用Obsidian+LLM Wiki+Composer 2.5 fast打造智能笔记系统

背景

在个人知识管理领域，笔记工具的使用者常面临两个核心矛盾：一是笔记数量增长后检索效率下降，二是本地化存储与云端同步之间的权衡。Obsidian 作为一款基于本地 Markdown 文件的笔记工具，天然解决了数据主权和版本管理问题，但其传统的文件夹+标签+搜索模式在面对海量笔记时仍显笨拙。与此同时，大型语言模型（LLM）的进步为智能索引和对话式检索提供了可能。Karpathy 提出的“LLM Wiki”概念——利用 LLM 自动构建并维护一个知识库——为这一方向提供了设计灵感。

本方案的作者结合 Obsidian、LLM Wiki 以及 Coding Agent（如 Cursor）和高速推理模型 Composer-2.5-fast，构建了一套近乎实时的、多工具协同的笔记管理流水线。其核心目标是通过 AI 的增量处理和混合检索能力，让“找不到笔记”成为过去式。

核心内容

该方案围绕“本地优先、增量索引、多路径召回”这三个设计原则，具体分为三个环节：配置、结构设计、日常使用。

配置

1. 环境搭建：在 Obsidian 的 Vault 中创建一个名为 llm wiki 的特殊文件夹。该文件夹完全由 LLM 控制，用户不应手动修改，以避免冲突。
2. 信息摄入：利用 Obsidian Clipper 浏览器插件，一键将来自 YouTube、Bilibili、微信公众号、Linux Do（L站）等平台的文章或视频文字内容收录进 Vault。用户自己手写的笔记则随意放在其他文件夹，LLM 会在后续处理中主动接管整理工作。
3. 工具选择：
   • Obsidian：作为本地笔记查看器和管理入口。
   • Obsidian Clipper：用于快速摘抄网络资源。
   • LLM Wiki：采用 Karpathy 的记忆设计思想，由 AI 自动维护该文件夹的结构和内容。
   • Cursor：作为 Coding Agent，可以同时调用多个工具（如 grep、CLI 命令、LLM 索引查询等）。
   • Composer-2.5-fast：一个 token 每秒输出（TPS）极高且推理能力不俗的模型，用于实现低延迟的交互。
   • Obsidian CLI + 版本管理+同步方案：用于自动化脚本和版本控制。

结构设计

1. 将 LLM Wiki 文件夹的路径提供给 Coding Agent（Cursor），然后与它讨论如何设计该文件夹的结构。用户需要明确告诉 agent：除了 LLM wiki 文件夹，不能修改 Vault 中的任何其他文件。
2. 在结构达成共识后，编写两个 prompt：
   • 增量索引 prompt：每天将 Vault 中新增或修改的所有内容进行增量索引，更新 LLM Wiki 中的相关条目。
   • 全量检查 prompt：每周或每月对整个 Vault 执行一次全量检查，确保索引的完整性和一致性。

使用流程

• 定时任务：每天凌晨自动运行增量索引 prompt；每周/月运行全量检查 prompt。
• 日常检索：当需要查找资料时，直接通过 Composer-2.5-fast 以对话形式提问。Coding Agent 会同时调用多个路径进行检索：
  • LLM Wiki 中的预构建索引。
  • Cursor 自带的代码/文档索引功能。
  • 直接使用 grep 命令全文搜索 Markdown 文件。
  • 通过 Obsidian CLI 查询特定文件属性。
• 由于 Coding Agent 擅长多工具并行调用，用户得到的答案可能是从 4 条不同路径同时召回的结果，显著提升检索速度和准确率。

作者强调该方案目前只是一个“基座或思路”，欢迎社区提出优化建议。

关键要点

• 本地全量存储：所有笔记（包括被 AI 索引后的版本）都保存在本地 Vault，用户拥有完全的数据控制权，不存在隐私或数据丢失风险。
• AI 只负责专属文件夹：LLM 的操作范围被严格限制在 llm wiki 文件夹内，不影响用户手动管理的笔记结构，避免 AI 产生意外修改。
• 增量与全量双索引：每日增量索引保证新内容的即时可检索性；周期性全量检查修补遗漏或冲突，维持索引质量。
• 多工具混合检索：通过 Coding Agent 同时调用 LLM Wiki 索引、Cursor 索引、grep、Obsidian CLI 等，实现“四路同时召回”，极大降低漏检概率。
• 极低延迟交互：选择 Composer-2.5-fast 模型，利用其高 TPS 特点，使得对话式检索几乎无等待感。
• 低门槛摄入：通过 Obsidian Clipper 一键收纳，用户无需手动分类，后续整理完全交给 AI。
• 可复现的 Prompt 设计：用户只需编写两个核心 prompt（增量索引、全量检查），即可驱动整个自动化流程。

意义与影响

1. 解决本地笔记检索的痛点：传统全文搜索无法理解语义，文件夹分类又过度依赖人力。本方案将 LLM 的语义理解能力与编码 agent 的工具调用能力结合，实现“你问什么，AI 帮你从多个角度同时找”，大幅提升个人知识库的利用效率。
2. 降低 AI 使用风险：通过划定专属文件夹（llm wiki），用户无需担心 AI 误操作其他笔记。这种“可控授权”的设计思路可推广到其他需要 AI 协助管理本地文件的场景。
3. 轻量级、低成本部署：方案所需工具均为现有开源或免费产品（Obsidian、Cursor、Claude API 等），用户只需编写少量 prompt 即可运行，无需编写复杂代码或搭建在线服务。
4. 为“第二大脑”提供实用范本：Karpathy 的 LLM Wiki 构想此前多停留在理论或实验层面，本方案给出了一个可直接落地的具体路径，推动了个人知识管理从“手动维护”向“AI 自动索引+对话检索”的进化。
5. 社区优化潜力：作者主动邀请社区参与改进，意味着该方案可快速迭代。例如优化增量索引的冲突处理、引入多模态内容（图片中的文字）、或支持不同 Coding Agent 和模型组合。这为个人知识管理领域打开了新的探索窗口。