我和 AI 共创了一套会自己生长的 Obsidian 知识库
内容提要
作者从Notion转向Obsidian，核心是让AI（Claude Code）持续维护知识库，而非仅存储。通过CLAUDE.md设定规则，用收录、查问、体检三流程，结合graphify和wiki-relate工具，实现笔记自动更新、矛盾检测和关联发现。强调避免过度收录、逐步构建结构，并设定AI操作边界，以养成长期维护习惯，让知识库成为可复利的基础设施。
延伸解读
从“存”到“用”的转变
作者指出，传统笔记工具降低了“记下来”的成本，却没有降低“用起来”和“维护好”的成本。RAG方案虽然能检索，但知识不累积、矛盾不被发现、源材料散乱。本文的核心思路是让AI持续维护笔记，使知识库成为可复利的基础设施，而非静态存储。
AI维护的边界与安全
作者强调，AI有读写文件的能力，必须设定明确的安全边界，如不直接删除文件、图片统一存放、不破坏frontmatter等。这些规则写入CLAUDE.md，防止AI“好心办坏事”。同时，体检时AI不擅自删除，先出报告人工确认，确保知识库的可恢复性。
避免知识库退化的五个坑
作者总结了五个常见陷阱：不要什么都收录、不要一开始就建完美结构、不要让AI无边界操作、CLAUDE.md需要持续迭代、维护靠长期养成而非突击。这些建议帮助读者避免知识库再次沦为“电子坟墓”，强调“先让它存在，再让它变好”的渐进式方法。
Q&A
如何用AI维护一个Obsidian知识库？
作者使用Obsidian和Claude Code，通过CLAUDE.md设定规则，并利用graphify和wiki-relate等工具，实现知识库的自动更新、矛盾检测和关联发现。核心是让AI持续维护笔记，而非仅存储。
常见的RAG方案有哪些问题？
常见的只读式RAG存在知识不累积、矛盾不被发现、源材料散乱等问题。它擅长检索片段，但不负责发现矛盾、更新旧结论或建立长期关联。
持续维护式知识库与RAG有什么区别？
持续维护式知识库让AI读取原始资料，提取事实并写入结构化笔记，然后持续更新旧笔记，进行矛盾校验和关联发现。查询时直接读取已综合的笔记，成本低，知识具有复利效应。而RAG每次查询都从原始片段开始，不更新知识库。
日常维护知识库需要做哪三件事？
日常维护知识库主要做三件事：收录（将新材料转化为可复用知识）、查问（从已维护的知识中生成答案）、体检（修复矛盾、孤岛和过期内容）。
CLAUDE.md在知识库中起什么作用？
CLAUDE.md是AI的员工手册，定义了Vault身份与格式、目录职责、安全边界、笔记类型和工作流程。它确保AI按规则操作，避免越界行为，是知识库长期可维护性的基础。
graphify和wiki-relate分别负责什么？
graphify负责发现笔记间的隐含关联，生成知识图谱；wiki-relate负责将关联写回笔记，自动在文末添加参考信息章节。两者配合，实现关联的发现与记录。
如何避免知识库退化？
避免知识库退化需注意：不要什么都收录，只收集能回答特定问题的内容；不要一开始就建完美结构，先让结构自然生长；设定AI操作边界，防止无权限操作；持续迭代CLAUDE.md，及时添加规则；坚持长期维护，每天花少量时间。
两周内如何快速搭建一个AI维护的知识库？
两周方案：第1天安装Obsidian，用Claude Code的/init生成CLAUDE.md，定义目录和禁止事项；第3天在inbox中放入文章，让AI整理；第7天补充wikilink，安装obsidian-git；第14天运行graphify发现关联，进行体检。
