获课：shanxueit.com/13466/

构建专属知识库：Obsidian联动Codex的沉淀方法论

在信息过载的时代，收藏的文章越攒越多，笔记越记越乱，真正要用时却找不到——这是绝大多数知识工作者的真实困境。传统笔记软件的逻辑是“文件夹加标签”，本质上是又一个数字仓库，只进不出。真正有用的不是“记更多”，而是让知识之间产生连接，变成越用越聪明的网络。

为什么是Obsidian加Codex？

这套组合的分工极其清晰。Obsidian负责保存和展示知识，所有笔记都是本地Markdown文件，数据完全属于你，不被任何平台绑定。Codex负责理解、整理和维护知识，作为OpenAI推出的AI Agent，它能读取、修改本地文件，并完成复杂任务。

两者的协作画面是：Codex开在一边，Obsidian开在另一边。Codex基于对话做编辑，你在Obsidian里实时看结果——点链接、看图谱、读更新的页面。Codex改文件，Obsidian秒级刷新。Andrej Karpathy用一句非常精准的话概括了这种关系：“Obsidian是IDE，LLM是程序员，wiki是代码库”。

核心突破：从“问完即散”到“持续累积”

理解这套方法为什么有效，要先看清主流RAG（检索增强生成）系统的局限。在NotebookLM或ChatGPT中上传一批文件，系统把它们切块、做向量索引。每次提问时，系统检索出最相关的片段，LLM基于这些片段生成回答。问题在于：每次查询都是独立的一次性事件。它没有把上一次的发现记下来，也没有把矛盾标注出来，没有任何东西被建立起来。

Karpathy提出的LLM Wiki模式截然不同。加入新资料时，LLM做的事情远不止“为以后检索做索引”——它读完整篇、提取关键信息、整合进现有的wiki、更新实体页、修订综述摘要、把新旧数据的矛盾标出来。一次摄入，常常同时触碰10到15个wiki页面。结果是Karpathy反复强调的——一个持久的、产生复利效应的产物：交叉引用已经建好，矛盾已被标注，综述反映了你读过的所有内容，每加一篇资料、每问一个问题，wiki都在变厚。

三层架构：让知识有序生长

这套方法的核心架构分为三层，确保知识有序沉淀：

原始资源层（raw/） 是事实仓库，存放收集到的PDF、网页剪藏、文章和笔记。原则是“只读不改”——AI只能从中读取信息，绝不能修改原始资料，保证证据可追溯。

维基文件层（wiki/） 是整个系统的核心，存放由AI提取、阅读原始资源后自动生成的结构化Markdown文件。这些文件按实体（人物、公司）、概念、对比分析分门别类，并建立密集的双向链接。

规则层（AGENTS.md） 是系统的大脑配置文件，用自然语言规定语言、分类、命名、引用、更新和验证方式。Codex会读取项目根目录的AGENTS.md，确保每次操作遵循同一套规范。

日常闭环：从摄入到沉淀

完整的知识管理工作流分三步走：

第一步，摄取资料。 看到有价值的文章，直接把链接或文件交给Codex，它会先完整阅读、核验并展示“来源地图”，再只询问真正需要你判断的问题。一个让许多用户意外的细节是：Codex不只是机械保存文章内容，还会主动检查文章引用的外部资料是否发生了变化，结合当前信息补充，提升整理结果的时效性。

第二步，查询与追问。 摄入完成后，你可以基于已有的wiki提问。Codex默认只读，会区分已知结论、候选解释和尚缺证据，避免AI凭空编造。只有当你明确说“把刚才的回答写入Wiki”，它才进入写入流程。

第三步，定期维护。 知识库需要定期“lint”——检查结构问题、维护债务和明显缺口，帮助你看清哪些地方需要补充。

设计取舍：为什么不做某些事

这套方法有几个明确的“不做”，理解它们更能看清设计思路：不复制图片到wiki，直接引用raw里的路径，避免双份存储；不复制原文到wiki，原始文件在raw，wiki只存提炼后的知识；不引入向量搜索，量级在100篇以内，index.md加Dataview完全够用。这些取舍背后是同一个判断：中等规模下，简单结构比复杂基础设施更扛得住。

Obsidian联动Codex的真正价值，是把知识管理的“脏活累活”全部外包给AI，让人回归到最擅长的角色——寻找值得沉淀的资料，提出真正有深度的问题。当知识库不再是一次性消费的检索索引，而是一份越用越厚、持续产生复利效应的个人资产时，你积累的不再是收藏夹里的数字囤积，而是真正属于自己的、可调用的第二大脑。