今天凌晨，安德烈·卡帕西（Tesla Autopilot、OpenAI早期核心）分享了他把Obsidian作为前端IDE，结合LLM实现几乎全自动的个人知识库构建与维护，整个流程基于本地Markdown文件（纯文本、可移植、无锁仓）。 以下是翻译原文
LLM 知识库
最近我发现一个非常好用的方法：用 LLM 为各种感兴趣的研究课题搭建个人知识库。因此，我近期的大量 token 消耗已经不再主要用于操作代码，而是更多地用于操作知识（以 Markdown 和图片形式存储）。最新一代 LLM 在这方面表现相当出色。具体如下：
数据摄入： 我先将源文档（文章、论文、代码仓库、数据集、图片等）索引到一个 raw/ 目录中，然后用 LLM 增量式地"编译"出一个 wiki——本质上就是按目录结构组织的一组 .md 文件。这个 wiki 包含 raw/ 中所有数据的摘要、反向链接，并将数据归类为不同概念，为每个概念撰写文章，再将它们全部互相链接。要把网页文章转成 .md 文件，我喜欢用 Obsidian Web Clipper 扩展，同时我还设了一个快捷键，把所有相关图片下载到本地，方便 LLM 直接引用。
IDE： 我用 Obsidian 作为"前端 IDE"，在里面查看原始数据、编译好的 wiki，以及衍生的可视化内容。需要强调的是，wiki 的所有数据都由 LLM 编写和维护，我几乎不直接动手修改。我还试了一些 Obsidian 插件，用不同方式渲染和查看数据（例如用 Marp 做幻灯片）。
问答： 真正有意思的地方在于——当你的 wiki 积累到一定规模（比如我某个研究方向的 wiki 大约有 100 篇文章、40 万字），你就可以针对这个 wiki 向 LLM 智能体提出各种复杂问题，它会自行去查阅、研究并给出答案。我原以为必须用上花哨的 RAG 方案，但 LLM 在自动维护索引文件和所有文档的简要摘要方面做得相当不错，在这个相对小的规模下，它能比较轻松地读取所有重要的相关数据。
输出： 比起在文本/终端里看答案，我更喜欢让 LLM 为我渲染成 Markdown 文件、幻灯片（Marp 格式）或 matplotlib 图表，然后在 Obsidian 里查看。根据不同的查询需求，你可以想象出许多其他可视化输出格式。很多时候，我会把这些输出"归档"回 wiki 中，为后续查询增强知识库。所以我自己的探索和提问总是在知识库中不断"累积沉淀"。
质量检查（Linting）： 我会对 wiki 运行一些 LLM"健康检查"，比如查找数据不一致的地方、通过网络搜索补全缺失数据、发现有趣的关联以作为新文章的候选等，从而逐步清理 wiki 并提升整体数据完整性。LLM 非常擅长建议你进一步探索和研究的问题。
额外工具： 我发现自己在不断开发新的数据处理工具。比如我 vibe code 了一个简单粗暴的 wiki 搜索引擎，我自己会直接用（通过 Web UI），但更常见的做法是通过 CLI 把它作为工具交给 LLM，用于处理更大的查询。
进一步探索： 随着仓库不断增长，自然会想到合成数据生成 + 微调，让 LLM 把这些知识"内化"到模型权重中，而不仅仅依赖上下文窗口。
总结： 从若干来源收集原始数据，由 LLM 编译成 .md wiki，再由 LLM 通过各种 CLI 工具进行问答并增量增强 wiki，所有内容都可在 Obsidian 中查看。你几乎不需要手动编写或编辑 wiki，那是 LLM 的领域。我认为这里有巨大的空间做出一款出色的新产品，而不只是一堆拼凑的脚本。
AI 速览
