夜雨聆风
从收藏不看到搜索不到：为什么知识管理总是死循环？
我自己被这个问题困扰好久了：
读了很多文章，但跟人聊起相关内容还是说不清楚，感觉啥都没记住 收藏夹攒了几百条"稍后看"，归档速度跟不上收藏速度 笔记软件堆了几千条笔记，真要用的时候搜半天也找不到能用的内容
每天要忙的事实在太多了，分给定期整理乱知识库的时间太少了？通常剪藏俩礼拜，整个库就乱成垃圾堆，有时候连打开整理的勇气都没有。
还好赶上AI这波技术革命，终于有不用自己当苦力的知识管理模式了。
以前大家搞知识管理基本都是死循环：读一篇文章 → 点收藏 → 需要时搜索 → 重新从头到尾读一遍。等于每次都要从原始材料里重新挖信息，啥沉淀都留不下。
Andrej Karpathy 在 2026 年 4 月提出了一个更聪明的模式——LLM Wiki Pattern。他的核心洞察特别戳人：
AI知识库应该是结构化、可迭代、持久化，不是每次查问题的时候才临时凑出来的零散碎片。
说人话就是：你看过的内容AI会提前帮你整理好重点、串清楚关联，永久存到知识库里，下次要用直接拿，不用每次问问题都得把之前的原文翻出来重新读一遍重头捋。
这就是本文要分享的内容：如何用大模型构建一个真正能用起来的个人知识库，不用自己天天整理，AI帮你把脏乱差的知识库理得明明白白。
TL;DR：
技术栈: OpenClaw + SearXNG + crawl4ai + Obsidian + Gitea (NAS Self-hosted)
这套方法，我用了一周后的样子
1. 方法论：LLM Wiki Pattern
1.1 核心思想
传统的 RAG（检索增强生成）模式是这样的：
用户提问 → 检索原始文档 → LLM 拼凑答案 → 答案用完就丢
每次问答都是从零开始，没有任何积累。LLM 每次都要找并拼凑相关片段，但什么都留不下。
Wiki 模式完全不同：
用户提问 → LLM 基于已有 Wiki 回答 → Wiki 持续更新扩充 → 越积累越丰富
知识编译一次，然后保持最新。跨引用已经存在，矛盾已被标记，综合内容已反映你读过的所有内容。每添加一个源，Wiki 就变得更丰富。
1.2 三层架构
Karpathy 提出了经典的三层架构：
三层职责：
| Raw Sources | ||
| Wiki | ||
| Schema |
类比：
Obsidian = IDE LLM = 程序员 Wiki = 代码库
1.3 两种知识库的对比
| 知识形态 | ||
| 累积性 | ||
| 矛盾处理 | ||
| 维护成本 | ||
| 适合场景 |
1.4 Wiki 模式的操作流程
Ingest（摄取）：把新源丢到 raw 集合，告诉 LLM 处理它
LLM 读取源 与你讨论关键要点 在 wiki 写摘要页 更新索引 更新相关实体和概念页 添加日志条目
单个源可能涉及 10-15 个 wiki 页面。
Query（查询）：针对 wiki 提问
LLM 搜索相关页面、读取、合成答案并引用 答案可以是 markdown、比较表、幻灯片、图表 好答案可以归档回 wiki 作为新页面
Lint（检查）：定期让 LLM 做健康检查
页面间的矛盾 被新源取代的陈旧主张 没有入站链接的孤立页面 缺失的交叉引用
1.5 应用场景
这个模式可以应用到很多场景：
| 个人成长 | ||
| 深度研究 | ||
| 读书 | ||
| 团队/商业 | ||
| 竞品分析 / 尽职调查 / 旅行规划 / 课程笔记 |
1.6 两种导航文件
随着 wiki 增长，两个特殊文件帮助 LLM（和你）导航：
index.md（内容导向）
wiki 的目录——每个页面列出链接、一行摘要、可选元数据（日期、来源数） 按类别组织（实体、概念、来源等） LLM 每次摄取时更新 回答查询时，LLM 先读索引找相关页面，再深入阅读 在中等规模（~100 来源、~数百页面）下效果出奇好，不需要 RAG 基础设施
log.md（时间顺序）
只追加的操作记录——摄取、查询、lint 每条以一致前缀开头（如 ## [2026-04-02] ingest | Article Title）可用简单 unix 工具解析： grep "^## \[" log.md | tail -5日志是 wiki 演进的时间线，帮助 LLM 理解最近做了什么
1.7 Obsidian 技巧
Obsidian Web Clipper：浏览器扩展，将网页文章转为 markdown，快速将来源加入 raw 集合。
图片本地化：设置 → 文件和链接 → 附件文件夹路径设为 raw/assets/，绑定热键（Ctrl+Shift+D）下载所有图片。LLM 可以直接查看和引用本地图片，而不是依赖可能失效的 URL。
Graph View：查看 wiki 的形状——哪些页面互联了、谁是中心页面、谁是孤立页面。
Marp：基于 markdown 的幻灯片格式，Obsidian 有插件，可以直接从 wiki 内容生成演示文稿。
Dataview：对 frontmatter 运行查询的插件，如果 LLM 添加了 YAML frontmatter（标签、日期、来源数），Dataview 可以生成动态表格和列表。
1.8 可选 CLI 工具
当 wiki 增长时，你可能需要一些小工具帮助 LLM 更高效地操作 wiki：
qmd：本地 markdown 搜索引擎，混合 BM25/向量搜索 + LLM 重排，全部本地运行。有 CLI（LLM 可以调用）和 MCP 服务器（作为原生工具）。
自己 vibe-code 一个简单搜索脚本也是可以的——LLM 可以帮你快速搭建。
1.9 为什么 LLM 维护 Wiki 是革命性的
维护知识库繁琐的部分不是阅读或思考——是记账（bookkeeping）：
更新交叉引用 保持摘要最新 注意新数据何时与旧主张矛盾 维护数十个页面间的一致性
人类放弃 wiki 是因为维护负担增长快于价值。
LLM 不会无聊、不会忘记更新交叉引用、一次可以触及 15 个文件。维护成本接近零。
人类的工作：管理源、指导分析、提出好问题、思考一切意味着什么 LLM 的工作：其他一切
1.10 与 Vannevar Bush Memex 的关系
这个想法在精神上与 Vannevar Bush 的 Memex（1945） 相关——一种个人策划的知识存储，文档间有关联 Trails。Bush 的愿景更接近这个而非 Web 变成的样子：私人、积极策划，文档间的连接与文档本身一样有价值。
他无法解决的部分是谁来维护。LLM 解决了。
2. 采集工具实践
2.1 采集链路全景
采集是知识库的"源头活水"。没有持续的高质量输入，再好的知识库也会枯竭。
我的采集链路分为三层，各司其职：
2.2 为什么不用 Firecrawl？
最初考虑过 Firecrawl，但它太重了：
| 模块数 | 1 个镜像 | |
| 内存需求 | ||
| 部署复杂度 | 低 | |
| 适合场景 | 个人 NAS |
Firecrail 的问题：
需要部署 5 个独立服务 NAS 资源有限，跑不动 维护成本高
最终选择：crawl4ai，单容器，无外部依赖。
2.3 SearXNG：搜索聚合引擎
SearXNG 是一个开源的元搜索引擎，聚合 99 个搜索引擎：
Wikipedia、arXiv、Google Scholar GitHub、GitLab 各种新闻站、技术博客
为什么用 SearXNG？
不依赖单一搜索 API：分布式搜索，避免被封 支持指定引擎：可以只搜学术资料或只搜 GitHub 开源可控：部署在自己 NAS上 MCP 协议支持：可以接入 OpenClaw 作为工具
工作流程：
2.4 crawl4ai：轻量级网页采集
crawl4ai 是一个开源的网页采集工具，特点：
单容器部署：只需要一个 Docker 镜像 内置 Playwright：自动渲染 JS 页面 LLM Markdown 优化：自动提取正文，生成高质量 Markdown 异步设计：支持大规模并发采集
适用场景：
技术博客（结构清晰） 文档站点 GitHub 项目页 没有强反爬的网站
2.5 CloakBrowser：复杂站点采集
CloakBrowser 是一款反检测浏览器，适合采集"难缠"的站点：
核心能力：
多 Profile 管理：每个站点独立 Cookie 环境 登录态保持：一次登录，后续自动携带 Cookie Web UI 可视化：能看见浏览器在做什么，方便调试 CDP 协议：支持远程控制
适用场景：
微信公众号：需要微信 UA + 登录态 Cloudflare 拦截站：需要绕过浏览器指纹检测 需要验证码的站点：手动过验证码后自动采集
2.6 三层采集对比
| 搜索层 | |||
| 简单采集 | |||
| 复杂采集 |
2.7 采集后的处理
采集只是第一步，更重要的是结构化：
raw/ → wiki/ 的转换由 OpenClaw 自动完成：
读取 raw/ 中的 Markdown LLM 提取关键概念 生成结构化 wiki 页面 建立双向链接 更新索引和日志
3. 实践：我的双库架构
3.1 Obsidian 双库设计
我的方案是用 Obsidian 分两个库，职责分离：
Personal 库（个人笔记主库）
使用 PARA 组织法（Projects, Areas, Resources, Archives） 存放自己的创作、项目笔记、随手记录 以人类写作为主
AI 库（AI 采集知识库）
存放 AI 采集和编译的内容 内部再分 raw/和wiki/两个目录LLM 主要维护，人类可参与
为什么分开？
关注点分离：个人创作 vs 信息摄入 避免 AI 生成内容污染个人思考空间 两个库可以有完全不同的同步策略
3.2 数据同步架构
这是一个多端协同的架构，涉及 PC、NAS、Gitea、OpenClaw 四个角色：
同步流程详解：
用户本地创作
PC 上用 Obsidian 编辑 Personal 库和 AI 库 Git Plugin 自动 commit Git 插件推送
定时 push 到 Gitea（Personal.git 和 AI.git） Gitea Action Runner 自动部署
检测到 AI.git 提交 自动执行脚本 pull 到 NAS 服务器 OpenClaw 采集写入
OpenClaw 运行在 NAS 上 执行采集任务后，写入 AI 库的 raw/ 和 wiki/ 完成后 push 到 Gitea 本地 Obsidian 同步
Git Plugin 定时 pull Gitea 获取 OpenClaw 的最新采集结果
3.3 为什么这样设计？
优点：
零手动同步：一切都是自动的，Git 就是同步中枢 版本可控：所有改动都有 commit history，可回滚 多端一致：PC、NAS、Gitea 三端永远同步 隔离安全：Personal 库和 AI 库独立，不互相干扰
适合人群：
有 NAS 服务器 愿意用 Obsidian + Git 管理笔记 希望 AI 能自动采集和整理信息
4. 工具部署：Ansible 自动化
为了方便管理和迁移，我用 Ansible Playbook 管理所有工具：
# 核心 playbook 结构
├── searxng.yml # SearXNG 部署 + MCP 配置
├── crawl4ai.yml # crawl4ai Docker 部署
├── cloakbrowser.yml # CloakBrowser + Profile 管理
└── update.yml # 增量更新脚本
优势：
一键部署 / 升级 修改后同步到多台机器 版本可控，可回滚 基础设施即代码
5. 实验计划
目标：用 2 个月验证 LLM Notebook 的可行性
核心指标：
知识库条目数 交叉链接数 实际提问使用率 Wiki 被 LLM 引用的频率
当前进展：
✅ 采集链路打通（SearXNG + crawl4ai + CloakBrowser） ✅ Git 同步流打通（PC ↔ Gitea ↔ NAS） ✅ OpenClaw 定时任务配置（每天 3:00 / 12:00 自动调研） 🔄 持续采集中
6. 总结
核心理念：
我只负责给 URL，AI 负责采集和构建。
搞通这个数据流程，就玩转起来了。天光云影共徘徊,唯有源头活水来。
技术栈总结：
参考
Karpathy LLM Wiki Pattern crawl4ai GitHub SearXNG CloakBrowser
