大神卡帕西又一构想落地！Claude Code + Obsidian 爆火：创建你的「第二大脑」|上下文|卡帕西|工作流|持久化|知识库|调用

从 LLM Wiki 到第二大脑，AI 已经实现持续记忆与自进化。

作者丨樊天骄

编辑丨郑佳美

2026 年 4 月，AI 领域最具影响力的学者之一 Andrej Karpathy 提出了一种名为 LLM Wiki 的个人知识编译系统，用来重构他自己的研究知识管理方式。该帖子一经发布便迅速在技术社区引发传播，累计浏览量超过 2000 万级别，直接成为当月最具讨论度的 AI 事件之一。

为什么这样一个看似“个人笔记系统”的方案会引爆整个互联网？本质原因在于它第一次把 LLM 的使用范式从「对话式工具」推向了「知识生产系统」——模型不再是被动回答问题，而是主动参与知识组织、结构生成与长期演化。

这套系统的核心并不复杂：把原始资料（论文、代码、网页、图片）统一沉淀到 raw/ 目录，然后由 LLM 持续“编译”为结构化的 wiki 知识库（Markdown 形式），自动生成概念页、总结页与交叉引用，并不断维护索引与一致性。换句话说，LLM 不再只是问答工具，而是一个持续运行的“知识编译器”。

而在 2026 年 6 月 27 日，一种更工程化的实现方式开始出现：一位名叫 RGK 的开发者将 Karpathy 的 LLM Wiki 思路进一步落地，用 Claude Code + Obsidian 构建出可执行版本的“第二大脑系统”。

不同于原始方案依赖脚本与手动编排，这一版本直接将 LLM 接入本地文件系统与知识库结构，让“编译 wiki”这件事变成持续自动运行的工程闭环。

90% 的模型能力可能被浪费

在 Karpathy 这套方案出现之前，大多数人使用 Claude 类大模型时都面临三个结构性瓶颈：记忆存储断层、上下文治理失序、执行接口封闭。而Claude Code + Obsidian 这套方案则完整地解决了这三类问题。

记忆存储断层：大模型的原生设计决定了它本质是「无长期记忆的会话式系统」：所有上下文仅存活于当前对话窗口，会话终止即数据清零。

这在长期研究类任务中暴露的缺陷尤为明显 —— 无论是跟进 AI 推理加速技术，还是开展系统优化专项研究，每一次新对话都要从零重建背景信息，模型既无法继承前序的分析结论，也无法沉淀用户专属的知识体系。

Claude Code + Obsidian 方案的思路是，将 Obsidian 作为统一知识底座，通过读写本地文件实现认知状态持久化。

Obsidian 并非普通笔记软件，而是基于本地文件系统的内容管理器（所有内容以标准 Markdown 文件存储，不依赖数据库或云端）。依托文件系统原生能力，它天然具备可读、可写、可被外部程序直接访问的开放属性，成为理想的外部持久化记忆层。

从系统设计视角看，这相当于用可无限扩容的文件系统，替代了容量有限的模型上下文窗口，将认知状态从「临时缓存」升级为「可持续演化的长期记忆知识库」。

上下文治理失序：在用户使用的过程中，经常输入较为混杂的信息，导致模型上下文利用效率低下。这类问题的核心原因在于用户缺乏对数据进行结构化处理（筛选与分类）的意识。

许多人误以为“输入更多资料等于更好结果”，但未经整理的原始信息反而会降低有效信息密度：冗余占用 token，重复干扰注意力，冲突信息影响结论稳定性。

此外另一重原因是，知识资产往往分散在浏览器、笔记工具与本地文件系统中，格式与结构不统一，使得在调用模型前必须额外进行信息筛选与归集，进一步压缩真正可用于推理的上下文空间。

针对这一问题，Vault 通过 raw sources 与 Ready 的双层目录结构重构上下文治理机制，本质是在存储层面实现“信息分层治理”。

raw sources 作为原始输入层，用于存放未经处理的一手资料（如行业文章、播客记录、书籍摘录与会议内容等），主要作用是完整保留信息源，不参与推理；Ready 则作为结构化输出层，存放经过 Claude 进行去重、压缩、结构化与语义链接后的高密度知识表示，用于模型的二次读取与推理。

这种设计本质是在文件系统层面完成一次“知识蒸馏”：将原始噪声与高价值上下文彻底分离，使模型不再在推理阶段处理冗余信息。

例如，一篇 2 万字的播客逐字稿如果直接输入模型，会造成 token 消耗过高且注意力分散；而经过结构化压缩为约2 千字的 Ready 笔记后，模型可以直接进入有效推理空间，显著提升信息利用效率与输出稳定性。

因此，这一设计的核心价值不在于“整理信息”，而在于通过分层结构让模型始终运行在高质量上下文之上，从源头降低噪声干扰，并提升推理效率与结果可靠性。

执行接口封闭：在传统 AI 工具的使用方式中，人机协作其实存在一个隐性的断点：AI 负责生成思考结果，但这些结果无法直接进入人的工作流，只能依赖人工在不同系统之间搬运。

例如，用户需要先将 AI 的输出复制到外部工具中保存（如 WORD 或 WPS），再在后续任务中手动检索并重新输入上下文。这种反复切换与复制的过程，本质上让人变成了系统之间的“中转层”，而不是与 AI 协同工作的参与者。

问题的根源并不是工具不够多，而是 AI 与真实工作环境之间缺乏直接的执行连接——模型只能输出文本，但无法参与后续动作。

针对这一点，Claude Code 提供了一种关键能力：它可以直接与本地文件系统交互，在同一个环境中完成信息读取、处理与写回操作，使 AI 不再停留在“输出端”，而是进入真实工作流的执行链路中。在这种机制下，AI 的角色发生了变化：从单纯提供答案的“信息生成器”，转变为能够参与任务执行的轻量 Agent。

整个工作方式也随之重构为两种模式的差异：

过去是：人负责衔接所有环节——发起问题 → 获取 AI 输出 → 手动转存 → 再次整理 → 再次输入；

现在是：人只负责发起任务意图 → AI 直接进入执行流程 → 自动完成信息处理与结果生成 → 返回可直接使用的结果。

例如，当用户提出一个任务：“对这三篇关于推测解码的论文进行对比分析，并输出关键差异与结论”，AI 不再只是给出文本答案，而是可以直接完成读取资料、结构分析、结果生成并输出最终可用成果。

这对应的是 “工具调用 + 执行型 Agent”范式升级：模型不再只是认知输出单元，而是嵌入到真实任务流中的执行节点，使人机协作从“对话式问答”升级为“任务驱动式执行”。

最终带来的变化是：人不再被迫处理信息流转的细节，而是专注于定义目标，AI 负责完成从理解到执行的整个路径。

让知识系统自己变聪明的反馈闭环机制

除了破解记忆断层、上下文失序与执行割裂三大问题，Claude Code + Obsidian 更重要的突破在于：为整个知识系统引入了“自我迭代的闭环能力”。

绝大多数个人知识库最终都会退化为“信息坟场”：资料持续进入但缺乏持续维护机制。随着时间推移，过期信息、矛盾观点与未更新结论不断堆积，而人工维护成本过高，导致系统逐渐失去可用性。

这套方案的关键设计，是引入“周期性知识健康巡检机制”：由 Claude 定期扫描整个知识库，自动识别冲突信息、标记过期内容、梳理知识盲区，并输出结构化的巡检报告。

这一机制改变了传统“存入即结束”的静态存储模式，使知识系统从被动仓库升级为持续演化的认知结构——信息不再只是被保存，而是在持续被审视、修正与补全。

从工程视角看，这一逻辑与软件系统中的反馈闭环与持续迭代机制一致：一个具备长期价值的系统，不仅要能执行输入指令，更要具备自我诊断与自我优化能力。