大神卡帕西又一構想落地！Claude Code + Obsidian 爆火：創(chuàng)建你的「第二大腦」

從 LLM Wiki 到第二大腦，AI 已經(jīng)實現(xiàn)持續(xù)記憶與自進化。

作者丨樊天驕

編輯丨鄭佳美

2026 年 4 月，AI 領域最具影響力的學者之一 Andrej Karpathy 提出了一種名為 LLM Wiki 的個人知識編譯系統(tǒng)，用來重構他自己的研究知識管理方式。該帖子一經(jīng)發(fā)布便迅速在技術社區(qū)引發(fā)傳播，累計瀏覽量超過 2000 萬級別，直接成為當月最具討論度的 AI 事件之一。

為什么這樣一個看似“個人筆記系統(tǒng)”的方案會引爆整個互聯(lián)網(wǎng)？本質原因在于它第一次把 LLM 的使用范式從「對話式工具」推向了「知識生產(chǎn)系統(tǒng)」——模型不再是被動回答問題，而是主動參與知識組織、結構生成與長期演化。

這套系統(tǒng)的核心并不復雜：把原始資料（論文、代碼、網(wǎng)頁、圖片）統(tǒng)一沉淀到 raw/ 目錄，然后由 LLM 持續(xù)“編譯”為結構化的 wiki 知識庫（Markdown 形式），自動生成概念頁、總結頁與交叉引用，并不斷維護索引與一致性。換句話說，LLM 不再只是問答工具，而是一個持續(xù)運行的“知識編譯器”。

而在 2026 年 6 月 27 日，一種更工程化的實現(xiàn)方式開始出現(xiàn)：一位名叫 RGK 的開發(fā)者將 Karpathy 的 LLM Wiki 思路進一步落地，用 Claude Code + Obsidian 構建出可執(zhí)行版本的“第二大腦系統(tǒng)”。

不同于原始方案依賴腳本與手動編排，這一版本直接將 LLM 接入本地文件系統(tǒng)與知識庫結構，讓“編譯 wiki”這件事變成持續(xù)自動運行的工程閉環(huán)。

01

90% 的模型能力可能被浪費

在 Karpathy 這套方案出現(xiàn)之前，大多數(shù)人使用 Claude 類大模型時都面臨三個結構性瓶頸：記憶存儲斷層、上下文治理失序、執(zhí)行接口封閉。而Claude Code + Obsidian 這套方案則完整地解決了這三類問題。

記憶存儲斷層：大模型的原生設計決定了它本質是「無長期記憶的會話式系統(tǒng)」：所有上下文僅存活于當前對話窗口，會話終止即數(shù)據(jù)清零。

這在長期研究類任務中暴露的缺陷尤為明顯 —— 無論是跟進 AI 推理加速技術，還是開展系統(tǒng)優(yōu)化專項研究，每一次新對話都要從零重建背景信息，模型既無法繼承前序的分析結論，也無法沉淀用戶專屬的知識體系。

Claude Code + Obsidian 方案的思路是，將 Obsidian 作為統(tǒng)一知識底座，通過讀寫本地文件實現(xiàn)認知狀態(tài)持久化。

Obsidian 并非普通筆記軟件，而是基于本地文件系統(tǒng)的內(nèi)容管理器（所有內(nèi)容以標準 Markdown 文件存儲，不依賴數(shù)據(jù)庫或云端）。依托文件系統(tǒng)原生能力，它天然具備可讀、可寫、可被外部程序直接訪問的開放屬性，成為理想的外部持久化記憶層。

從系統(tǒng)設計視角看，這相當于用可無限擴容的文件系統(tǒng)，替代了容量有限的模型上下文窗口，將認知狀態(tài)從「臨時緩存」升級為「可持續(xù)演化的長期記憶知識庫」。

上下文治理失序：在用戶使用的過程中，經(jīng)常輸入較為混雜的信息，導致模型上下文利用效率低下。這類問題的核心原因在于用戶缺乏對數(shù)據(jù)進行結構化處理（篩選與分類）的意識。

許多人誤以為“輸入更多資料等于更好結果”，但未經(jīng)整理的原始信息反而會降低有效信息密度：冗余占用 token，重復干擾注意力，沖突信息影響結論穩(wěn)定性。

此外另一重原因是，知識資產(chǎn)往往分散在瀏覽器、筆記工具與本地文件系統(tǒng)中，格式與結構不統(tǒng)一，使得在調用模型前必須額外進行信息篩選與歸集，進一步壓縮真正可用于推理的上下文空間。

針對這一問題，Vault 通過 raw sources 與 Ready 的雙層目錄結構重構上下文治理機制，本質是在存儲層面實現(xiàn)“信息分層治理”。

raw sources 作為原始輸入層，用于存放未經(jīng)處理的一手資料（如行業(yè)文章、播客記錄、書籍摘錄與會議內(nèi)容等），主要作用是完整保留信息源，不參與推理；Ready 則作為結構化輸出層，存放經(jīng)過 Claude 進行去重、壓縮、結構化與語義鏈接后的高密度知識表示，用于模型的二次讀取與推理。

這種設計本質是在文件系統(tǒng)層面完成一次“知識蒸餾”：將原始噪聲與高價值上下文徹底分離，使模型不再在推理階段處理冗余信息。

例如，一篇 2 萬字的播客逐字稿如果直接輸入模型，會造成 token 消耗過高且注意力分散；而經(jīng)過結構化壓縮為約2 千字的 Ready 筆記后，模型可以直接進入有效推理空間，顯著提升信息利用效率與輸出穩(wěn)定性。

因此，這一設計的核心價值不在于“整理信息”，而在于通過分層結構讓模型始終運行在高質量上下文之上，從源頭降低噪聲干擾，并提升推理效率與結果可靠性。

執(zhí)行接口封閉：在傳統(tǒng) AI 工具的使用方式中，人機協(xié)作其實存在一個隱性的斷點：AI 負責生成思考結果，但這些結果無法直接進入人的工作流，只能依賴人工在不同系統(tǒng)之間搬運。

例如，用戶需要先將 AI 的輸出復制到外部工具中保存（如 WORD 或 WPS），再在后續(xù)任務中手動檢索并重新輸入上下文。這種反復切換與復制的過程，本質上讓人變成了系統(tǒng)之間的“中轉層”，而不是與 AI 協(xié)同工作的參與者。

問題的根源并不是工具不夠多，而是 AI 與真實工作環(huán)境之間缺乏直接的執(zhí)行連接——模型只能輸出文本，但無法參與后續(xù)動作。

針對這一點，Claude Code 提供了一種關鍵能力：它可以直接與本地文件系統(tǒng)交互，在同一個環(huán)境中完成信息讀取、處理與寫回操作，使 AI 不再停留在“輸出端”，而是進入真實工作流的執(zhí)行鏈路中。在這種機制下，AI 的角色發(fā)生了變化：從單純提供答案的“信息生成器”，轉變?yōu)槟軌騾⑴c任務執(zhí)行的輕量 Agent。

整個工作方式也隨之重構為兩種模式的差異：

過去是：人負責銜接所有環(huán)節(jié)——發(fā)起問題 → 獲取 AI 輸出 → 手動轉存 → 再次整理 → 再次輸入；

現(xiàn)在是：人只負責發(fā)起任務意圖 → AI 直接進入執(zhí)行流程 → 自動完成信息處理與結果生成 → 返回可直接使用的結果。

例如，當用戶提出一個任務：“對這三篇關于推測解碼的論文進行對比分析，并輸出關鍵差異與結論”，AI 不再只是給出文本答案，而是可以直接完成讀取資料、結構分析、結果生成并輸出最終可用成果。

這對應的是 “工具調用 + 執(zhí)行型 Agent”范式升級：模型不再只是認知輸出單元，而是嵌入到真實任務流中的執(zhí)行節(jié)點，使人機協(xié)作從“對話式問答”升級為“任務驅動式執(zhí)行”。

最終帶來的變化是：人不再被迫處理信息流轉的細節(jié)，而是專注于定義目標，AI 負責完成從理解到執(zhí)行的整個路徑。

02

讓知識系統(tǒng)自己變聰明的反饋閉環(huán)機制

除了破解記憶斷層、上下文失序與執(zhí)行割裂三大問題，Claude Code + Obsidian 更重要的突破在于：為整個知識系統(tǒng)引入了“自我迭代的閉環(huán)能力”。

絕大多數(shù)個人知識庫最終都會退化為“信息墳場”：資料持續(xù)進入但缺乏持續(xù)維護機制。隨著時間推移，過期信息、矛盾觀點與未更新結論不斷堆積，而人工維護成本過高，導致系統(tǒng)逐漸失去可用性。

這套方案的關鍵設計，是引入“周期性知識健康巡檢機制”：由 Claude 定期掃描整個知識庫，自動識別沖突信息、標記過期內(nèi)容、梳理知識盲區(qū)，并輸出結構化的巡檢報告。

這一機制改變了傳統(tǒng)“存入即結束”的靜態(tài)存儲模式，使知識系統(tǒng)從被動倉庫升級為持續(xù)演化的認知結構——信息不再只是被保存，而是在持續(xù)被審視、修正與補全。

從工程視角看，這一邏輯與軟件系統(tǒng)中的反饋閉環(huán)與持續(xù)迭代機制一致：一個具備長期價值的系統(tǒng)，不僅要能執(zhí)行輸入指令，更要具備自我診斷與自我優(yōu)化能力。

因此，每一次巡檢、每一次調用，都在推動知識網(wǎng)絡進一步去噪、校準與增強，使系統(tǒng)整體呈現(xiàn)出類似“復利增長”的效果—— Every interaction compounds，每一次交互都在累積長期認知價值。

03

從一次性消耗到可復用資產(chǎn)

Obsidian+Claude Code 的模式另一個非常值得討論的亮點，是 Token 的成本優(yōu)化問題。

從長期成本角度看，傳統(tǒng)用法是典型的 “單次消耗型”：每做一個新選題，都要重新投喂全部相關資料，同樣的內(nèi)容反復消耗 token，同樣的梳理工作重復執(zhí)行。任務越多，成本越高，邊際效率幾乎沒有提升。

但 Obsidian+Claude Code 是資產(chǎn)沉淀型：原始資料只需要加工一次，結構化成果永久沉淀在 Ready 文件夾中。后續(xù)處理同類問題時，模型可以直接調用已整理好的知識路徑，不需要從零開始梳理。

隨著知識圖譜不斷完善，后續(xù)任務的資料準備成本會持續(xù)下降，token 消耗持續(xù)減少，回答質量卻持續(xù)提升。用得越久，效率優(yōu)勢越明顯，邊際成本越來越低。

這就是 token 成本優(yōu)化與經(jīng)驗復用的核心：把一次性的算力投入，轉化為可長期復用的知識資產(chǎn)。前期搭建系統(tǒng)的時間成本，會在后續(xù)的無數(shù)次任務中被攤薄，最終形成越用越好用、越用越便宜的正向循環(huán)。

04

AI 真正開始變聰明的方式

這套低成本、高成長性的第二大腦，本質是一套由人制定規(guī)則、AI 負責執(zhí)行運維的輕量化認知系統(tǒng)。

你只需完成一次底層框架搭建，它便會持續(xù)運轉、自主生長。你投入的每一份資料、每一次的深度交互都會成為系統(tǒng)迭代的養(yǎng)分，讓它越來越貼合你的知識結構與思考路徑。最關鍵的是它不會休眠，不會遺忘，也不會因重復工作產(chǎn)生損耗，真正實現(xiàn)了 “永不休眠、每日精進”。

誠然，Claude 會持續(xù)迭代，Obsidian 也并非不可替代，但這套方案的底層方法論具備高度可遷移性：以持久化存儲破解記憶斷層，以分層治理保障上下文質量，以工具調用打通執(zhí)行閉環(huán)，以反饋閉環(huán)實現(xiàn)自我迭代，以資產(chǎn)沉淀優(yōu)化長期成本。

當大模型的基礎能力逐漸趨同，人與人之間的效率差距，早已不再局限于提示詞的撰寫技巧。真正的競爭壁壘，在于能否為自己搭建一套可持續(xù)成長的 AI 認知系統(tǒng)。

畢竟，能帶來復利增長的工具，才是真正的長期競爭力。

https://x.com/rgk_degen/status/2071268878169096636

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

未經(jīng)「AI科技評論」授權，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。