Claude Code + Obsidian 实战：基于 Karpathy 知识编译方法，自动化构建个人知识库

笔记越记越多，但从来不翻。你是不是也这样？

前段时间，知名 AI 研究者 Andrej Karpathy 分享了他的解法：用 LLM 把散乱的资料编译成可查询、能自我修复的知识系统。这正好解决了我的一个痛点。

从一月底到现在，我陆续写了 43 篇 AI 实战文章，涉及二十多个工具。单篇看有深度，但整体是散的。最近有出版社找我聊出书，我才发现自己都说不清写了什么、缺什么、下一步该写什么。

之前我写过一篇 Obsidian 的介绍文章，讲得比较浅。这次，我结合 Karpathy 的方法和更深入的实践，把完整的自动化知识库构建过程跑了一遍，希望能给你提供一个可行的思路。

第一步：系统设计与数据采集

整个流程的核心，是一个 “摄入（Ingest）- 知识库（Knowledge Base）- 读取/查询（Read/Query）” 的循环系统。

我的起点是 43 篇 Markdown 格式的文章。首要任务是让 Claude Code 扫描整个目录，生成一份全局内容清单。 43 篇文章的标题、字数、涉及的核心工具，几秒钟全部列出。这一步看似简单，意义在于你第一次在一个地方看到了自己所有内容的全貌，这是后续所有自动化处理的基础。

第二步：核心环节 — LLM 编译

我在文章目录下新建了一个 wiki/ 文件夹作为 Obsidian 的仓库（vault）。接下来是最核心的 LLM 编译 阶段。Claude Code 会逐篇读取 43 篇文章，并执行以下任务：

1. 生成摘要卡片：为每篇文章生成一张摘要卡片，用三五句话概括核心内容，并标注核心观点和涉及的工具。所有工具名都用 Obsidian 的 [[双向链接]] 语法标注，例如 [[Claude Code]]、[[MCP]]。这不是装饰，后面整个知识网络就靠这些链接建立关联。
2. 生成概念页：从所有摘要卡片中提取高频出现的技术概念（如 Claude Code, MCP, Superpowers），为每个概念生成一个独立的说明页面。
3. 生成索引页：自动创建全局索引、按栏目索引、按工具索引、时间线索引。

我将整个过程拆解为多个顺序执行的任务，让 Claude Code 一步步跑。

生成摘要卡片最耗时，我启动了 4 个 agent 按文章栏目并行处理，十来分钟全部完成。

43 张卡片生成后，Claude Code 自动提取出 18 个高频概念，并让两个 agent 并行生成上下两批概念页。

最终，wiki/ 文件夹里生成了 73 个 .md 文件：43 张文章卡片、25 个概念页、5 张索引。这不是简单的复制粘贴，而是 LLM 理解后重新组织的结构化产物。

打开一张文章摘要卡片，结构清晰，信息密度高：

打开按工具索引页，每个工具下关联了所有相关文章，一目了然：

为什么强调“编译”？ 直接让 Claude Code 每次会话读 43 篇原文（约30万字）也能回答问题，但每次都要重新解析、推导关系，效率低且不一致。而编译后的 wiki 是知识密度更高的产物，摘要浓缩到约 5 万字，概念关系已“物化”为具体的链接文件，查询时无需重复计算。

这就好比运行程序是直接执行编译后的二进制文件，而不是每次从源代码重新解释。知识管理同理，编译一次，后续即可高效、稳定地反复查询。

第三步：可视化与探索

用 Obsidian 打开 wiki/ 仓库，其 Graph View（图谱视图） 能直观展示整个知识网络的全貌。

图中，Claude Code 是最大的节点，延伸出 28 条连接线。OpenCode 是第二大节点。MCP 处于中间位置，连接着 Figma、Pencil 等设计工具和 Obsidian 本身。

你可以点击任何一个节点跳转到对应的概念页，再通过概念页中的链接跳转到相关文章的摘要卡片。这种沉浸式浏览能让你发现此前未曾注意的关联。例如，我分别写过 Pencil 和 gstack 的文章，却从未想过将它们结合起来。在图谱上看到它们“相邻”，一个新的交叉选题自然就浮现了。

首页 INDEX.md 提供了清晰的导航入口，可以快速抵达各类索引和最近更新的文章。

第四步：主动查询与知识发现

这才是整个流程价值最大化的环节——对你的知识库进行主动提问。

问题一：“我写过哪些 Claude Code 的实战文章？覆盖了哪些能力点？还有什么重要功能没写？”

Claude Code 扫描所有概念页和文章卡片后，生成了一份详细的覆盖矩阵报告。

报告显示，我对 Agent Teams、Subagents、Skills、git worktree 等功能都有深度文章覆盖。但空白区让我意外：Hooks 系统、IDE 插件、CI/CD 集成、Memory 持久记忆等功能居然是零覆盖。 写了两个月，这些核心高级功能我竟完全没触及。

问题二：“我的文章里，概念之间的关联性如何？有哪些潜在的模式？”

Claude Code 进一步分析，生成了一张概念引用频率排名表和 7 个聚类拓扑图。

它将所有工具/概念分成了 CLI 工具层、Agent 架构层、设计协作层、代码质量层、方法论层 等聚类。图表清晰地揭示了哪些聚类之间联系紧密，哪些像“孤岛”。例如，OpenCode 和 Superpowers 这两个重要概念在文章中没有产生任何交叉。

问题三：“基于以上分析，推荐我接下来应该写什么？”

Claude Code 给出了三个高优先级选题：

1. Claude Code Hooks 实战（填补零覆盖的高级功能空白）
2. MCP Server 横评（频繁出现但从未作为专题主角）
3. OpenCode + Superpowers 组合实践（连接两座“孤岛”）

每个选题都附带了理由和可关联的已有文章。这些洞察，靠自己手动翻文件夹是很难系统发现的。

更重要的是，这些问答结果并非一闪而过的聊天记录。Claude Code 将完整的分析保存成了两个 .md 文件，下次进行内容规划时，直接打开文件就能复用这些洞见。

第五步：校验、修复与持续迭代

最后一步是让系统进行自我校验。我让 Claude Code 扫描 wiki 中所有的 [[双向链接]]，检查哪些链接指向了不存在的文件（即“断链”）。

系统扫出了 32 个断链——例如，[[Kimi]] 被 4 篇文章引用却没有对应的概念页，[[GLM-5]]、[[BMAD]] 同理。接着，Claude Code 自动补建了 7 个高频缺失的概念页，将断链数降至 25 个（剩余多为低频模型版本号，无需单独建页）。

这就是 Karpathy 所说的“知识库的自我修复”。你无需事无巨细地人工维护，LLM 可以主动查漏补缺。

这套系统是“活”的。未来每写一篇新文章，都可以让 Claude Code 生成摘要卡片加入 wiki，并自动更新相关索引和概念页。知识库像滚雪球一样越滚越大，链接网络也越来越密。

总结与思考

对我而言，最大的收获不是那个酷炫的知识图谱，而是通过主动提问获得的几个关键答案。两个月的工作被清晰地量化、归类，空白区被明确标识，未来的方向也变得有据可依。再面对出版社的规划询问，我也不至于临时抱佛脚。

这套方法适用于任何拥有大量散落 Markdown 文件的人，无论是技术笔记、读书摘录还是项目文档。它的局限性在于初次编译需要一定的计算时间（十分钟左右），且 Obsidian 对非技术用户有一定学习门槛。

但核心问题不在于工具，而在于方法。大多数人使用笔记软件，只是把东西存进去，然后永远不再打开。知识管理的真正目的，是让知识流动和被利用起来。 通过结合 Claude Code 的自动化处理能力和 Obsidian 的可视化、链接特性，我们能够构建一个真正动态、可查询、能自我演进的知识系统，让积累产生复利。