询，就能自动拉出按时间排序的素材清单。Marp是基于Markdown的幻灯片标准，装上Marp Slides插件后，文件开头写「marp: true」，每页之间用「---」分隔，写完可以直接预览并导出为PDF、HTML、PPTX格式。可以让AI直接把某个主题的Wiki页面输出为Marp格式初稿，几分钟就能出一份像样的演示文稿。Git则是必选项——AI可能一次改动十几个文件，一旦出错没有版本历史就很难回溯。把Auto commit-and-sync interval调成10分钟，提交记录就是一张安全网，AI能力越强，这张网就越重要。

如有侵权，请联系删除。