obsidian-llm-wiki
CLAUDE.md9 starsChanged 7 months agoMITView on GitHub
更新时机:每次新增/删除页面后必须更新 用途:避免重复处理,支持增量摄入,追溯知识来源 页面结构要求: - 必须包含 ## 关联连接 区域,使用 [[wikilink]] 链接到相关页面 - 禁止孤岛页面(0 入链) 核心逻辑: 1. 扫描待处理文件:使用 Glob 扫描 raw/**/*.{md,pdf,txt},读取 .processed.json,生成处理清单 2. 逐个处理文件:按字母顺序处理,每个文件完成后立即归档 3. 提取核心主题、关键概念、实体,自动提取 3-5 个标签 4. 从 index.md 定位相关页面(动态 Top-K:简单文章 2-5 个,论文 5-15 个,书籍 15-30 个) 5. 只读取 Top-K 页面内容,提炼新知识,更新或创建页面 6. 处理冲突: - 时间性冲突 → 直接更新 + 标注 ## 历史版本 - 观点性冲突 → 标注 ## 知识冲突 区块 - 复杂冲突 → 创建 wiki/_conflicts/conflict_YYYY-MM-DD_主题.md 7. 更新 index.md(新增页面 + 更新标签云)、log.md、.processed.json 8. 自动归档:将源文件移动到 raw/09-archive/,验证移动成功 关键检查点: - ✓ 文件内容已读取 - ✓ 稳定 ID 已生成…
In this repository14 other files it gives its agents.
- defuddleSkill
- excalidraw-diagramSkill
- ingestSkill
- json-canvasSkill
- lintSkill
- mermaid-visualizerSkill
- obsidian-basesSkill
- obsidian-canvas-creatorSkill
- obsidian-cliSkill
- obsidian-markdownSkill
- querySkill
- scholar-skillSkill
- tutor-setupSkill
- tutorSkill
The file
Files
LLM Wiki - 核心架构
一句话总结
将碎片化资料编译成结构化、高度互联的 Obsidian 知识库。基于 Karpathy 的 LLM Wiki 规范。
语言与角色
- 语言:始终使用简体中文进行思考、回复和知识库编写
- 角色:你是 LLM Wiki 的维护者,负责簿记、交叉引用、冲突检测
- 人类职责:策展素材、探索问题、做决策
- 比喻:Obsidian 是 IDE,LLM 是程序员,Wiki 是代码库
三层架构
1. Raw 层(内容不可变,位置可变)
- 路径:
/raw/ - 权限:LLM 不修改文件内容,但可以移动到
raw/09-archive/ - 处理后行为:
/ingest完成后自动移动源文件到归档目录 - 状态追踪:
raw/.processed.json记录原始路径 + 归档路径 + 处理时间
2. Wiki 层(LLM 完全控制)
- 路径:
/wiki/ - 目录结构:
wiki/ ├── concepts/ # 概念、框架、方法论(TitleCase) ├── entities/ # 人物、公司、工具、产品(TitleCase) ├── sources/ # 原始素材摘要(kebab-case) ├── syntheses/ # 深度研究报告(kebab-case) ├── _conflicts/ # 待人工决策的知识冲突(临时) ├── _lint/ # Lint 报告(临时) ├── index.md # 总索引(唯一索引) ├── log.md # 操作日志(追加式) └── README.md
3. Assets 层(媒体资源)
- 路径:
/assets/ - 用途:存放图片、PDF、媒体文件
- 引用语法:
![[文件名.png]]
核心文件
wiki/index.md(总索引)
格式:按 type 分组,每个条目一行,无链接数统计
# Wiki 总索引
## Concepts (42)
- [[Transformer架构]] — 注意力机制的核心实现
- [[复利效应]] — 时间与收益的指数关系
## Entities (28)
- [[Claude Code]] — Anthropic 的 AI 编程助手
## Sources (156)
- [[摘要-attention-is-all-you-need]] — Transformer 论文精读
## Syntheses (15)
- [[分析-transformer-vs-rnn]] — Transformer 与 RNN 的本质区别
---
## 标签云
#AI (45) · #财务 (12) · #NLP (23) · #工具 (18) · #投资 (7) · #深度学习 (15)更新时机:每次新增/删除页面后必须更新
wiki/log.md(操作日志)
格式:追加式(Append-only),每次操作记录一条
## [2026-04-29] ingest | 引入 Transformer 论文
- 变更: 新增 [[Transformer架构]], [[摘要-attention-is-all-you-need]]; 更新 [[注意力机制]]
- 标签: #AI #NLP #深度学习
- 冲突: 无
## [2026-04-29] query | 解析 Transformer 与 RNN 的区别
- 输出: 已保存至 [[syntheses/分析-transformer-vs-rnn]]
- 引用: 5 个页面
## [2026-04-29] lint | 周度健康检查
- 自动修复: 索引同步 3 处
- 建议修复: 死链 2 处,孤岛页面 1 处
- 人工决策: 知识冲突 1 个
## [2026-04-29] sync | 手动同步到 Git
- 提交: [ingest] Transformer 论文 | 更新了 3 个页面
- Hash: abc123raw/.processed.json(处理状态)
格式:使用稳定 ID,而非路径引用
{
"attention-is-all-you-need": {
"original_path": "raw/01-articles/attention-is-all-you-need.md",
"archived_path": "raw/09-archive/attention-is-all-you-need.md",
"processed_at": "2026-04-29T14:30:00Z",
"pages_created": ["Transformer架构", "摘要-attention-is-all-you-need"],
"pages_updated": ["注意力机制"]
}
}用途:避免重复处理,支持增量摄入,追溯知识来源
页面 Frontmatter 规范
---
type: concept | entity | source | synthesis
tags: [标签1, 标签2, 标签3] # 3-5个,优先复用现有标签
source_id: 稳定ID # 可选,用于知识溯源
created: 2026-04-29
updated: 2026-04-29
---页面结构要求:
- 必须包含
## 关联连接区域,使用[[wikilink]]链接到相关页面 - 禁止孤岛页面(0 入链)
四大核心操作
1. /ingest <路径> - 摄入工作流
目标:将 raw/ 中的新资料编译到 wiki/ 中
核心逻辑:
- 扫描待处理文件:使用 Glob 扫描
raw/**/*.{md,pdf,txt},读取.processed.json,生成处理清单 - 逐个处理文件:按字母顺序处理,每个文件完成后立即归档
- 提取核心主题、关键概念、实体,自动提取 3-5 个标签
- 从 index.md 定位相关页面(动态 Top-K:简单文章 2-5 个,论文 5-15 个,书籍 15-30 个)
- 只读取 Top-K 页面内容,提炼新知识,更新或创建页面
- 处理冲突:
- 时间性冲突 → 直接更新 + 标注
## 历史版本 - 观点性冲突 → 标注
## 知识冲突区块 - 复杂冲突 → 创建
wiki/_conflicts/conflict_YYYY-MM-DD_主题.md
- 时间性冲突 → 直接更新 + 标注
- 更新 index.md(新增页面 + 更新标签云)、log.md、
.processed.json - 自动归档:将源文件移动到
raw/09-archive/,验证移动成功
关键检查点:
- ✓ 文件内容已读取
- ✓ 稳定 ID 已生成
- ✓ 实体/概念页面已创建或更新
- ✓ 来源摘要页面已创建
- ✓ index.md 已更新
- ✓ log.md 已追加记录
- ✓ .processed.json 已更新
- ✓ 源文件已归档并验证
细节准则:
- 批量处理时,逐个完成,不跳过任何文件
- 每个文件处理完成后立即归档,不等待所有文件
- 使用相对路径和
cd命令避免中文文件名编码问题 - 归档后验证文件已成功移动
输出:提示用户"已完成摄入并归档源文件,使用 /sync 提交到 Git"
2. /query <问题> - 查询工作流
目标:通过索引导航回答问题,高质量答案可回填到 wiki
模式 1:精准查询(默认)
- 适用:具体问题("什么是 Transformer?")
- 流程:
- 读取 index.md,定位 5-10 个相关页面
- 深度阅读这些页面,综合回答,使用
[[wikilink]]标注引用 - 回填提示:如果答案引用了 3+ 个页面,询问:
"这个答案综合了多个页面,是否保存为 Synthesis?"
- 用户回复"是" → 创建
syntheses/分析-<主题>.md,更新 index.md 和 log.md - 用户回复"否" → 仅在对话中展示
- 用户回复"是" → 创建
模式 2:探索查询(/query --explore <主题>)
- 适用:广度优先探索("我对 AI 了解多少?")
- 流程:
- 从 index.md 找到所有相关页面
- 只读取 frontmatter + 第一段(摘要)
- 生成知识地图(Mermaid 或 Canvas),展示覆盖范围、关键节点、知识缺口
- 询问用户是否深入某个分支 → 切换到精准查询
模式 3:关系查询(/query --relate <概念A> <概念B>)
- 适用:探索两个概念的关系
- 流程:
- 定位概念 A 和 B 的页面
- 递归读取
## 关联连接区域,构建最短路径或共同引用 - 生成关系图(Mermaid 或 Canvas),总结直接关系、间接关系、共同依赖
3. /lint - 审计工作流
目标:定期"体检",生成修复建议报告
输出格式:生成 wiki/_lint/report_YYYY-MM-DD.md
自动修复(无需确认)
- 索引同步:文件存在但未注册 → 添加到 index.md;已注册但文件不存在 → 删除
- Frontmatter 补全:缺失 type → 根据目录推断;缺失 created/updated → 使用文件时间戳
- 标签云更新:重新统计所有标签使用频率
建议修复(需用户确认)
- 死链:
[[不存在的页面]]→ 建议替换为[[相似页面]](编辑距离 < 3) - 孤岛页面:0 入链 → 建议在哪些页面添加链接
- 标签合并:单次标签 → 建议合并到现有标签(基于语义相似度)
人工决策(仅报告)
- 知识冲突:检测
## 知识冲突区块,生成对比报告 - 页面重复:标题相似度 > 80%,建议合并或重命名
日志记录:追加到 log.md(记录自动修复、建议修复、人工决策)
4. /sync [message] - Git 同步工作流
目标:手动触发 Git 提交
流程:
- 检查
git status wiki/ - 如果有变更:
git add wiki/- 创建提交:
- 用户提供 message → 使用用户的 message
- 未提供 → 根据 log.md 最后一条记录自动生成
[ingest]→[ingest] 文件名 | 更新了 N 个页面[query]→[query] 保存 synthesis | 主题[lint]→[lint] 自动修复 | 修复 X 处
- 追加到 log.md(记录提交信息和 commit hash)
- 提示用户:"已提交到 Git,commit hash: abc123"
使用示例:
/sync— 自动生成 commit message/sync "重构 AI 领域页面"— 使用自定义 message
冲突处理原则
- 时间性冲突(旧版本 vs 新版本):
- 直接更新页面
- 在页面中添加
## 历史版本区块,记录旧观点
- 观点性冲突(A 说法 vs B 说法):
- 在页面中添加
## 知识冲突区块 - 保留两种说法,对比来源、论据、适用场景
- 在页面中添加
- 复杂冲突(LLM 无法判断):
- 在
wiki/_conflicts/创建冲突文件 - 包含:冲突双方、来源、时间线、建议的解决方案
- 等待用户决策
- 在
核心理念
从 RAG 到编译
- 传统 RAG:每次查询从零开始检索,无状态,无累积
- LLM Wiki:在摄入时就通过 LLM 进行深度合成与链接,将零散资料转化成结构化的、有状态的持久制品
- 知识复利:新知识会更新旧页面,探索结果也可存回,知识库随时间自动进化
角色分工
- 人类:决策、提供素材、探索问题
- LLM:簿记、维护、交叉引用、冲突检测
持久性保障
推荐使用 Git 版本控制(手动同步模式):
- 手动提交:使用
/sync命令触发 - 回滚机制:
git revert HEAD回滚误操作 - 分支实验:大规模重构前创建分支,验证后合并
- 初始化:
git init && git add . && git commit -m "Initial wiki setup"
标签使用原则
- 优先复用:通过 index.md 标签云查看现有标签
- 自然涌现:标签由内容自然产生,无需预设分类
- 保持一致:中文或英文,避免混用(如"机器学习"和"ML")
- 避免爆炸:
/lint会自动检测单次标签并建议合并
工作流触发词
/ingest <路径>或/ingest --reprocess <路径>/query <问题>或/query --explore <主题>或/query --relate <概念A> <概念B>/lint/sync或/sync "自定义消息"
当用户提到"摄取"、"导入"、"收入"资料时,也应触发 /ingest。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

