今年 4 月 27 日，一个叫 Greener-Dalii 的开发者在 GitHub 上创建了 Karpathy LLM Wiki。

两个月后，这个插件拿到了 Obsidian 官方评分 95/100，社区插件市场下载量突破 9000，GitHub 163 颗星。对一个发布才 60 天的插件来说，这个增速有点吓人。

我装了 12 个 Obsidian AI 插件，最后只留了 3 个。LLM Wiki 是唯一一个让我觉得”这东西在帮我思考”的。

上个月我在写一篇关于本地大模型的文章，翻了自己过去三个月的笔记找素材。搜了 8 次关键词，开了 15 个标签页，最后发现漏了一条三个月前写的重要结论——它躺在某个叫”随手记”的文件里，文件名和内容毫无关系。

这就是笔记的悖论：你写得越多，找到东西越难。

Karpathy LLM Wiki 做的事很简单：你写笔记，AI 帮你整理成 Wiki。你提问，它从你自己的知识库里找答案。12+ 种 LLM 提供商，10 种语言，完全可以在本地跑。

它跟其他 AI 插件有什么不一样？

Obsidian 的 AI 插件我基本都试过。大多数做的是同一件事：选中文字 → 调 API → 返回结果。本质上是个聊天框嵌在 Obsidian 里。

LLM Wiki 的思路完全不同。它不跟你聊天——它帮你建结构。

它的三层架构很清晰：

你把笔记丢进 sources/，剩下的不用管。AI 读你的内容，提取人物、概念、理论，生成独立页面，自动建立 [[双向链接]]。同一个笔记被多次摄入时，新信息合并进去，不重复；发现矛盾时标注来源，不覆盖。

我拿自己那篇本地大模型的文章试了一下。Fine 粒度提取了 47 个实体和概念，包括我写的时候根本没意识到的几个关联——比如”向量数据库”和”嵌入模型”被我分散在三篇不同笔记里，LLM Wiki 把它们连起来了。

实际用起来什么感觉？

摄入：拖进去就行

安装后在社区插件市场搜 “Karpathy LLM Wiki”，装好配好 API Key，就可以用了。

操作方式很直接：

五档提取粒度从 Minimal（~5 条）到 Fine（~100 条），日常用 Standard（~50 条）就够了。大文件夹用 Coarse 省 token，重点文档用 Fine 深挖。

摄入同一篇笔记多次是增量更新，不会重复生成。Smart Batch Skip 自动跳过已处理的文件——这点很实用，不用手动记哪些已经摄入过了。

查询：问自己的知识库

Cmd+P → “Query wiki”，弹出一个对话窗口。跟 ChatGPT 的区别是：它只从你的 Wiki 里找答案。

我问它”我写过哪些关于本地部署大模型的内容”，它列出了 6 篇相关笔记，每条带 [[wiki-links]] 可以直接跳过去。v1.22.1 之后查询窗口改成了右侧停靠面板，笔记和对话可以同时看，不用来回切换。

维护：一键体检

Cmd+P → “Lint wiki” 做全库健康检查：重复页面、死链、空页、孤立页、缺别名。Smart Fix All 一键按因果顺序修复——补别名 → 合并重复 → 修死链 → 链接孤立页 → 扩展空页。

操作历史面板（v1.21.0）记录了每次摄入和 Lint 的结果，可搜索可筛选。

模型怎么选？

插件遵循 Karpathy 的原始理念：喂完整 Wiki 上下文，不分块 RAG 检索。所以长上下文模型是刚需。

实际用下来，不需要旗舰模型。几个性价比方案：

想完全本地？装 Ollama，拉一个 qwen3.5:27b，数据全程不出你的机器。

谁适合用？

不适合的场景：笔记少于 100 条（手动整理更快），或者只需要一个聊天框嵌在 Obsidian 里（Copilot 插件更轻量）。

几个实际提醒

API 成本。Standard 粒度摄入一篇 3000 字笔记大约消耗 15K-25K token。用 DeepSeek V4-Flash 的话，一篇不到一分钱。批量摄入 100 篇大概几毛钱。但用 Fine 粒度或 Claude Opus 成本会明显上去。

摄入需要时间。单篇 Standard 粒度大约 30-60 秒。并行生成可以开到 3-5 并发，2-3 倍提速。文件夹批量摄入建议开 Coarse 粒度先跑一遍，重点文档再 Fine。

本地模型有坑。小模型（7B 以下）容易对空白输入产生幻觉——v1.21.0 加了摄入前校验门，空文件和纯 frontmatter 笔记会被拦截。建议本地模型至少 14B 以上。

保持更新。这个插件更新非常频繁，v1.22.x 系列一周发了 4 个 PATCH。建议开启自动更新。

我和这个插件的两个月

5 月 7 日，我发了第一篇🦞 用 AI 维护你的 Obsidian 知识库：LLM Wiki 新手操作指南，那时候插件刚上线 10 天，功能还很基础。完读率 28.2%，说明很多人对这个概念感兴趣，但真正用起来的人不多——配置门槛摆在那。

6 月 13 日，我写了一篇最好的Obsidian移动端体验，不在手机App里——在微信里，打开率 23.86%，215 次分享。那次我意识到一件事：读者要的不是”怎么装这个插件”，而是”装完之后能干什么”。

今天这篇是第三篇。两个月过去，插件从 v1.0 迭代到了 v1.22.4，多了并行生成、Smart Fix All、摄入前校验门、右侧查询面板——每一样都是用户提了 issue 之后加上的。一个开发者，60 天，几十个版本。这种迭代密度在 Obsidian 插件圈里不多见。

LLM Wiki 不是那种”装了就完了”的插件。它需要你喂笔记、配模型、偶尔跑一下 Lint。但一旦 Wiki 长起来，搜索变成对话，笔记之间开始自动关联——那种”这东西在帮我思考”的感觉，是其他插件给不了的。

两个月，95 分，9000+ 下载。这个增速说明了一件事：用 Obsidian 的人，真的需要 AI 帮忙整理知识。

把这篇文章转给用 Obsidian 做知识管理的朋友 🤫

我是黑曜石，陪你打造第二大脑。一个发布 60 天的插件拿到 95 分，说明好工具不需要熬资历。