这几天刷小红书，你大概率会刷到"Obsidian+AI 第二大脑"的保姆级教程，从仓库搭建到双向链接，各种方法论模板都被人做成了现成卡片小红书。这股火的源头在 4 月 2 日：Karpathy（前特斯拉 AI 总监、前 OpenAI 创始成员）发了一条用 LLM 搭个人知识库的帖子，阅读量冲到上千万，顺手放出的 GitHub Gist 拿到 5000 多 Star，评论区长出 20 多个衍生项目知乎知乎。
4 个月过去，对还在观望的你来说，现在反而是做决定的最好时机：尝鲜的人把坑踩完了，真实成本有人实测了，连省 token 的优化方案都迭代出结果了。今天把社区这 4 个月的公测结论整理成一份清单，你对照自己的情况看就行。
Karpathy 的"LLM Wiki"到底是什么
一句话：别让 AI 每次回答问题都从零检索，而是让它把你丢进去的资料"编译"成一套互相链接的 Markdown 维基，之后由 AI 持续维护这套维基。
结构分三层：
raw/：原始资料（论文、文章、网页），只进不改；
Wiki：LLM 读完后编译出的 .md 页面，含摘要、反向链接、概念归类——这一层全由 AI 写，人基本不碰；
Schema：规则文件（如 CLAUDE.md），告诉 AI 怎么组织、什么不能做。
操作就三个：Ingest（丢新资料进去，AI 读完更新 wiki）、Query（直接对 wiki 提问）、Lint（定期体检，查矛盾、过期内容和缺失链接）。Karpathy 自己说，他的一个研究 wiki 已有约 100 篇文章、共 40 万字，可以直接对它提各种复杂问题，让 LLM 自动研究、找答案知乎。前端他直接用 Obsidian 浏览。他还特意强调这只是"idea file"，不是成品实现——这也解释了后来 4 个月里为什么会长出各种实现版本和争论。
社区 4 个月验证出的三件事
第一件：真能干活，不是演示玩具。知乎用户"卡卡带我飞"自己搭了套类似系统（多 Agent+Obsidian）跑了好几个月，他说最实在的场景是写周报：每个 Agent 每天记流水账，周末让 AI 直接汇编成周报初稿，“以前写周报翻各种记录凑内容，一两个小时打底。现在5分钟出初稿”知乎。另一位用户 Erber 把它和苏格拉底问答法结合用来期末复习，连期中错题都喂进库里知乎。这篇实践帖在知乎拿到 565 赞、1800 多收藏。
第二件：维护成本没有消失，只是从"手动整理笔记"变成了"写规则+管预算"。这是 4 个月里最大的认知差。很多人以为"AI 维护"等于躺平，实际上卡卡带我飞的规则文件迭代了至少 5 个版本，第一版只有 200 字、只写了个大致流程知乎。后来的版本一路膨胀到几百行——规则写不清，AI 就会到处踩雷、把 A 任务的流程用到 B 任务上。也就是说，整理成本前置到了 Schema 设计里。指望一键自动生成的人，大概率三周废弃：Erber 自己第一版让 AI 重构笔记的方案，跑了几周就维护不动、直接弃坑了。
第三件：token 爆炸有明确根因，也已经有成熟解法。这是和钱包最相关的部分。用户 sudden 做了实测：13 篇英文论文入库，初始构建消耗约 300 万 token；再新增 6 篇，更新消耗比初始构建还高。根因是"递归合成"——收集资料触发的更新量会随 wiki 总页面数指数增长，复杂度直接冲到 O(N³)知乎。解法同样明确：入库只做轻量处理，跨文档综合推迟到你提问时按需触发，反向链接不实时维护，冲突检测改成批量体检。优化后，新增一篇论文的更新消耗从 326 万 token 降到 42 万，约为原来的八分之一。
要花多少钱：社区实测的参考账
下面是社区实测出来的数字，不是官方价目表，量级比绝对值更值得参考：
项目 | 社区实测参考 |
|---|---|
小型垂直库初始构建（13 篇论文） | 约 300 万 token，赶上国产模型折扣时约 2.3 元 |
按优化规则设计后 | 单次更新消耗约降 87% |
国产模型 API 日常跑 | 有重度多 Agent 用户报 300-500 元/月 |
DeepSeek V4 Pro（5 月折扣价） | 输入 3 元/百万 token，缓存命中低至 2 分 |
两点提醒：一是这是 5 月大促时的价格，现在的实际账单以你下单时的价格为准；二是如果你用订阅制商用模型，成本就体现在订阅档位上，"入库+体检"越频繁，额度烧得越快，重度用户往往需要更高一档的订阅。
这份坑清单，是社区真摔出来的
中文与国产模型的坑。中文 Markdown 的双向链接 [[]] 在不同模型里表现不一样，有的模型偶尔会把 [[]] 当成特殊 token 吃掉，链接直接断掉知乎。国产模型处理长文档的能力与头部商用模型还有差距，同一套规则出来的 wiki 质量更低。用国产模型可以，但要预留调规则的时间。
AI 写坏文件的坑。Agent 有概率把文件覆盖写坏，而且这种损坏比"内容写错"致命得多——内容错了最多答错，文件坏了整个库打不开。社区的标准解法：知识库放进 Git，每次写入自动 commit，出问题一行命令回滚。没做备份就开工，等于裸奔。
知识投毒的坑。自动摄入外部内容时，恶意文档可能夹带指令，一旦被写进 wiki，会持续污染后续所有回答——间接提示注入已被 OWASP 列入大模型风险清单。个人知识库建议只喂自己看过的资料，全自动 RSS 摄入要谨慎。
摄入顺序偏见的坑。来源超过 50 个时，先进库的内容会系统性带偏整个 wiki——AI 处理第 30 篇时倾向跟前面已编译的内容保持一致，哪怕新资料更准确。解决办法：打乱顺序摄入、定期批量体检。
规模错配的坑。社区里有个很实用的量级判断：个人知识库整理完通常在几千到 2 万 token，现代模型的上下文窗口完全装得下，这套方案比"先检索再回答"的 RAG 方案更稳；但资料到了百万 token 级（几千页文档），老老实实上 RAG，LLM Wiki 只适合做预处理。
反方的声音，也值得听
知乎上 283 赞的质疑回答说得挺狠：这是一个"极大增加了管理维护复杂度，极大程度上增加token消耗，同时只适用于一小撮播客或者自媒体博主"的知识管理方案知乎。剥掉 Agent 外衣，本质就是多年前企业内部 Wiki 项目的限时返场。答主自己的替代方案倒很务实：资料直接丢进 NotebookLM、ima 这类产品，问就完了，几乎零维护。
两派其实都没错，分歧点在于：你是否对一批资料有高频、深度的提问需求。有的话——写论文、做研究、长期深耕一个领域、持续输出内容——一个越用越聪明的库值得投入；如果你的需求只是"先收藏起来，以后也许要搜"，那 RAG 类产品确实更省力，别为了折腾工具而折腾。
到底上不上车：对照这份清单
建议上车，三条同时满足：
某个领域已经积累了几十份以上资料，且会持续新增；
有高频提问或输出需求，不只是囤积；
愿意花一两个周末写规则、做迭代，不指望一键搞定。
先别上车，命中任意一条：
全部资料就是几十个收藏夹链接——你的问题不是工具，是没开始动手；
期待"AI 全自动打理"，不想碰终端和规则文件；
没有也不打算为 AI 订阅或 API 付费。
决定上车的话，按成本从低到高有三条路：
本地免费路线：Synto 这类开源项目支持 Ollama、LM Studio 跑本地模型，API 零成本，适合先验证自己能不能坚持；
国产模型低价路线：接 DeepSeek 这类打折 API，配上社区优化过的规则模板，初始构建成本以元计；
商用模型订阅路线：本来就有 Claude 等订阅的，直接用 claude-obsidian（5800 多 Star）或 llm-wiki-compiler 这类现成开源实现，省掉从零搭建的工夫知乎。
无论选哪条，都建议从一个小主题起步——先喂 10 到 20 份资料，把"入库、提问、体检"跑顺了再扩。上来就把几年的笔记全量迁移，是最常见的放弃方式。如果你的场景是备考或系统学一门学科，社区也有现成玩法：把"记笔记"和"背闪卡"合进 Obsidian——Markdown 写完的瞬间闪卡就自动做好了，复习时还能全库随机抽认，不用自己翻库小红书。
接下来值得盯的三个信号
Karpathy 今年 5 月已正式加入 Anthropic，此后他在开源社区的活跃程度直线降低知乎。这套思路会不会产品化，决定它是停留在极客玩具还是变成大众工具。
国产模型 Markdown 处理和长文档能力的迭代速度。社区判断是"再过半年，差距可能基本抹平"。
Obsidian 官方和插件生态的跟进。本周小红书的教程潮说明大众化已经在发生。
最后一句：AI 知识库不会消灭维护成本，它只是把付费方式从"每天手动整理"换成"一次写好规则、偶尔看看账单"。想清楚你要什么、愿意付什么，再动手，比抄作业重要得多。
