1
收藏變數位垃圾
網頁截圖、PDF、文章與筆記下載一堆，但過幾週後再也沒打開過。
Flash Lesson 05｜LLM Wiki 知識管理實戰
把 AI 從解釋器
把 AI 從解釋器
升級成知識編譯器
打造會進化的 LLM Wiki
收藏不再變成數位垃圾，AI 也不用每次都從零開始翻資料。這堂課會帶你用 Raw、Wiki、Schema 三層架構，建立會持續更新、互相扣連、能被 Claude 長期讀取的個人知識系統。
Core Idea
為什麼你需要 LLM Wiki？
傳統知識庫與傳統 RAG 的致命痛點，是它們常常只把 AI 當成資料解釋器。資料被收藏起來，卻沒有被持續整理、連結、更新，也無法累積歷史知識。
2
AI 每次都失憶
傳統 RAG 每次問答都像從零開始翻資料，無法真正累積歷史知識。
3
知識沒有互相扣連
資料看似存在，但彼此沒有關係，查詢時只能找到片段，無法形成脈絡。
4
Karpathy 的解法
把 LLM Wiki 當成編譯器：新知識輸入時，AI 會回頭更新舊的關聯頁面。
Architecture
知識庫的三層核心架構：Raw、Wiki、Schema。
真正能長期運作的 LLM Wiki，不只是把資料丟進資料夾，而是把原始素材、核心知識與模型規則分層管理，讓 AI 能穩定整理、連結與維護。
1
Raw｜原始數據層
存放最原始的素材，包含文章、PDF、網頁擷取與會議紀錄。Raw 層唯讀不可寫，確保數據不被篡改、來源可追溯。
2
Wiki｜核心知識層
由 AI 自動生成實體、概念、摘要與雙向連結網路，是知識真正開始彼此扣連、形成複利的核心載體。
3
Schema｜靈魂規則層
交付給模型的規則手冊，例如 claude.md，把通用聊天機器人調教成懂紀律、懂你分類邏輯的知識管理員。
Operating Flow
LLM Wiki 的三大運行步驟。
LLM Wiki 的重點不是一次整理完，而是每次新增資料都會牽動既有知識頁面，讓系統越用越懂你、越用越完整。
攝入與自動關聯
丟入素材後，AI 自動拆解成結構化 .md 筆記，並主動挖掘新舊筆記交集。
新文章牽動舊頁面
一篇新文章通常會牽動 10-15 個頁面集體更新，讓知識像維基百科一樣彼此扣連。
查詢與回填
透過輕量化 index.md 快速定位；高品質 AI 問答結果會回填至 Wiki，讓知識持續增值。
健康檢查 Lint
定期讓模型體檢知識庫，找出矛盾、過時或孤立頁面，確保系統不長歪。
指數級進化
讓知識不只是被保存，而是會在每次更新中重新編譯、互相補強並累積複利。
Toolchain
實作工具鏈與多元串接路徑。
Claude / AI 外掛
負責解析素材、提取實體、建立連結，將原始資料轉成 Wiki 可用的結構化知識。
Obsidian
作為知識庫閱讀器與視覺化關聯圖譜，讓你能看見知識如何彼此扣連。
Obsidian Web Clipper
負責一鍵收藏網頁至 Raw 層，讓資料來源可追溯，也避免素材散落各處。
Cloudian 入門路徑
直接安裝 Obsidian 內的 Cloudian 外掛，免碰終端機，適合想快速開始的人。
Claude Code 自動化路徑
適合自動化派，用 Claude Code 進階操作知識庫整理、更新與檢查流程。
MCP 常駐顧問路徑
透過 MCP 讓桌面版 Claude 長期讀取本地 Vault，成為懂你脈絡的常駐顧問。
Custom Workflows
掌握三層架構後，你可以客製化自己的知識工作流。
會議記錄追蹤系統
把會議紀錄、決策、行動項目與後續追蹤連成一套可查詢、可更新的系統。
設計工具筆記系統
把工具教學、設計規範、案例與個人操作心得整理成可持續成長的 Wiki。
研究資料管理系統
將文章、PDF、引用資料與研究摘要互相扣連，避免每次研究都從零開始。
個人 AI 顧問系統
讓 Claude 長期讀取你的 Vault，回答時帶入你的歷史脈絡、分類邏輯與既有決策。
Schedule
60 分鐘線上課程，從架構到工具鏈一次拆解。
part 01
核心理念：為什麼你需要 LLM Wiki
拆解傳統知識庫與傳統 RAG 的痛點，以及 Karpathy 所說的 LLM Wiki 編譯器思維。
part 02
三層核心架構：Raw、Wiki、Schema
說明原始數據層、核心知識層與靈魂規則層如何分工，讓 AI 成為知識管理員。
part 03
三大運行步驟與工具鏈
示範攝入、自動關聯、查詢回填與健康檢查，並介紹 Claude、Obsidian、Web Clipper、Claude Code 與 MCP 的分工。
Flash Lesson 05
LLM Wiki