我现在越来越觉得，Obsidian 最有价值的部分不是“能写很多笔记”，而是可以被整理成一个长期运行的 LLM Wiki。
普通笔记的问题是：资料越存越多，但以后要用时还是要重新找、重新读、重新推导。LLM Wiki 的思路不一样。它不是把所有资料堆起来，而是让资料经过一层编译，变成可以复用的来源摘要、实体、概念、比较和查询结果。
一句话：不要反复重新推导，开始持续编译。
为什么折腾
我过去存资料的方式很像仓库。
看到一篇文章，先剪藏。看到一个工具，先存说明。遇到一个问题，先问 AI，再把答案丢进某个文件。短期看都有记录，长期看问题很明显：同一个概念散在很多地方，下一次问的时候又要从头开始。
AI 参与以后，这个问题更明显。它可以很快总结一堆东西，但如果总结完不沉淀，下一次还是重新总结。上下文用完，知识也跟着散掉。
所以我开始把 Obsidian 拆成三层：原始资料层、编译知识层和规则层。
我的公开版环境
公开版结构很简单：
- 原始资料层：保留剪藏、来源和原始记录，不随便改。
- 编译知识层：放来源摘要、工具实体、方法概念、横向比较和可复用问答。
- 规则层：约束 AI 如何维护 wiki，避免它随手乱改。
这和普通文件夹最大的区别是：每个层级的职责不同。
原始资料像证据库，不能为了好看随便重写。编译层像工作台，可以提炼、合并、交叉引用。规则层像操作手册，告诉 AI 哪些动作允许，哪些动作必须谨慎。
实际怎么做
第一步是把来源和知识分开。
剪藏不等于知识。剪藏只是原料，真正有复用价值的内容会进入 source 摘要，再进一步变成 entity、concept、comparison 或 query。
第二步是让重复出现的东西沉淀成实体。
比如某个工具、某个项目、某个协议，只要后面还会反复出现，就不应该每次写在不同文章里。它应该有一个稳定入口，后续所有笔记都能链接回去。
第三步是把方法论沉淀成概念。
例如“Agent 运行栈”“开源变现路径”“AI 网站原型生成”，这些不是某篇文章的摘要，而是以后会反复用到的判断框架。
第四步是记录维护日志。
AI 改了 wiki，不能只留下结果，还要留下为什么这么改、改了哪些入口、有没有不确定的地方。否则知识库会看起来整齐，但历史不可追踪。
哪里卡住
第一个坑是容易把 wiki 做成第二个剪藏夹。
如果只是把原文复制一遍，换个目录名，就没有意义。编译层必须回答一个问题：以后再次遇到这个主题时，它能不能少走一步？
第二个坑是链接太多反而变噪音。
不是每个词都值得链接。链接应该服务复用，而不是让页面看起来像知识图谱。我的标准是：未来还会查、还会比较、还会被别的主题引用，才值得进入 wiki。
第三个坑是 AI 很容易写得太确定。
有些内容来自剪藏，有些来自测试，有些只是推断。LLM Wiki 里必须保留来源和置信度，不能把“可能”写成“事实”。
值不值得
值得，但它不是给所有人准备的。
如果你只是写日记、存几篇文章，普通 Obsidian 就够了。LLM Wiki 更适合资料密度高、项目多、经常需要回看旧判断的人。
对我来说，它最大的价值是减少重复劳动。下一次遇到类似问题时，AI 不需要从一堆原始笔记里重新猜，它可以先读已经编译过的知识层。
下一步
我接下来会继续把网站相关内容和私人知识库分开。
Obsidian 负责保存来源、项目级摘要和可复用知识。网站项目负责公开文章和分发包。这样两边都更干净：私人库保留长期记忆，网站保留读者能看的公开版本。