跳到主要内容

LLM-wiki：让 LLM 为你书写、为你维护的个人 wiki

传统笔记：你写、你维护。随着积累越多，维护越难，最终放弃。 RAG 工具：每次查询从零检索，知识不累积。 LLM-wiki：LLM 写、LLM 维护。你只负责策划、提问与思考。

它和 RAG / ChatGPT 问文档有什么不同？​

维度RAG / NotebookLMLLM-wiki
知识存储只保存原始文档的搜索索引原始文档 + AI 整理好的知识层
查询方式每次从原文检索、临时合成先查 AI 整理好的内容 → 必要时回到原文
知识累积不累积，每次重来持续累积：摘要、主题、概念、关联常驻
矛盾与演进无感知定期健康检查：主动标注矛盾、过时、孤立笔记
探索的产出回答生成后即丢失好回答可以直接保存成新笔记，探索本身变成知识
数据位置通常云端完全本地，就在你的 Obsidian Vault 里

三层架构​

层内容谁写
你的原始资料文章、笔记、剪藏、日记、PDF你负责收集（不被修改）
AI 整理层AI 生成的笔记页：摘要、关键主题、对比分析、目录、日志AI 负责写与维护
约定规则告诉 AI 如何组织知识的说明文档你和 AI 共同演进

核心比喻：你是策划者和思考者，AI 是记录者和整理者。 你负责发现新内容、提问与思考，AI 负责所有的归纳和维护。

三类操作​

Ingest — 把一份新源头沉淀进 wiki​

你把一篇文章、一本书的一章、一段播客笔记加进来，告诉 AI"整理它"。AI 会：

  1. 通读并和你讨论要点
  2. 写一页摘要
  3. 更新相关笔记之间的关联
  4. 记录这次整理的日志

一次整理典型会更新 10–15 个笔记页。

Query — 向 wiki 提问​

AI 先查自己整理好的目录找相关内容，再综合回答，附上来源。 好的答案可以直接保存成新笔记——让你的探索持续积累。

回答形式不限于文字：对比表、图表、画布都可以。

Lint — 让 LLM 给 wiki 做体检​

周期性检查：矛盾内容、过时表述、孤立的笔记、尚未补充的关键主题。AI 还会建议下一步值得深挖的内容。

两个特殊文件​

  • index.md — 内容目录，按分类列出每页一句话摘要。AI 每次整理后自动更新。
  • log.md — 按时间顺序的操作日志，记录每次整理了哪些内容。

GPT AI Flow 如何支撑 LLM-wiki 范式​

LLM-wiki 需要什么GPT AI Flow 提供什么
AI 能读你的笔记笔记自动建立搜索索引，AI 可随时检索
AI 能写回笔记库AI 直接读取和修改你的 Obsidian 文件
可以复用的整理工作流Skill 系统：一键激活预设工作流
主动触发整理与复盘Daily Rhythm 晚间时段自动推送整理提醒
每次修改留有记录内建版本历史工具
对话结果可以保存AI 对话结果可直接保存为新笔记

典型应用场景​

  • 个人成长 — 日记、播客、文章汇入，逐步构建一张关于自己的认知地图
  • 主题研究 — 数周到数月的深度研究，论文/报告按源头摄入，wiki 成为不断演进的论文底稿
  • 读书伴读 — 每章一页，角色/主题/伏笔自动交叉引用，读完得到一个属于你的 fan wiki
  • 产品竞品分析、尽调、旅行规划、课程笔记、爱好深挖 — 任何随时间积累知识的场景

隐私与本地性​

  • 所有 wiki 页、原文、向量索引都在你本地磁盘（你的 Obsidian Vault + 独立 LanceDB 目录）
  • 对外仅两类网络请求：建立搜索索引（不可逆转化，无法从索引还原原文）与 AI 问答（你选用的模型）
  • 所有文件都是普通 markdown，可随时脱离本产品继续使用

进一步阅读​

加入我们​

AI 写作知识与视频

更多与 Obsidian、LLM-wiki、AI 写作相关的实战内容正在制作中。 请关注 小卡up 频道，和我们一起把笔记变活。

立即体验 GPT AI Flow，让你自己 Obsidian 里那些沉睡多年的笔记，重新开始生长。