这才是 Agent 时代真正该有的知识库。它不是收藏夹，也不是 Obsidian 里堆一堆 Markdown。它是一套给所有 Agent 共用的维基百科。

你的习惯、项目、服务器、域名、写作规则、调研资料和踩坑记录都在里面互相关联。Claude、Codex、Gemini 读的是同一个背景，Codex 知道的，Claude 下次也能接着用。

到写稿时，这套系统已经从真实项目和真实调研里沉淀出 897 个主会话、102 个项目、288 个 wiki 页面和 1079 条关系边。

1. 持续学习，每一次 token 都变成长期知识

普通 Agent 最折腾人的地方，是每个新会话都像新员工入职。

今天 Codex 为一个部署问题读文档、翻代码、跑验证，几万 token 换来一个定位结果。明天换会话，如果没有沉淀机制，它仍然不知道这台服务器踩过什么坑、哪些方案已经被证明不能走。

LLM Wiki 要解决的不是保存聊天记录，而是把任务里学到的东西留下来。

每一次踩坑、每一个项目、每一次调研，都会变成 wiki 里的页面。可能是项目页、概念页、来源页，也可能是一条规则、一段时间线、一个以后不能再犯的错误。

过去你花 token，买到的是一次性结果。

现在你花 token，还能顺手沉淀长期知识。

2. 跨项目、跨 Agent、跨设备，一次调研所有人复用

这套系统最值钱的地方，是它不绑死在某一个 Agent 里。

它不是 Claude 的记忆，不是 Codex 的记忆，而是一套独立 wiki 系统。

• Claude 能读
• Codex 能读
• Gemini 也能读

本机能读，部署成云版本后，多台设备、多个人、多套 Agent 都能读。

个人笔记到这里就升级成了企业级知识库：

能力	效果
一次调研	所有成员复用
一次踩坑	所有项目避开
一个 Agent 补过的规则	另一个 Agent 下次直接继承

比如现在再让 Codex 处理运维问题，很多背景已经不用重新查。服务器、域名、代理、部署脚本、GitHub 内容仓库这些东西，不是在某次聊天里散落，而是能在 wiki 里重新找到。

再比如写 Claude 相关的文章，也不需要每次从零搜官方文档。Claude 的发布时间线、KYC 认证、订阅代开、模型路线、过往文章规则，都已经沉淀过。

省下来的不只是搜索时间。更重要的是，它减少了重复解释上下文的成本。

3. 自动维护，像神经反射一样工作

触发方式	说明
Hook	聊天结束后自动触发沉淀流程
MCP	模型上下文协议触发知识更新
Skill	技能包定义沉淀规则

这些机制让知识沉淀变成自动化的神经反射，不需要手动整理，Agent 自然会维护。

4. Obsidian + LLM Wiki 的核心优势

为什么选 Obsidian

• 本地存储，数据完全可控
• 图谱视图展示知识点之间的关联
• 双链笔记，页面之间互相链接
• 支持自定义插件扩展

页面类型

页面类型	内容	示例
项目页	项目背景、目标、技术栈	Gemini CLI 调研
概念页	核心概念定义	Claude Code MCP
来源页	调研资料原文	OpenAI 官方文档
规则页	工作规范、注意事项	文章写作规则
时间线	事件发展脉络	模型发布时间线
踩坑页	问题记录和解决方案	服务器代理配置

关系边的价值

页面之间的关系边（Links）是最有价值的数据结构。它让知识从孤岛变成网络：

• A 项目用到了 B 概念
• C 来源证明了 D 结论
• E 规则是为了避免 F 踩坑

一句话总结

LLM Wiki 让每一次 token 消耗都变成长期知识积累。Claude、Codex、Gemini 共用一个大脑，Agent 真正开始持续学习。