让你的 AI 帮你建一个「活着的」知识库

你有没有这种感觉：在网上看到一篇好文章，收藏了；

读到一条有价值的推文，截屏了；

遇到一个重要的概念，记在备忘录里了。

然后——再也没有然后了。

碎片化的信息越来越多，真正能用上的却寥寥无几。我们缺的不是信息，而是一个能让信息 自己长起来 的系统。

传统笔记软件搞不定的事

现在大多数人记笔记的方式，大概分这么几类：

  • 文件夹分类 ：把笔记塞进文件夹里。问题是，一篇笔记经常涉及多个主题，该放哪儿？
  • 收藏夹吃灰 ：浏览器收藏夹里的链接，80% 再也没打开过。
  • RAG (检索增强生成)问答 ：RAG简单讲是指将大段文本进行拆分存入向量数据库，在回答时模型会取出与问题最接近的文本进行回答，随着AI时代的到来，直接把文件喂给 AI，问什么答什么。但它的问题是—— 没有积累 。每次问同一个问题，AI 都要重新读一遍原文。

简单说，这些方式都只是 存储 ，而不是 构建 。知识需要被编译、被链接、被持续维护，才能变成真正的知识库。

llm-wiki 的核心理念：一次消化，持续积累

这个系统的思路很直接： 你提供一个素材（链接、文章、文件），AI 把它消化成结构化的知识，存进一个互相链接的 wiki 里。下次有新的知识再进来新内容，它不是在空白基础上重新开始，而是融合到已有的知识网络里。

可以把它理解成一个知识版的"乐高"——每篇新文章是一盒新积木，AI 不是把它整个摆上货架，而是拆开，把有用的零件拼到已有的建筑上。

整个系统的流程其实很简单：

          素材 → AI LLM提取关键概念 → 创建/更新对应页面 → 链接相关概念 → 存入 Wiki

下次再问关于这件事的问题，AI 不再重新读原始文章，而是直接查已经整理好的 wiki 页面。这就是"编译一次，反复使用"。

具体怎么用？

第一步：初始化

创建一个空白的知识库，包含知识库的主题、方向、空白的首页页

第二步：添加素材

为知识库添加素材，将文本、图片、PDF文件等添加发送给大模型，大模型直接解析或者调用视觉工具对文件进行处理。

第三步：消化素材

完整消化流程大体分两步：

Step 1 — 结构化分析 ：AI 读完素材后，提炼出：

  • 这篇文章在讲什么（一句话总结）
  • 涉及哪些核心概念（实体）
  • 属于什么主题
  • 概念之间有什么关联
  • 有没有矛盾信息
  • 哪些是原文明确说的（EXTRACTED），哪些是推理出来的（INFERRED），哪些是 AI 根据背景知识补充的（UNVERIFIED）

Step 2 — 生成页面 ：根据分析结果，AI 去更新 wiki：

  • 创建一份素材摘要页（比如 wiki/sources/2026-05-05-什么是Agent.md ）
  • 创建或更新每个核心概念的实体页（比如 wiki/entities/AI-Agent.md ）
  • 创建或更新主题页
  • 在 index.md 首页和 log.md 日志里追加新条目
  • 用 [[双向链接]] 语法让相关页面互相引用，比如 什么是Agent.md 里面引用了 AI-Agent.md

重点是：如果某个概念之前已经有过页面，这次不会覆盖，而是 追加新信息 。这样同一个概念在不同素材中的观点会自然汇聚到一起。

比 RAG(检索增强生成) 聪明在哪？

RAG（检索增强生成）是目前很多 AI 问答工具的做法——你问问题，AI 去搜原文，当场读，当场答。好处是省事，坏处是每次从头读， 没有记忆 。

llm-wiki 的做法像是一个人认真读书做笔记的过程：

RAG llm-wiki
读一遍 每次重读 一次消化
笔记 没有 结构化 wiki
知识增长 没有 持续积累
跨素材关联 靠 prompt 显式链接
速度 越查越慢 越查越快

这里的关键是"编译一次"——就像写代码一样，源代码每次都要解释执行（RAG），当然慢；编译成二进制（wiki）之后，查起来就飞快了。

几个巧妙的细节

缓存机制

你不可能每次都喂同一篇文章。llm-wiki 有一个缓存系统，在处理素材前先检查：这个文件我处理过吗？内容变了吗？

  • 没变化 → 直接跳过，AI 不用浪费算力
  • 内容变了 → 重新处理，更新关联页面
  • 页面被删了 → 重新处理一次

健康检查（lint）

用久了，知识库可能出现一些问题：

  • 孤立页面 ：某实体页没被任何其他页面引用（像一座孤岛）
  • 断链 ： [[某个概念]] 但那个页面根本不存在
  • 矛盾信息 ：同一概念，来源 A 说东，来源 B 说西
  • 置信度异常 ：标记为 EXTRACTED（原文明确说）的内容，实际上在原文找不到

AI 可以定期做健康检查，列出问题并给出修复建议。

这个系统适合谁？

  • 研究者 ：读论文、整理文献、梳理领域脉络
  • 写作者 ：收集素材、建立概念框架
  • 产品经理 ：做竞品分析、整理用户反馈
  • 终身学习者 ：任何想把自己读过的东西真正用起来的人

一点启发

我们生活在信息过剩的时代。每天涌进来的内容，如果只是囫囵吞枣地收藏、转发、截图，那它们永远不会变成知识。

llm-wiki 做的事情不复杂—— 给 AI 一个你可以掌控的容器，让它帮你把碎片拼成地图。 你不需要在笔记数量上跟别人比，而是看自己的知识库是否在持续增长、不断链接。

最妙的是：所有文件都是本地 markdown，纯文本，随时可以用 Obsidian、VS Code 甚至记事本打开。你的知识真正属于你，不依赖任何云端服务。

当然，这个系统本身是开源的（MIT 协议），你可以在这里找到源代码： https://clawhub.ai

通过现有的agent工具构建属于自己的知识库