2100万次围观的 Karpathy 第二大脑，我用 Codex+Obsidian 跑通了，还做成了 AI 知识看板

前段时间，Andrej Karpathy 在 X 上分享了自己使用大模型搭建个人知识库的方法。

没有发布新模型，也没有推出新产品，只是讲了讲如何让 AI 整理和维护本地资料，这条帖子却获得了超过 2100 万次浏览。

随后，他又把这套方法整理成一份名为 LLM Wiki 的 Markdown 文档，并在 GitHub 上公开。截至我查看时，这份文档已经获得了约 4.2 万个 Star。

这套方法最吸引我的地方是：它不再让 AI 每次提问时都从头翻找资料，而是让 AI 持续整理、连接和更新你的知识，最终形成一个会自己生长的“第二大脑”。

这一次，我用 Codex+Obsidian，把它完整搭了出来。

为什么使用 Codex + Obsidian？

Obsidian 是一款本地 Markdown 知识管理工具，目前拥有数百万用户。它最大的特点是数据完全保存在本地，并通过双向链接和知识图谱，把零散笔记连接成个人知识网络。

Codex 是 OpenAI 推出的 AI Agent 工具，已经拥有大几百万周活跃用户。它正在从代码助手逐渐扩展为通用 Agent，不仅可以编写代码，还能读取、修改本地文件，并完成复杂任务。

两者的分工非常清楚：

Obsidian：负责保存和展示知识

Codex：负责理解、整理和维护知识

Obsidian 中的所有笔记，本质上都是本地 Markdown 文件。

一个知识库就是电脑里的普通文件夹，其他编辑器、脚本和 AI Agent 都可以直接读取这些内容。即使文件被外部修改，Obsidian 也能同步展示最新结果。

而 Codex 可以在这个目录中读取文件、修改内容、运行脚本，并完成多个步骤的任务。

它还会读取项目中的 AGENTS.md 文件，因此我们可以提前定义知识库的目录结构、命名规则、引用方式和维护流程，让 Codex 每次操作都遵循同一套规范。

所以，这套系统可以这样理解：

Obsidian 是知识库后台，Codex 是 AI 知识管理员，Markdown 文件才是真正属于你的数据资产。

搭建知识库

我先在电脑中创建一个名为 Knowledge 的文件夹，然后分别使用 Obsidian 和 Codex 打开它。

接着，把 Karpathy 的 LLM Wiki 方法文档交给 Codex，让它根据这套理念搭建知识库。

最终，Knowledge 中生成了类似下面的结构：

这个目录就是一个由 AI 协助管理的本地知识库：

raw/：保存原始资料，例如 PDF、文章、网页和笔记

wiki/：保存 AI 阅读资料后提炼出的摘要、主题、概念和结论

AGENTS.md：规定 AI 应该按照什么规则整理知识

scripts/：用于搜索知识、检查遗漏、发现失效链接

README.md：记录知识库的使用方式

搭建完成后，日常使用主要分为三个动作：摄取资料、基于知识库提问，以及定期做 Lint 审查。

如何使用？

一、摄取资料

看到一篇有价值的文章后，我会直接把链接或文件交给 Codex，让它收入知识库。

Codex 的操作比较克制。

第一次收到资料时，它通常会先询问是否需要保存、放到哪个目录，以及是否要进一步提炼。

如果你希望以后发送资料后直接整理，可以告诉它：以后我发给你的学习资料，默认直接保存到知识库。

它会把这项要求写进规则或记住当前项目中的操作习惯。

接下来，我又给了它两篇文章。

这里有一个细节让我有些意外。

其中一篇文章写作时提到某个开源项目包含 36 个 Skill，但 Codex 在处理文章时，又主动查看了文章中的开源地址，发现项目里的 Skill 数量已经发生变化。

也就是说，它不只是机械地保存文章内容，还会继续检查文章引用的外部资料。

对于可能发生变化的信息，它能够结合当前页面进行补充，从而提升整理结果的时效性。

整理完成后，AI 不再只是生成一篇长摘要，而是把文章拆解成多个独立知识点，并与知识库中已有的内容建立关联。

知识不再按照“收藏了多少篇文章”增长，而是围绕真正重要的问题不断变厚。

以后提问，AI 不需要重新通读所有原文，就可以先定位已经提炼过的关键知识，再结合后来加入的资料生成回答。

这种方式既能保留原始资料，又能提炼长文、连接同类内容，并随着新资料不断补充和修正，最终把零散收藏沉淀成自己的知识体系。

二、基于知识库提问

完成资料摄取后，就可以直接围绕知识库提问。

例如，基于刚才处理过的文章，我问：如何判断一个产品点子是否真的有用户？

Codex 没有一上来输出一篇很长的通用分析，而是先根据知识库里的内容，给出了相对简洁的判断框架。

同时，它还列出了对应的知识页面。

如果只想快速得到结论，看当前回答就够了。

如果需要进一步研究，再打开相关 Markdown 文件查看更完整的背景、来源和推导过程。

这也是我觉得这种知识库更实用的地方：

回答可以简洁，但背后的证据和详细内容依然可以追溯。

三、定期做 Lint 审查

知识库使用时间越长，越容易出现重复页面、失效链接、过时结论和相互矛盾的观点。

所以，我会定期让 Codex 对整个知识库做一次 Lint 审查。

可以直接输入：

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。

真正好的知识库，不只是不断增加内容，还要敢于删除、合并和修正旧知识。

否则，AI 只是帮你更快地制造了一堆新的信息垃圾。

它和 NotebookLM 有什么区别？

我之前专门写过 NotebookLM。

NotebookLM 是我非常喜欢的一款 AI 知识库工具。

它可以直接导入 PDF、网页、YouTube、音频和 Google 文档，围绕指定资料进行带引用的问答，还可以生成音频概览、思维导图和学习资料。

但 NotebookLM 和本地 LLM Wiki 解决的并不是同一个问题。

我会这样区分：

NotebookLM 是一个优秀的 AI 阅览室，本地知识库是一套可以编程的个人知识操作系统。

NotebookLM

适合快速阅读一批资料、针对原文进行问答、生成摘要、音频和思维导图、临时研究一个新主题、不想配置任何本地环境的人。

Codex + Obsidian

适合长期研究同一个领域、持续更新自己的判断、让 AI 直接修改知识结构、自定义目录、规则和处理流程、对知识进行二次开发。

NotebookLM 导入的通常是资料副本或同步内容。

它会围绕这些来源回答问题，但不会直接修改原始文件，也不会按照你的规则重新组织整个文件结构。

本地知识库则不同，Markdown 文件是完全开放的。

Codex 不仅能够读取，还可以更新、合并和重构这些文件，甚至可以基于知识库继续写代码、生成网页和开发工具。

所以，两者并不是替代关系。

我的使用方式是：

用 NotebookLM 快速阅读资料，用 Codex+Obsidian 沉淀真正值得长期维护的知识。

我认为不是所有看过的东西都值得进入第二大脑。

更进一步

大多数人搭建完 Obsidian 知识库后，最后会停留在关系图谱。

图谱看起来很复杂，也很有科技感，但实际使用效率不一定高。

我更感兴趣的是：

既然这些笔记都是结构化的 Markdown 文件，为什么不能让 Codex 根据它们，生成一个真正属于自己的知识网站？

于是，我让 Codex 读取整个本地知识库，生成一个可以直接在浏览器中打开的 HTML 数据看板。

我给它的要求是：

请读取当前知识库中的 Markdown 文件，生成一个可以在浏览器中直接打开的本地 HTML 知识看板。
需要包含：
1. 全局搜索。
2. 知识主题词云。
3. 按标签统计的主题分布。
4. 知识新增和修改时间线。
5. 最近更新的页面。
6. 孤立页面和失效链接提醒。
7. 高频出现的人物、产品和概念。
8. 可点击的知识关系图。
9. 每个页面可以跳转回对应的 Markdown 文件。
10. 数据直接读取本地文件，不依赖远程数据库。

这样一来，Obsidian 就不再是唯一的查看方式。

它更像知识库的后台，而 HTML 是根据具体场景设计的前端。

同一个知识库，甚至可以生成多个不同的前端。

自己使用时看完整后台，给团队看项目看板，给用户看经过筛选的公开网页。

这也是我在实践之后形成的第二个判断：

知识库不应该只是一个等待被提问的仓库，它应该是一套能够持续生成界面、报告和产品的数据底座。

最后

过去，我们搭建知识库，主要是在解决一个问题：我的资料放在哪里？

到了 AI 时代，真正值得解决的问题变成了：我的知识能不能被持续更新、重新组合，并转化成新的成果？

Karpathy 的 LLM Wiki 给出了一个很好的起点。

但我认为，它真正有价值的地方，不只是用 AI 自动整理 Obsidian，而是把个人知识变成一种可以被编程、被计算、被展示的数据。

在这套系统中：Obsidian 是数据后台，Codex 是知识管理员和开发者，Markdown 是可以长期保存的知识资产，HTML、报告、图表和工具是知识的不同前端，人负责选择资料、提出问题并做最终判断 。

AI 第二大脑不是一个更高级的收藏夹。

它应该是一套会随着你的工作持续生长，并且能够反过来帮助你思考、判断和创造的个人知识系统。

不要只让 AI 帮你保存更多资料。

更重要的是，让过去积累的知识继续参与今天的工作。

感谢你读到文末。

AI 时代，工具会不断变化，但持续学习和思考的能力永远重要。

如果这篇文章对你有帮助，欢迎点赞、在看，转发给身边的朋友。

记得星标我 ⭐，后续继续分享更多 AI 产品实践、工具探索和创业思考。

很高兴与你相遇，我们下期见。