手把手教你用WorkBuddy+Obsidian搭建一个会自我进化的个人知识库

大家好，我是汤师爷。

你是不是也这样，看到一篇不错的 AI 教程，先收藏起来，想着周末慢慢学。

几十篇攒下来，大部分都在吃灰了。

还有一些，确实认真看过了，当时觉得懂了懂了。

过几天想用，又得从头找，还得重新看一遍。

问题不是你不努力，而是这些知识一直是零散的。

每篇文章都懂一点，但工具、概念、方法之间没有联系，学到最后还是一堆碎片化知识。

收藏夹越来越满，能用上的却越来越少。根本原因是，你缺少一个把零散知识变成体系的方法。

今天这篇文章，就带大家搭一个 AI 学习知识库。

让 AI 帮你把收藏夹里的教程整理成知识页，再把相关知识链接起来，还能持续更新，构建一个能够自我进化的个人知识库。

整套流程就五步：搭骨架、存资料、整理、使用、定时更新。小白跟着做，跑一遍就通了。

先理解LLM Wiki的三层结构

动手之前，先说清一个底层思路。

这套方法叫 LLM Wiki，是 OpenAI 创始成员 Karpathy 提出来的。

他解决的问题很实在。平时你用那些「AI 知识库」的工具，本质上就是你问一句，它临时去资料库里找几段文字，拼个答案给你。

答完就扔，下次再问，又从头读一遍。知识之间的关联没有沉淀下来。

Karpathy 把这事倒过来，别等提问了再理解，提问前就让 AI 把每份资料读透，整理成一页一页互相链接的知识页。

新资料进来，就继续往上补。

这样，所有理解过程都被保存下来了。你每次提问，都站在之前全部整理的基础上。

整体目录结构，就是三层：

层	放什么	谁来管
Raw（原始资料）	收藏的文章、论文、自己的笔记	你只管往里放，AI 只读不改
Wiki（知识页）	AI 整理出的摘要、概念、实体	AI 持续维护
Schema（规则）	目录约定、整理和查询的规范	你定规则，AI 照着做

说白了，raw 是原料，wiki 是成品，schema 是生产规范。

理解了这三层，后面每步都清楚了。

准备好3个工具

先备齐3样工具。

WorkBuddy，负责干活。读资料、整理知识、回答问题都靠它。

去官网下载，安装登录就行，注册送的新手积分跑这套流程够用。

Obsidian，负责阅读笔记。

它是一款本地 Markdown 笔记软件，笔记存在你电脑的文件夹里，能通过 [[双链]] 让相关页面互相跳转。

去官网下对应系统的版本，免费。

Obsidian Web Clipper，负责采集文章。

这是浏览器插件，能把网页正文剪成 Markdown 存进 Obsidian。从官方页面选择自己的浏览器并安装。

工具齐了，关键一步来了，也是全文最不能出错的一步。

先在 Obsidian 里新建一个仓库，名字随便起，比如「AI学习知识库」，选个好找的本地位置。

仓库本质就是一个专门放笔记的文件夹。

再打开 WorkBuddy，新建会话，把「工作空间」指向你刚建的这个文件夹。

两个软件必须选同一个文件夹。

这样 WorkBuddy 写进去的每一个文件，你在 Obsidian 里实时都能看到，一个写、一个看。

这套组合最妙的地方在于，两个软件之间其实没有任何绑定，全靠同一个文件夹对接。

第一步：搭骨架

这一步基本不用手动，直接给 WorkBuddy 发指令：

在当前文件夹搭好知识库的基础结构：
建 raw、wiki 两个文件夹，wiki 下再建 concepts、entities、sources 三个子目录。
根目录建 AGENTS.md、index.md、log.md 三个空文件。
只创建缺少的文件，不覆盖已有内容，完成后展示目录结构。

建完长这样：

每个目录的作用：

• raw/：原始资料，AI 只许读不许改，是事实的源头。
• wiki/concepts/：概念、方法、观点。
• wiki/entities/：工具、人物、平台。
• wiki/sources/：每篇原始资料的摘要。
• index.md：全库目录，AI 自己维护。
• log.md：干活日志，AI 自己记。

最关键的，是 AGENTS.md 这份工作规则。

它相当于给 AI 的一套办事章程，往后它每次进这个目录干活，都得先遵照着这份章程来。

下面的内容就是工作规则，把它发给WorkBuddy：

请把以下规则写入 AGENTS.md：

# AGENTS.md 知识库工作规范

你是这个知识库的 AI 管理员，负责把 raw/ 中的原始资料，整理、关联、查询并维护为 wiki/ 中的结构化知识页。

## 基本原则

- 默认使用中文。
- 每次任务开始前，先完整读取本文件。
- raw/ 为原始资料区，只读，禁止修改、删除、重命名或覆盖。
- 仅处理新增或发生变化的资料，禁止全量重编。

## 目录约定

| 目录 / 文件 | 用途 | 权限 |
| --- | --- | --- |
| raw/ | 原始资料（文章、论文、笔记等） | 只读 |
| wiki/concepts/ | 按主题汇总的概念、方法与观点 | 可写 |
| wiki/entities/ | 按对象汇总的工具、人物与平台信息 | 可写 |
| wiki/sources/ | 每份原始资料的摘要与出处 | 可写 |
| index.md | 全库知识导航与索引 | 可写 |
| log.md | 操作日志 | 追加写 |
| AGENTS.md | 本工作规范 | 需用户确认后修改 |

## 整理规则

1. 动手前先检索 wiki/，判断新资料是否对应已有页面；已有则更新，缺失才新建，避免重复页面。
2. 提取有长期价值的观点、方法、数据与事实，禁止机械复制原文。
3. 重要结论必须注明来源（原文链接、raw 文件路径、日期）。
4. 相关页面之间使用 [[双链]] 建立关联；仅关联实际存在且相关的页面，不为填充图谱强行连线。
5. 每页结构固定为：开头一句话简介 → 正文 → 来源 → 相关页面 → 更新时间。

## 三个目录怎么处理

### wiki/sources/：一份资料一份摘要

- 每份新增资料建一个来源页，记标题、作者、链接、日期和核心内容。缺的信息标「未提供」，不补造。
- 资料变化就更新原页，不重复新建；个人笔记标明是个人理解。

### wiki/concepts/：同一主题持续汇总

- 按概念或方法建页，综合多份资料，不逐篇抄摘要。
- 已有主题就补进对应章节，确是新主题才建页；不同观点分别留出处。

### wiki/entities/：同一对象集中记录

- 按工具、人物或平台建页，汇总相关用途和案例。
- 简称、别名归同一页，新资料补原页，版本差异注明日期。

处理顺序是先建来源页，再补概念和实体，最后查链接。比如一篇 WorkBuddy 教程，在 sources 留摘要，把步骤补进 WorkBuddy 实体页，把作用补进「搭建 AI 知识库」方法页，三者互相关联。

## 冲突处理

- 两份资料说法冲突时，禁止覆盖或删除任何一方。
- 新旧两说并列保留，各自标注出处与日期，并新增一行「冲突待裁决」提醒，交用户决定取舍。
- 资料中不存在的结论，禁止写入 wiki；无法确认的内容标记为「待确认」。

## 查询规则

1. 先查看 index.md，圈定与问题相关的知识页。
2. 仅读取相关页面；知识页信息不足时，再回溯 raw/ 原始资料。
3. 回答末尾注明依据来自哪一页。
4. 知识库无答案时如实说明，禁止编造。

## 边界与红线

- 新增、更新知识页与双链，可直接执行。
- 删除文件、批量重命名、调整目录结构、裁决冲突，必须先向用户确认。
- 拿不准的处理，一律先询问用户，禁止自行决定。

## 收尾动作

- 每次整理完成后，同步更新 index.md。
- 向 log.md 追加本次操作记录（时间、处理来源、改动页面、主要变化、待确认问题）。

这规则不是越长越好。塞太多没必要的条条框框，反而增加 AI 的探索范围和 token 消耗。

精简些，加上你最想要的需求就行。

第二步：存资料

骨架搭好，就可以开始往知识库里放东西。

有两种方式：1.网上文章用 Clipper 采集；2.本地文件直接添加。

先说 Clipper 采集。

看到好文章，浏览器右上角点一下 Web Clipper 图标，弹窗里会显示抓到的标题、来源和保存路径。

确认没问题，点「添加到 Obsidian」，整篇正文就落成一份干净的 Markdown文件。

这里有个坑，插件设置里，「保管库」一栏填的是仓库名字（比如 AI学习知识库）。

「保存路径」那一栏才填 raw。这俩别搞反。

本地文件更省事，PDF、图片、Markdown 直接拖进 raw/ 文件夹就行，Obsidian 里都点得开。

第一次用，先弄几篇就行，别贪多。

记住一个原则：原始资料的质量，直接决定整理出来知识的质量。

进去的是垃圾内容，出来的也是垃圾东西，所以宁可少收几篇，也别什么都往里塞。

打开 Obsidian 左边文件树，raw/ 里就是你刚存进去的那一排文件，随便点开一篇，标题正文都齐整，这步就OK了。

第三步：整理

资料备好了，接下来是整套流程里最关键的一环。

这一步要做的，是让 AI 把 raw 里那些零散的原文，加工成 wiki 里一页页结构清楚、能随时调用的知识。

动手之前不用自己规划每一页怎么分，把任务交给 WorkBuddy，它会照着 AGENTS.md 的章程去办：

先读取根目录 AGENTS.md，按其中的工作规范执行本次整理任务。
任务范围是 raw/ 中本次新增或发生变化的资料。

跑起来之后，你会看到它一篇接一篇地读进去，再分门别类地整理。

抽象的概念和方法进了 concepts，具体的工具和人物进了 entities，每一份原始资料则对应生成一条摘要放进 sources。

翻看这些页面，会发现它们不是孤立的，彼此之间已经靠 [[双链]] 串了起来。

这里有一点值得单独说清楚，它是「增量」地整理，不是每次推倒重来。

所以资料越攒越多，整理一次的成本并不会水涨船高，你之前沉淀下来的内容也不会反复改动。

整理完先别急着提问，去 Obsidian 把「关系图谱」点开看一眼，它就在左侧工具栏里。

你会看到，原本堆在 raw 里的几篇文章，已经被拆成一页页能互相跳转的知识节点，点与点之间靠 [[双链]] 连成了一片。

每一根连线，都代表 AI 读出了两处内容之间的一层关联。

这正是LLM wiki和普通收藏夹拉开差距的地方。

收藏夹里文件是零散的，这里的内容是被组织过的，并形成了知识体系。

第四步：使用

整理完，知识库才算开始替你干活。

在提问之前，先搞清它是怎么找答案的。

它不会把整个库从头到尾扫一遍，而是先翻 index.md，锁定跟问题相关的两三页，进去细读，再把答案组织起来，末尾标上来源依据。

换句话说，它走的路径和你查纸质书差不多，先看目录，再翻具体章节，而不是把整本书背一遍。

比如，你准备写一篇介绍 WorkBuddy 的文章，之前收藏的教程里，有的讲工具用法，有的讲实际案例。

现在就可以让知识库帮你把这些内容整理起来。

直接在 WorkBuddy 里问：

我要写一篇关于 WorkBuddy 的文章，把 wiki 里相关的观点和案例整理成一份提纲，并保留出处。

它会根据已有知识页，把相关内容按文章的逻辑组织起来。

你可以看看哪些观点值得展开、哪些案例适合拿来说明，再决定文章重点写什么。

之前收藏和整理过的资料，这时候就能派上用场了。

拿到大纲后，重要观点和案例还是要根据出处，回到 raw 目录进行核对。

它帮你省下找素材、理思路的时间，核实这一步还得自己做。

第五步：定时更新

知识库搭好以后，还需要定期整理和检查。

随着资料增加，可能会出现链接失效、相关页面没有关联，或者不同资料的结论不一致的情况。

如果一直没处理，后面查找和使用就会越来越费劲，出错概率也会变大。

这些重复工作，可以交给 WorkBuddy 的定时任务。

我们设置两个任务就够了。

第一个是自动整理。每天检查 raw，把新增或有变化的资料整理进 wiki。

帮我建一个每天定时运行的整理任务。
先读取 AGENTS.md，再对照 log 检查 raw 中有没有新增或发生变化的资料。
有就按规则整理进 wiki，并同步更新 index.md 和 log.md；
没有就结束，不做其他操作。

第二个是定期检查。每周看看哪些链接失效了，哪些页面需要补充关联，以及有没有相互矛盾的内容。

帮我建一个每周定时运行的检查任务。
检查无效双链、没有其他页面引用的孤立页面，以及结论互相冲突的知识页。
把问题和相关出处整理成清单，等我确认后再处理，处理结果记进 log.md。

两个任务设置好后，日常就少了很多手动整理的工作。

你可以继续把值得保存的资料放进 raw，定期看一眼执行结果，把需要确认的问题处理掉。

写在最后

到这里，搭骨架、存资料、整理、使用、定时更新这五步就讲完了。

回到开头的问题，收藏了几十篇教程，却没有形成体系。

这套知识库能帮你把相关内容整理到一起，需要时更容易找到，也方便接着学习。

但学习还得靠自己。看完一个方法，动手试一次，把有效的做法、遇到的问题和自己的理解记下来，再补进知识库。

这样积累的内容，以后才更能用得上。

刚开始不用收太多资料。先把收藏夹里最近想学的几篇教程拿出来，整理好，用一次。

后面有新资料、新经验，再继续往这套知识库里补。

从此，你也拥有了一个能够自我成长的知识库啦~

WorkBuddy、豆包工作、Coze 实操教程，涵盖 PPT、文件整理、数据分析、自媒体、知识库、自动化等，10 万字干货，持续更新，限时开放👉 tangshiye.cn