当你的 AI 用完就忘,知识就永远只活在那一轮对话里。痛点:LLM 是个没有长期记忆的天才你在 Claude Code 里花两小时,把一个 Reactstale closure的坑彻底搞明白了。下次开新会话,它不记得了——你又问一遍,又烧一遍 token,又走一遍同样的弯路。你的知识其实散落在各处:~/.claude、~/.codex、~/.gemini,几十个会话、几百个 session,谁也连不起来。笔记软件(Obsidian/Notion)记的笔记是一套,AI agent 脑子里的知识是另一套,两套系统互相不知道对方的存在。想用 RAG 补救?每次查询都要重新检索、重新喂给 LLM,成本和噪音随知识增长线性上升,而且检索出来的往往是看起来相关的碎片,而不是经过你消化的结论。核心矛盾一句话:LLM 是个没有长期记忆的天才。你每次都得把上下文重新教给它。obsidian-wiki 是什么GitHub | 2.1k Stars | MIT | Python | 2026-04-06 创建,昨天还在更新一句话——一个让你和 AI agent 共同养护的数字大脑。你搞懂的东西,它记下来;连上你已经知道的;你问,它答。思路来自 Andrej Karpathy 的LLM Wikigist:把知识一次性编译成互联的 markdown 文件并保持更新,而不是反复问 LLM 同样的问题、或每次都跑 RAG。Obsidian 是你看这颗大脑的窗口,你的 AI agent 是你养护它的手。上手:三行命令pipinstallobsidian-wiki obsidian-wiki setup--vault/path/to/your/digital/brain# 然后在任意项目里对 agent 说一句:set up my wikisetup把配置写进~/.obsidian-wiki/config,并把全部 wiki skill 装进你所有的 agent(Claude Code / Cursor / Codex / Gemini / Pi……)。skill 是软链到已安装包的——所以pip install -U升级一处,处处更新,重跑一次setup即可。不喜欢 pip?还有两条路:npx skillsaddAr9av/obsidian-wiki# Skills CLIgitclone https://github.com/Ar9av/obsidian-wiki.gitbashsetup.sh# 原始方式工作原理:每次喂料,跑四个阶段1. Ingest(摄入)——agent 直接读源材料。markdown、PDF(可指定页码)、JSONL 对话导出、纯文本日志、聊天记录、会议转写、图片(截图/白板/示意图,需视觉模型)。没有预处理步骤,没有 pipeline 要跑。agent 读文件,就像它读代码一样自然。2. Pull Information(提取)——从原始材料里拉出概念、实体、主张、关系和开放问题。一段 debug React hook 的对话 → 一个stale closure模式页;一篇论文 → 核心思想 它的 caveat;一份工作日志 → 决策 决策的理由。噪音丢掉,信号留下。3. Merge(合并)——新知识跟现有 wiki 合并。概念页已存在就更新(合并信息、标注矛盾、加强交叉引用);全新的就建页。绝不重复。来源记在 frontmatter 里,每个 claim 都可追溯。4. Schema(模式)——wiki 的结构不是预先固定的,它从你的源材料涌现、随你添加而演进。agent 维持整体连贯:分类一致、[[wikilink]]指向真实页面、index 反映实际情况。在 Karpathy 的模式之上,它加了什么Karpathy 的 gist 是个想法,obsidian-wiki 是个能落地的框架。关键增量:能力做了什么增量追踪.manifest.json记录每个已摄入的源文件。下次回来,只算 delta、只处理新增或变更——不会每次重新摄入整个文档库多 agent 摄入一键挖 Claude / Codex / Hermes / OpenClaw / Pi 的历史,加上 ChatGPT 导出、Slack 日志、会议转写跨 agent 定向搜索在 Claude Code 里打/wiki-codex rust ownership,它去翻你 Codex 的历史、提炼相关对话、回你一个合成答案。主题优先,不是会话优先来源追踪每条 claim 标记extracted(默认)/^[inferred](LLM 综合)/^[ambiguous](源相互矛盾)。你能分清大脑真知道的 vs 它猜的自动交叉链接摄入后扫描全库的未链接提及,用[[wikilink]]织进知识图谱,消灭孤儿页审计 Lint找孤儿页、断链、过时内容、矛盾、缺 frontmatter,给一个已摄入 vs 待处理的看板分层检索/wiki-query先读标题/标签/页摘要,cheap pass 答不了才打开正文。vault 从 20 页长到 2000 页,查询成本基本持平图谱导出wikilink 图导出成graph.json/.graphml(Gephi)/ Neo4jcypher/ 自带可视化的单文件 HTML多模态截图、白板照片、幻灯片当文本一样摄入,可见文字逐字转写,解读内容标为 inferred归档重建wiki 偏离源材料太远时,带时间戳快照归档,从零重建,或恢复任意历史版本还有可选的QMD 语义搜索:vault 长大后,接入 QMD 做概念级匹配(lexvec),而不是死板的精确字符串。不接也完全可用,自动回退到 Grep/Glob。Agent 全家桶:写一次,处处能用obsidian-wiki 的杀手锏之一是生态覆盖。基本所有能读文件的 AI coding agent 都支持:Agent启动文件斜杠命令Claude CodeCLAUDE.md✅/wiki-ingest/wiki-queryCursor.cursor/rules/*.mdc✅Codex (OpenAI)AGENTS.md$wiki-ingest(Codex 用$)Gemini CLIGEMINI.md✅Windsurf.windsurf/rules/✅ via CascadePiAGENTS.md✅Kiro / Aider / Copilot / Trae / Factory Droid / OpenClaw / Hermes / Kilocode / Google AntigravityAGENTS.md系列✅原理很干净:每个 agent 有自己的 skill 发现约定,setup.sh把同一份.skills/软链到每个 agent 期望的路径。你写一次 skill,每个 agent 都能用。实战:5 分钟,把过去的经验变成可查询的大脑场景:把你过去几个月 Claude Code 里的实战经验,沉淀成一个能随时问的大脑。Step 1 安装pipinstallobsidian-wiki obsidian-wiki setup--vault~/my-digital-brainsetup会问你要不要把 vault 同步到 GitHub——建议配私有仓库,白拿版本历史 备份 多设备同步,顺带给你一个wiki-sync一键脚本(可选每小时 cron)。Step 2 初始化在任意项目里对 agent 说一句:set up my wikiagent 跑/wiki-setup,初始化 vault 结构。Step 3 喂料——挖历史/wiki-history-ingest claudeagent 扫描你~/.claude里的全部对话和记忆,提炼成互联的 wiki 页。同样的命令换成codex/pi/hermes/openclaw,挖对应 agent 的历史。喂任意文件也行:/wiki-ingest ./notes/rust-ownership.md把这份 PDF 的第 3–8 页吸收进 wikiStep 4 问/wiki-query 我之前关于 rate limiting 都踩过什么坑?agent 先读标题/标签/摘要,cheap pass 不够才打开正文,回你一个带引用的合成答案——很可能你两个月前在另一个项目里已经解决过同样的问题,答案就在大脑里等着你。从任意项目读写这颗大脑大脑应该在你跨代码库工作时持续成长,而不是只有你打开 obsidian-wiki 仓库时。所以setup全局装了两个 skill:wiki-update和wiki-query。cd~/projects/my-cool-appclaude/wiki-update# 把这个项目里值得记的东西写进大脑(架构决策、发现的模式、权衡)/wiki-query whatdoI know about rate limiting?# 反向查大脑里已有的东西/wiki-update只记你三个月后会忘的东西——跳过代码和文件清单,存架构决策、踩过的坑、关键概念、做过的权衡。再跑一次,它基于git log算 delta,只处理变更过的部分。/wiki-query走反向:你正干活,想知道大脑在这件事上已经有什么。它搜库、读相关页、给合成答案 引用。两个 skill 都遵循同一个 Karpathy 模式:概念页已存在就合并进它,一切用[[wikilink]]交叉链接,全部记进.manifest.json。一句话总结obsidian-wiki 解决的不是怎么记笔记,而是“怎么让 AI agent 拥有你专属的、会成长的、你完全拥有的长期记忆”。知识编译一次,反复复用——而不是反复教同一个天才同一个道理。vault 是纯 markdown,长在你自己的机器和 GitHub 上,不依赖任何第三方服务。Karpathy 给了想法,这个项目把它做成了人人能跑的框架。两个月长出 2.1k Stars,不是没有原因。参考链接GitHub: Ar9av/obsidian-wikiSkills 浏览: skills.sh/ar9av/obsidian-wikiKarpathy 的 LLM Wiki gist(思路源头)推荐搭配 kepano/obsidian-skills,让 agent 掌握正确的 Obsidian 语法(wikilink / callout / properties)关注「阿東的AI飞轮」,获取更多 AI 工程与开发效率前沿。标签:#obsidian-wiki#数字大脑#LLM-Wiki#AI-Agent#Obsidian#ClaudeCode#知识管理#AgentSkills
