Obsidian+WorkBuddy：从0到1搭建知识库完整教程

​

本文基于Karpathy公开的 LLM Wiki 知识库构建架构与核心方法论，结合Obsidian、WorkBuddy/Codex工具栈，落地一套可自主迭代、增量更新的自生长个人知识大脑系统。​

​

一、LLM Wiki 核心定义与价值​

为实现知识管理的标准化、可控化、可迭代，整套系统采用分层架构设计，三层各司其职、相互协同，可根据个人使用场景自定义优化，标准通用架构如下：​

​

​

​

✍️

•

Raw原始资料层：存储所有未经修改的原始素材，作为知识的唯一事实依据，仅可读、不可编辑改写，保证知识溯源的真实性；​

​

​

✍️

•

Wiki结构化知识层：存储AI整理、提炼、关联后的标准化知识，包含概念、实体、主题、来源摘要等结构化内容，是知识库的核心服务层；​

​

​

✍️

•

Schema规则规范层：定义AI的所有工作标准，涵盖资料归档、页面更新、知识引用、观点冲突处理、日志记录等全流程规则，保障AI运维行为标准化、可管控。​

​

​

简单概括：Raw层留存原始证据、Wiki层沉淀认知体系、Schema层规范运维规则，三层架构协同实现知识的自动化、规范化生长。​

​

​

二、核心工具选型逻辑与能力解析​

2.1 Obsidian选型优势​

本系统选用Obsidian作为核心存储与可视化载体，摒弃Notion、Ima、NotebookLM等工具，核心优势集中在数据自主、适配AI运维、知识关联能力强、生态可扩展四大维度：​

​

✍️

•

完全本地化，数据自主可控：Obsidian的Vault仓库本质是本地文件夹，所有笔记以标准Markdown纯文本格式存储，不依赖平台私有数据库。所有私人资料（会议纪要、私密对话、个人笔记）均留存本地，同步权限、存储路径完全自主，可实现工具无缝迁移、知识永久留存。​

​

​

✍️

•

适配AI Agent自动化运维：标准化的文件目录与文本格式，支持WorkBuddy/Codex直接读取目录、创建页面、修改双链、维护索引、生成版本记录，所有知识变更可精准定位，支持Git版本追溯。​

​

​

✍️

•

天然具备知识关联能力：双链、反向链接、知识图谱功能，可自动串联概念、实体、主题、工具等知识节点，快速识别孤立知识、核心节点与潜在关联，助力体系化知识搭建。​

​

​

✍️

•

插件生态高度可扩展：支持模板配置、数据查询、版本管理、可视化展示、一键发布等各类插件，可根据知识库迭代需求灵活拓展能力。​

​

​

​

​

在整套系统中，Obsidian承担存储底座、人机交互界面、知识可视化窗口三重核心角色，是自生长知识库的基础载体。​

​

​

2.2 WorkBuddy/Codex核心能力​

WorkBuddy与Codex作为系统的AI Agent执行层，可直接读取Obsidian Vault目录与Markdown文件，通过工具调用、指令编排、批量处理，严格遵循Schema规则完成全流程知识运维。​

​

​

​

✍️

核心工作流程如下：​

识别Raw层新增资料的核心概念、实体、主题信息；​

检索比对Wiki层已有知识，判断增量补充或新建页面；​

处理观点冲突，留存多维度信息及溯源依据；​

自动建立知识双链、更新全局索引、追加变更日志；​

日常维护失效链接检测、空缺字段补全、低频内容复盘、精准知识检索。​

​

​

​

整套流程实现人机协作分工：人工负责制定规则、筛选高价值素材、关键知识校验；AI负责重复、高频、标准化的知识整理与运维工作，彻底解放手工整理成本。​

​

三、系统环境准备与标准化目录架构​

3.1 前置环境准备​

安装Obsidian：官网免费下载，新建专属Vault仓库，访问插件市场时建议开启代理，保证插件正常加载；​

​

​

​

​

41%

​

​

​

​

59%

​

​

备选增强工具：安装Obsidian WeSight插件，可大幅简化搭建流程，实现一站式知识大脑部署；​

部署AI Agent工具：安装WorkBuddy或Codex;​

配套工具：安装Obsidian Web Clipper浏览器插件，实现网页文章一键剪藏归档。​

3.2 标准化目录架构​

以下为通用成熟的LLM Wiki目录结构，用户可按需自定义调整：​

​

代码块​

Plain Text

📦 my-wiki/​

├── AGENTS.md # Schema规范层：AI运维核心规则手册​

├── index.md # 全局索引/站点地图：知识统一导航入口​

├── log.md # 变更日志：仅追加记录，留存所有知识迭代记录​

│​

├── raw/ # 原始资料层（只读，禁止修改）​

│ ├── articles/ # 网页剪藏、网络文章​

│ ├── papers/ # 学术论文、行业报告​

│ ├── books/ # 书籍原文、划线笔记、读书心得​

│ ├── chats/ # 高价值AI对话记录​

│ ├── notes/ # 个人灵感、碎片化随笔​

│ └── meetings/ # 会议录音转写、会议纪要​

│​

└── wiki/ # 结构化知识层（AI全权增量维护）​

├── sources/ # 来源摘要页：单份原始资料对应独立摘要页​

​

​

四、三套落地搭建方案​

结合实操经验，整理三套适配不同用户的搭建方案，上手难度从高到低排序，新手优先推荐第三种极简方案。​

方案一：纯自定义提示词搭建法​

4.1 方案特点​

完全基于三层架构模板，通过自定义提示词驱动WorkBuddy/Codex完成全流程搭建，自由度最高，可深度适配个人知识管理需求，但需要用户理解架构逻辑，需持续迭代优化AGENTS.md规则。​

​

​

4.2 实操步骤​

打开WorkBuddy，选中新建的Obsidian Vault目录，进入「日常办公」场景；​

​

​

输入以下初始化提示词，驱动Agent生成完整目录、规则与模板；​

​

​

初始化搭建提示词：​

​

代码块​

Plain Text

你现在是这套个人知识库的搭建与维护 Agent。请在当前 Obsidian Vault 根目录中，搭建一套可长期增量维护的 LLM Wiki。​

​

## 目标​

建立 Raw、Wiki、Schema 三层结构：​

- Raw 层保存原始资料，只允许读取，不修改原文。​

- Wiki 层保存 AI 整理后的结构化知识，由 Agent 增量维护。​

- Schema 层通过根目录下的 `AGENTS.md` 定义归档、更新、引用和冲突处理规则。​

​

## 需要创建的结构​

- `AGENTS.md`：Agent 的长期工作规范​

- `index.md`：全局索引和知识导航入口​

- `log.md`：变更日志，只追加新记录​

- `raw/articles/`：文章和网页剪藏​

- `raw/papers/`：论文和报告​

- `raw/books/`：书籍、划线和读书笔记​

- `raw/chats/`：有价值的 AI 对话​

- `raw/notes/`：灵感与随手记录​

- `raw/meetings/`：会议纪要与转写​

​

初始化完成后，通过Obsidian Web Clipper将测试文章剪藏至raw/articles目录；​

​

​

在WorkBuddy/Codex输入增量更新提示词，驱动AI完成知识结构化沉淀；​

​

​

​

​

45%

​

​

​

​

55%

​

​

知识入库迭代提示词：​

​

代码块​

Plain Text

请读取 `raw/articles/` 中新增的文章，并严格按照 `AGENTS.md` 的规则增量维护 Wiki。​

​

​

执行完成后，AI会自动生成来源摘要、概念、实体、主题等Wiki页面，完善知识双链与索引；​

​

​

可基于沉淀后的Wiki知识库进行精准提问，AI将优先检索结构化知识，溯源原始资料，输出可验证、可追溯的回答。​

​

​

​

​

55%

​

​

​

​

45%

​

​

​

✍️

方案优缺点：自由度极高、规则完全自定义，但需要用户具备一定工程理解能力，需持续优化提示词与规则。​

​

​

方案二：Claude-Obsidian开源插件方案​

4.3.1 方案特点​

基于开源工程化项目claude-obsidian实现，已将LLM Wiki核心能力封装为标准化Agent技能，无需手动编写复杂提示词，支持一键初始化知识库、资料入库、自动索引、智能关联，大幅降低搭建门槛。​

​

​

4.3.2 实操步骤​

在WorkBuddy/Codex中安装claude-obsidian开源项目；​

​

​

​

​

61%

​

​

​

​

39%

​

​

项目自动初始化当前Vault目录，生成标准化LLM Wiki三层架构；​

新增资料后，调用ingest指令完成素材批量入库与Wiki更新；​

​

​

​

​

48%

​

​

​

​

52%

​

​

知识检索时，调用retrieve指令即可精准调取知识库内容，Agent可自动命中结构化Wiki知识完成问答。​

4.3.3 方案优缺点​

​

✍️

无需自定义规则与提示词，工程化程度高，上手难度低于纯自定义方案；但核心操作仍依赖WorkBuddy/Codex指令调用，Obsidian仅承担存储与浏览功能，运维过程可视化程度低，新手仍有一定使用门槛。​

​

​

方案三：WeSight知识大脑方案​

4.4.1 方案特点​

目前最轻量化、最丝滑的落地方案，将知识库初始化、资料入库、Wiki更新、智能检索、对话沉淀全流程整合至Obsidian内部，实现纯可视化操作、零指令编写、零复杂配置。​

4.4.2 实操步骤​

在Obsidian插件市场安装WeSight插件，开启「知识大脑」内测功能；​

​

​

​

​

57%

​

​

​

​

43%

​

​

插件自动完成当前Vault的环境配置、目录初始化、规则部署，无需人工干预；​

支持一键将任意Obsidian笔记、剪藏资料录入知识大脑，自动完成结构化归档与关联；​

​

​

AI对话时选择「基于知识库」模式，系统自动检索Wiki结构化知识、追溯原始Raw资料、匹配知识双链，输出精准可溯源的回答；​

支持一键保存Claude Code、Codex对话记录至知识库，实现对话知识的长效沉淀。​

​

​

4.4.3 方案优缺点​

上手门槛最低、全可视化操作、人机协作闭环完整；唯一限制为当前知识大脑功能处于会员内测阶段，暂未全面开放。​

​

五、总结与落地建议​

LLM Wiki自生长知识库的核心价值，是将传统「手工一次性知识整理」升级为「AI持续迭代的长效知识运维机制」。通过三层架构的标准化分工，让碎片化的文章、笔记、对话、灵感，逐步沉淀为结构化、可追溯、可复用、可进化的个人知识资产。​

​

新手落地建议：无需追求一步到位搭建完美系统，优先完成基础三层目录搭建，录入首批测试素材，验证AI增量更新流程。后续根据使用场景持续优化Schema规则、丰富知识素材，循序渐进迭代个人专属知识大脑。​

​