近期，Andrej Karpathy 在社交平台分享了利用大模型构建个人知识库的方法。该方案未涉及新模型或产品发布，仅聚焦于 AI 如何整理与维护本地资料，却收获了超 2100 万次浏览。
随后，Karpathy 将此方法整理为名为LLM Wiki的 Markdown 文档并在 GitHub 开源，截至目前已获约4.2 万个 Star。
该方案的核心价值在于：不再让 AI 每次提问时重新检索原始资料，而是使其持续整理、连接并更新知识，最终形成一个自我生长的“第二大脑”。本文将以Codex + Obsidian为例，完整演示该系统的搭建过程。
为什么选择 Codex + Obsidian？
Obsidian是一款拥有数百万用户的本地 Markdown 知识管理工具。其核心优势在于数据完全本地化，并通过双向链接和知识图谱将零散笔记构建成个人知识网络。
Codex是 OpenAI 推出的 AI Agent 工具，周活跃用户达数百万。它正从代码助手演变为通用 Agent，具备读取、修改本地文件及执行复杂任务的能力。
两者分工明确：
- Obsidian：负责知识的存储与展示；
- Codex：负责知识的理解、整理与维护。
Obsidian 中的笔记本质上是本地 Markdown 文件，知识库即为普通文件夹，任何编辑器、脚本或 AI Agent 均可直接读写。即使文件被外部修改，Obsidian 也能实时同步。
Codex 可在该目录下读取文件、修改内容、运行脚本，并依据项目中的AGENTS.md文件遵循预设的目录结构、命名规则及维护流程，确保操作规范统一。
简而言之：Obsidian 是知识库后台，Codex 是 AI 知识管理员，而 Markdown 文件才是真正属于用户的数据资产。
搭建知识库流程
首先在本地创建名为Knowledge的文件夹，并分别用 Obsidian 和 Codex 打开。随后，将 Karpathy 的 LLM Wiki 方法论文档投喂给 Codex，指令其按此理念初始化知识库。
生成的目录结构如下：
raw/：存储 PDF、文章、网页等原始资料；wiki/：存储 AI 提炼后的摘要、主题、概念及结论；AGENTS.md：定义 AI 整理知识的规则；scripts/：用于搜索、查漏及链接检查的脚本；README.md：记录使用说明。
系统搭建完成后，日常运维主要包含三个环节：资料摄取、基于知识库提问、定期 Lint 审查。
核心使用场景
一、智能摄取资料
遇到有价值的内容时，直接将链接或文件发送给 Codex 即可入库。初次使用时，Codex 会确认保存位置及是否需进一步提炼；用户也可设定默认规则，实现资料自动整理。
值得注意的是，Codex 具备动态校验能力。例如在处理提及某开源项目技能数量的文章时，它会主动访问项目地址核实最新数据，而非机械照搬原文，从而保证信息的时效性。
整理结束后，AI 会将长文拆解为独立知识点，并与库内既有内容建立关联。
这种模式使知识库不再以“收藏数量”增长，而是围绕核心问题不断深化。后续提问时，AI 可直接调用已提炼的关键知识，结合新资料生成回答，实现从碎片收藏到体系化知识的转变。
二、基于知识库问答
资料入库后，可直接针对知识库提问。例如询问“如何判断产品点子是否有用户需求”，Codex 会优先依据库内内容输出简洁的判断框架，并列出参考来源。
若需快速结论，查看当前回答即可；若需深入研究，可跳转至对应 Markdown 文件查阅完整背景与推导过程。这种机制既保证了回答的高效性，又确保了证据的可追溯性。
三、定期 Lint 审查
随着使用时间延长，知识库易出现重复页面、失效链接、观点矛盾等问题。建议定期指令 Codex 进行 Lint 审查：
对整个知识库进行一次 Lint 审查。
检查重复页面、孤立页面、失效链接、过时信息、缺少来源的结论和相互矛盾的观点。
格式和链接问题可以直接修复。
涉及删除、合并和观点修改的内容，先生成报告，不要直接执行。优质的知识库不仅在于增量，更在于敢于删除、合并与修正旧知，避免沦为信息垃圾堆。
与 NotebookLM 的差异定位
NotebookLM 是一款优秀的 AI 阅读工具，支持导入多种格式资料并进行带引用的问答、生成音频概览等。但其与本方案解决的问题不同：
- NotebookLM：相当于"AI 阅览室”。适合快速阅读一批资料、临时研究新主题、无需配置本地环境的场景。它基于资料副本回答问题，不修改源文件结构。
- Codex + Obsidian：相当于“可编程的个人知识操作系统”。适合长期深耕某一领域、持续更新判断、自定义处理流程及对知识进行二次开发的场景。Markdown 文件完全开放，支持读取、重构甚至基于此开发应用。
两者并非替代关系，最佳实践是：用 NotebookLM 快速消化资料，用 Codex+Obsidian 沉淀高价值知识。
进阶应用：生成数据看板
多数人止步于 Obsidian 的关系图谱，但结构化 Markdown 文件具备更大潜力。可指令 Codex 读取整个知识库，生成一个本地 HTML 数据看板，功能包括：
- 全局搜索与主题词云；
- 标签统计分布与时间线；
- 孤立页面与失效链接预警；
- 高频实体（人物、产品、概念）分析；
- 可点击的知识关系图及源文件跳转。
此时，Obsidian 作为后台管理系统，HTML 看板则作为面向不同场景的前端展示。同一套数据底座，可衍生出个人视图、团队看板或公开网页。
知识库不应只是被动等待提问的仓库，而应是一套能持续生成界面、报告和产品的数据底座。
结语
传统知识库解决的是“资料存在哪”的问题，而 AI 时代的知识库应解决“知识能否被持续更新、重组并转化为成果”的问题。
Karpathy 的 LLM Wiki 提供了良好起点，其核心价值在于将个人知识转化为可编程、可计算、可展示的数据资产。在此系统中：
- Obsidian 是数据后台；
- Codex 是知识管理员与开发者；
- Markdown 是长效资产；
- HTML、报表与工具是多样化前端；
- 人负责决策、选材与最终判断。
真正的“第二大脑”不是高级收藏夹，而是一套随工作持续生长、反哺思考与创造的个人知识系统。不要让 AI 仅帮你保存更多资料，更要让过往积累的知识持续参与当下的工作。