用 Obsidian 搭建本地知识库（附完整版提示词）
01｜传统笔记的卡点
传统笔记最大的问题就在这：只进不出。
文件夹要求你提前判断分类，标签要求你持续手动打标，资料一多，维护成本就非常高。
更麻烦的是，AI 时代信息只会越来越多，旧的笔记系统无法满足「持续整理、长期调用、跨资料提问」这些需求。
02｜为什么现在需要 AI 知识库
03｜AI 能做什么
04｜LLM Wiki，到底是个啥
具体长这样：
代码块
Plain Text
AI 知识库/
├── raw/ # 原始资料，只新增，不乱改
│ ├── articles/ # 外部文章、博客、教程
│ ├── papers/ # 论文、研究报告
│ └── clips/ # 网页剪藏、摘录
├── wiki/ # AI 编译后的知识条目
│ ├── index.md # 知识库总目录，快速知道库里有什么
│ ├── log.md # 维护日志，记录每次新增和编译
│ ├── concepts/ # 概念页，每个重要概念一个文件
│ ├── entities/ # 实体页：人、组织、产品、项目
│ ├── syntheses/ # 综合页，跨资料整合后的主题梳理
│ └── sources/ # 来源摘要页，每条原始资料一份
├── outputs/ # 问答、报告、健康检查
│ ├── qa/ # 复杂问题的答案存档
│ └── health/ # 健康检查报告
└── AGENTS.md # 写给 AI 的维护规则
💡
三层结构，对应三个角色：
raw/ 像仓库。不负责漂亮，只负责保留原始证据。文章、论文、网页剪藏、AI 对话记录，扔进去就别动它。
wiki/ 像书架。AI 把原始资料整理成能反复阅读、链接和更新的页面。有目录（index.md）、有日志（log.md）、有概念页（concepts/）、有实体页（entities/）、有综合页（syntheses/）、有来源摘要（sources/）。
outputs/ 像工作台。每次提问、研究、健康检查得到的结果都落在这里。问答归 qa/，检查报告归 health/。
AGENTS.md（Codex）或 CLAUDE.md（Claude Code）像说明书。告诉 AI 以后维护这个库要遵守什么规矩：raw/ 不能改、每个判断要指向来源、每次整理完要更新 index 和 log、不确定的信息要标「待核验」。
Obsidian 在这里不是 AI 本体，而是知识库 IDE。你用它来看 raw、浏览 wiki、检索、查看链接关系。AI 负责维护文件，你负责阅读、判断方向和投喂新资料。
AI 把资料持续整理进一套可读、可链接、可追溯的 wiki。这个动作叫「编译」。
05｜它和传统笔记、RAG 有什么区别
传统笔记是你自己维护，AI 偶尔来读一下。
•
RAG 是这样工作的：你提问时，系统先去你的资料堆里搜相关内容，把搜到的片段和你的问题一起塞给 AI，AI 再生成答案。它像一个给 AI 接的搜索引擎。
RAG 有用，但它更偏技术方案，通常会牵扯检索算法、文本切块、向量数据库、权限控制这些东西。
•
LLM Wiki 更适合个人起步：文件就是 Markdown，人能读，AI 能改，能备份，能追溯。
💡
对个人知识库来说，第一步就上 RAG，相当于还没学会走路先研究跑步力学。RAG 不是没用，只是顺序问题——先把知识库跑通，资料规模上去了、搜索确实不够用了，再考虑更强的检索方案。
06｜先让 AI 把架子搭起来
第一步：新建一个笔记仓库。不要直接动你的主笔记库，单独建一个文件夹，在里面跑通整个流程，确认顺手了再迁移。
第二步：把下面这段提示词复制给 Codex 或 Claude Code：
代码块
Plain Text
请帮我初始化一个个人 AI 知识库。
目标：
我想用 LLM Wiki 的思路搭一个普通人能用的 Markdown 知识库。这个库不做企业级 RAG，不上复杂数据库，先用文件夹和 Markdown 跑通最小闭环。
请你完成这些事：
1. 创建下面的目录结构：
- raw/articles/
- raw/papers/
- raw/clips/
- wiki/concepts/
- wiki/entities/
- wiki/syntheses/
- wiki/sources/
- outputs/qa/
- outputs/health/
2. 创建 wiki/index.md，用来说明这个知识库当前有哪些主题、资料和入口。
AI 跑完之后，你的知识库架子就搭好了。打开 Obsidian，把这个文件夹作为新仓库打开，你能看到完整的目录结构、index、log 和维护规则。
07｜第一次放资料进去
先收集 5 到 10 篇同主题的内容。网页剪藏、公众号文章、PDF、视频转写、AI 对话记录，扔进 raw/ 对应目录就行。然后，把下面这段提示词复制给 AI：
代码块
Plain Text
请读取 raw/ 里的新增资料，把它们编译进 wiki/。
💡
第一次编译不要追求完美，AI 生成的摘要可能漏了重点，概念归类可能不对，链接可能不全，没关系，先跑通，后面可以逐步修。编译完之后回到 Obsidian，花 10 分钟翻一遍：来源摘要页有没有保留原文链接？概念页的逻辑通不通？index 有没有把所有新资料列进去？你不需要自己动手改，把问题记下来，下一轮让 AI 修。
08｜让知识库像结网一样慢慢生长
第一次编译跑通之后，知识库算是有了骨架。日常只需要做四件事：
投喂。 看到好文章、做完项目复盘、跟 AI 聊出有价值的结论，扔进 raw/，然后让 AI 编译：
代码块
Plain Text
请读取 raw/ 里新增的资料，把它们编译进 wiki/。
你要做这些事：
1. 为每篇新资料生成来源摘要页，保留 source_url。
2. 提取重要概念，更新或新建 wiki/concepts/ 里的概念页。
3. 更新 wiki/index.md 和 wiki/log.md。
4. 不要删除 raw/ 里的原始资料。
提问。 遇到问题，先问你的知识库，而不是从零开始搜互联网：
代码块
Plain Text
请先读取 wiki/index.md 了解当前知识库的全貌，然后根据 wiki/ 里的内容回答我的问题：[你的问题]
回答时请引用 wiki/ 里的具体来源页面。如果知识库里没有相关信息，也请告诉我。
回流。 阶段总结、对比表、研究结论，这些都不应该只留在聊天窗口里。落成文件，放回知识库。有价值的 AI 对话本身也是 raw 输入：
代码块
Plain Text
请把刚才的问答/讨论整理成一篇笔记，保存到 outputs/qa/。
内容包括：问题背景、关键结论、涉及的 wiki 页面链接。
检查。 每周跑一次健康检查：
代码块
Plain Text
请先读取 wiki/index.md 了解当前知识库的全貌，然后做一次健康检查。
重点检查：
1. 哪些页面缺少来源。
2. 哪些概念定义互相冲突。
3. 哪些页面几乎没有链接，像孤岛。
4. 哪些重要概念被多次提到，但还没有独立页面。
5. 哪些页面可能已经过期，需要重新核验。
09｜避坑提醒
别一上来搭 RAG。 先跑通 LLM Wiki，资料规模上去了再考虑。
别只存正文不存来源。 没有来源链接，后面想追溯原始信息就无从下手，AI 编译出来的内容也没法核验真实性。
别把 raw 和 wiki 混在一起。 raw 是原始资料区，wiki 是整理区。混在一起，AI 生成的 wiki 内容就可能污染你的原始资料。
别让 AI 覆盖原始资料。 raw 里的东西只新增、不删除、不覆盖。
别把问答留在聊天记录里。 有价值的答案、对比、结论，存到 outputs/。
别信 AI 编译一次就完事。 编译一定会漏东西。所以要持续让 AI 维护更新，健康检查也别省。
写在最后
每次新增资料，拆解、归类、挂链接都自动完成。每次提问，答案从你已经积累的资料里长出来，而不是从聊天窗口的空白处重新开始。每次投喂新资料，知识网就多一个节点。
用了这套方法之后，你再打开 Obsidian，看到的就不再是一堆文件，而是一张已经有脉络、能回答你问题的知识网。随着知识网越来越大，当你想写点东西、做个判断的时候，可能第一反应不是打开 Google，而是在 Obsidian 里让 AI 从你自己的素材里找答案。