知识越记越乱？obsidian + claude快速搭建增量式知识库，实现笔记自动关联

日常学习、写技术笔记，你是不是总遇到这些难题：
笔记越堆越多，知识点零散不成体系。
想复盘旧内容，翻半天找不到关联信息。
手动整理分类、加双向链接，耗费大量时间。
修改历史笔记还容易打乱原有知识脉络。

今天就带大家上手一套Obsidian + Karpathy llm.wiki + Clandian(Claude)组合方案。
全程实战落地，不用复杂开发。
看完你将学会：搭建纯本地增量知识库、AI自动关联新旧笔记、遵循增量原则高效沉淀知识，从此告别碎片化笔记实现上述图片中的神经网络知识库。

一、先搞懂：什么是增量式知识库？

传统笔记习惯反复修改、删除旧内容。
时间久了，知识溯源断裂，历史思路全部丢失。

增量式知识库核心只有三条准则：

1. 只增不改：历史笔记永久保留，不删除、不篡改
2. 独立存档：每条新笔记独立创建，按规范命名
3. AI联动：新增内容自动匹配旧笔记，生成关联链接

这套理念来自 AI 大佬 Karpathy 开源的llm.wiki模板，天生适配大模型辅助笔记场景。

二、核心工具介绍

整套方案由三款工具组成，各司其职，全部免费可用。

1. Obsidian

主流本地笔记工具，也是整套知识库的载体。

• 纯本地存储，数据安全，无云端泄露风险
• 原生支持双向链接、图谱视图，直观查看知识网络
• 插件生态强大，扩展性拉满，适配各类 AI 插件

2. Karpathy llm.wiki

这是大佬akrpathy开源增量笔记模板，利用80多行自然语义创建核心wiki，是整套方案的规则核心。

• 基于 Markdown 编写，零学习成本
• 内置增量命名、目录规范，强制遵循「只增不改」
• 结构极简，开箱即用，完美搭配 LLM 使用

3. Clandian

Obsidian 专用 Claude 插件，充当知识库的AI大脑。

• 直接在笔记内调用 Claude 大模型，无需切换软件
• 支持内容总结、知识点关联、补充延伸内容
• 可自定义固定 Prompt，适配增量笔记专属场景

三、分步实战：从零搭建完整环境

步骤1：安装并初始化 Obsidian

1. 前往官网下载 Obsidian，完成安装（免费版足够日常使用）
2. 新建空白仓库，自定义名称，例如Incremental-Knowledge-Wiki
3. 打开仓库，进入主界面，等待初始化完成

步骤2：导入 llm.wiki 增量模板

模板决定笔记规范，直接克隆官方仓库即可。
打开终端，执行以下命令：

gitclone https://github.com/karpathy/llm.wiki.git

1. 进入克隆后的llm.wiki文件夹，复制里面所有文件
2. 将文件粘贴到刚才创建的 Obsidian 仓库根目录
3. 刷新 Obsidian，模板目录、基础配置自动加载完成

踩坑提醒
不要修改模板原有目录结构，否则会破坏增量命名、文件索引规则。

步骤3：安装 & 配置 Clandian 插件

这一步是实现 AI 自动关联的关键。

1. 打开 Obsidian 设置 → 第三方插件，关闭安全模式
2. 打开社区插件市场搜索Clandian，点击安装并启用
3. 插件配置页填入你的Claude API Key
4. 模型选择Claude 3.5 Sonnet，响应速度与效果最优

踩坑提醒
API Key 务必妥善保管，不要外泄；免费额度足够个人日常记笔记使用。
如果有找不到 karpathy大佬开源的源码,可以到llm-wiki： 测试 — Guwen-yue/llm-wiki: 测试

步骤4：配置专属增量笔记 Prompt

给 Clandian 设置固定指令，让 AI 严格遵循增量规则。
在插件自定义 Prompt 区域，粘贴下方内容：

你是增量知识库专属助手，基于 Karpathy llm.wiki 规范工作，严格遵守规则： 1. 只增不改：绝不修改、删除已有笔记内容，仅做新增补充 2. 智能关联：检索库内历史笔记，使用 [[笔记名]] 格式添加双向链接 3. 内容归纳：提炼核心观点、补充延伸知识点 固定输出格式： ### 核心总结 一句话概括当前笔记重点 ### 关联旧知识 [[关联笔记1]]、[[关联笔记2]] ### 延伸补充 拓展知识点、实操注意事项、补充细节

保存配置，整套环境搭建完毕。

四、实战演示：新增一条增量笔记

接下来完整演示从新建笔记 → AI 关联 → 知识沉淀的全流程。

场景

新增技术笔记：大模型 Prompt 设计五大原则

1. 按照规范新建笔记

遵循 llm.wiki 命名规则：日期-笔记标题.md
示例名称：20260531-大模型Prompt设计核心原则.md
写入原始笔记内容：

Prompt 设计五大核心原则： 1. 指令清晰具体，不给模型猜测空间 2. 严格约束输出格式，优先使用JSON 3. 少样本提示，搭配1-3个示例对齐需求 4. 合理选择LLM接口，区分单轮/多轮对话 5. 降低幻觉，限定数据源与随机性参数

2. 调用 AI 自动处理

全选笔记内容，点击 Clandian 插件执行生成。
AI 会按照预设 Prompt，自动生成内容：

### 核心总结 本文总结了大模型Prompt设计五大原则，从指令、格式、示例、接口、防幻觉五个维度规范使用方式。 ### 关联旧知识 [[20260520-吴恩达Prompt学习笔记]]、[[20260515-LLM接口调用规则]] ### 延伸补充 1. 格式约束建议写明字段含义、数据类型，减少返工 2. 少样本示例控制在1-3个，避免消耗过多Token 3. 可设置temperature=0，有效降低模型随机编造问题

3. 追加内容，完成增量更新

点击插入，AI 内容直接追加在笔记末尾。
整个过程没有改动原始文字，完全符合增量规则。
同时双向链接自动生效，在图谱视图中，能直观看到新旧笔记的关联关系。

五、这套方案的核心优势

1. 知识永久留存
   所有历史笔记不删不改，完整保留学习轨迹，复盘更轻松。
2. 大幅降低整理成本
   AI 自动总结、加链接、补内容，告别手动整理。
3. 知识网络化
   依靠 Obsidian 双向链接 + AI 关联，零散知识点连成体系。
4. 纯本地安全
   数据全部存在本地硬盘，不用担心笔记丢失、隐私泄露。
5. 更好的关联性
   数据之间相互关联能通过关系图标实现知识之间像神经网络一般，更好的梳理知识之间的关系，
   

六、总结

从传统随手记笔记，到规范的增量式知识库，本质是改变知识沉淀的思路。

借助Obsidian + llm.wiki + Clandian组合：

• 依托 llm.wiki 建立增量规则，守住「只增不改」底线
• 利用 Obsidian 打造本地知识底座，玩转双向链接
• 通过 Clandian 调用 Claude，让 AI 辅助笔记迭代

整套方案上手简单、落地性强，不管是技术学习、读书笔记、工作文档，都能适配。

文中用到的 llm.wiki 模板地址：[Guwen-yue/llm-wiki: 基于karpathy 的增量式知识图谱]

• 如果对你有帮助的话别忘了给我来点star支持一下哟~~