大家好,我是 WeiWill。
最近聊 AI 知识库时,我发现很多人的第一反应还是工具选择。
看到 Obsidian 接入 Claude、某个知识库产品发布 Skill、某个 Agent 能读取笔记,大家很快就会问:
要不要用 Obsidian?
要不要把资料全部搬进去?
要不要重新搭一套笔记系统?
这些问题当然可以讨论,但如果一开始就陷进工具选择,很容易把重点放偏。
我自己真实使用下来,越来越确定一件事:工具只是入口,真正决定知识库能不能长期跑起来的,是背后的整理方式。
你的文件、笔记、项目经验、文章素材、方法论,能不能被 LLM 稳定理解?能不能被 Agent 接着处理?能不能把一次经验变成下一次可复用的动作?
这才是 AI 知识库真正要解决的问题。
所以这篇文章不想讨论“哪个工具最强”,而是想记录一个更底层的判断:
知识库不只是给人看的,也要给 LLM 和 Agent 用。
这个问题如果没想清楚,后面很容易越做越复杂,却越做越难复用。
Obsidian 的图谱很漂亮,但不是知识系统本身
第一次认真接触 Obsidian 的时候,很多人都会被它的关系图谱吸引。
一堆节点连在一起,有双链、有反链、有标签、有插件,看起来很像一个成熟的第二大脑。
我最早也被这种感觉吸引过。
但真正用一段时间后,我发现一个问题:图谱看起来很漂亮,但我很少真的靠图谱解决问题。
比如我有一批关于 AI Agent 的资料,里面包括工具更新、项目复盘、模型调用、权限边界、知识库整理和文章草稿。它们当然可以在 Obsidian 里连成一张图。
可到实际工作时,我关心的不是图谱漂不漂亮,而是几个更具体的问题:
- 这份资料的来源是什么;
- 它讲的是工具能力、工程架构,还是使用方法;
- 它能不能被 LLM 读懂;
- 它和已有知识有没有冲突;
- 它能不能变成一个可以重复执行的流程。
如果一篇笔记只是为了让图谱多一条线,它对 Agent 没有太大意义。
反过来,如果一个页面结构很朴素,但来源清楚、概念明确、关联关系稳定,LLM 反而更容易使用。
所以我现在对 Obsidian 的判断比较克制:
Obsidian 是一层很好的交互界面,但它不是知识系统本身。
它适合编辑、浏览、检查链接,也适合作为个人知识库入口。但如果目标是让 AI 真正参与知识生产,重点就不能停在“我用哪个笔记软件”。
重点要变成:
我怎样组织知识,才能让 LLM 能读、能判断、能继续往下做?
LLM Wiki 的重点不是 Wiki,而是给模型读的结构
很多人一听到 LLM Wiki,会把它理解成“用大模型做一个百科”,或者“用 Markdown 搭一个知识库”。
这两个理解都不算错,但还不够。
我更愿意把 LLM Wiki 理解成一种文件组织思想:
让知识从一开始就按照 LLM 能理解、能引用、能延展的方式沉淀下来。
这里的关键不是软件,而是几条很朴素的原则。
第一,原始资料和整理后的知识要分开。
举个例子,你看到一篇关于 Agent Skills 的文章,里面提到“把重复劳动沉淀成 Skill”。如果只是收藏起来,它就是一篇资料。以后你问 AI:“我以前看过 Skills 的文章吗?”模型可能能找到,也可能找不到。
但如果你进一步整理成一个知识页,情况就不一样了:
- 这篇资料解决什么问题;
- 它提到的 Skill 和传统提示词有什么区别;
- 它适合哪些重复任务;
- 它对我的写作流程、代码流程、知识库流程有什么启发;
- 它和 MCP、Agent、知识库之间是什么关系。
这样处理以后,它就不再只是一个收藏链接,而变成了一个可复用的知识节点。
第二,来源要能追溯。
LLM 很擅长生成,但也容易把相似概念混在一起。知识库里如果只有总结,没有来源,后面一旦回答错了,你很难判断问题出在哪里。
是原始资料有问题?是整理时理解偏了?还是模型推理时串了概念?
所以我会更在意每个重要观点能不能回到原始材料,能不能看出它来自一次产品体验、一篇文章、一次项目复盘,还是我自己的判断。
第三,概念之间要有稳定关系。
比如 LLM、Agent、MCP、Skills、知识库,这几个词经常被放在一起讲。
如果只是堆在一篇文章里,读者会觉得热闹,但 Agent 后续很难稳定使用。
更好的方式是先把关系拆清楚:
- LLM 负责理解和生成;
- Agent 负责带着目标执行任务;
- 知识库提供上下文和事实材料;
- MCP 更像连接外部工具和系统的接口层;
- Skills 则是把一套重复方法沉淀成可调用能力。
这样整理之后,不只是人更容易看懂,Agent 在调用时也更容易判断:当前任务是查资料、调工具、执行流程,还是复用某个方法。
这就是 LLM Wiki 的价值。
它不是要求你一定用某个软件,而是要求你用一种对模型友好的方式管理知识。
真正容易走偏的,是把配置当成建设
我并不反对 Obsidian。
相反,我觉得它仍然是很优秀的 Markdown 知识管理工具。本地文件、双链、插件生态、可迁移性,这些优势都很明显。
但它有一个隐藏问题:新手很容易把大量精力花在“知识库外观”和“插件配置”上。
今天研究图谱怎么显示,明天研究标签怎么分层,后天研究模板怎么写,再过几天研究插件怎么自动建链接。
这些事情不是没价值,但如果一开始就陷进去,很容易忘记最重要的问题:
你的知识有没有被真正整理成可复用的结构?
我见过很多笔记系统,一打开非常复杂,标签很多,链接很多,页面也很多。但真正问几个问题就露馅了:
- 这篇笔记为什么存在;
- 它解决什么问题;
- 它和哪次项目或哪次实践有关;
- 它下一次怎么被复用。
如果回答不上来,再漂亮的系统也只是一个复杂的文件柜。
所以我现在会把 Obsidian 当成编辑器、浏览器和检查工具,而不是把全部注意力放在它身上。
真正重要的是:
- 文件内容要清楚;
- 页面职责要明确;
- 来源和结论要能区分;
- 链接要服务理解,不要服务好看;
- 结构要让人能读,也要让 LLM 能读。
工具可以换,结构不能乱。
如果要从今天开始做,先做三件事
如果你也在做 AI 知识库,我建议先别急着换工具,也别急着堆插件。
可以从三个动作开始。
第一,把 raw 和 wiki 分开。
原始资料就是原始资料,整理页就是整理页。不要把收藏、摘录、判断、行动方案全部混在一个文件里。混在一起时,人看起来方便,模型用起来反而容易混乱。
第二,每篇整理页都回答一个问题。
不要为了“建库”而建库。每个页面最好能说清楚:它解决什么问题,核心判断是什么,下一次怎么复用。
第三,给重要观点保留来源。
来源不是形式主义,而是后续排查问题的路径。AI 回答错了、知识冲突了、文章要发布了,你都需要知道这句话从哪里来。
总结一下,Obsidian 不是不重要,但它不是核心。
核心是我们能不能把零散资料整理成一种稳定结构:人能读懂,LLM 能引用,Agent 能继续执行,流程还能反复复用。
这才是 LLM Wiki 真正值得建设的地方。
我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。