本文详细介绍了如何基于 LLM-Wiki 模式与 Obsidian 平台，构建一个持续生长的团队知识库和配套的专家技能包，以实现 AI 研发自动化。
📝 详细摘要
文章从 Andrej Karpathy 提出的 LLM-Wiki 概念出发，阐述了将 LLM 从 RAG 引擎转变为持续维护个人 Wiki 的全职编辑的核心思想。作者结合 Obsidian 平台，为 mkt-link 应用构建了一套三层架构（原始源、知识层、灵魂层）的团队知识库，并详细描述了其核心操作（摄入、查询、巡检）以及与 RAG 的对比优势。在此基础上，文章进一步提出了“专家技能包”的概念，通过一系列可复用的 Skill（如写技术方案、开发代码、技术评审等），将知识库与研发流程深度整合。文章以“写技术方案” Skill 为例，展示了从初版设计到逐步优化、最终形成“钢筋结构”的迭代过程，并提供了详细的使用指南、开发过程记录和问题优化方案，旨在实现用户提供 PRD 后全自动研发的最终目标。
💡 主要观点
- LLM-Wiki 模式将 LLM 从查询时的 RAG 引擎转变为摄入时的知识编辑者。 该模式的核心在于将知识在摄入时进行结构化、交叉引用和持续迭代，形成一份活的、可演化的知识库，而非每次查询时临时拼凑片段，从而实现了知识的复利式增长。
💬 文章金句
- 维护知识库的累活不是「读」和「想」，而是迭代 wiki 的过程：更新交叉引用、改综述、标矛盾、保一致性。
- Wiki 是一个持续编译、持续保鲜的产物（compounding artifact），不是查询时才生成的临时答案。
- 好 SKILL 真的是靠大量「补丁和情况枚举」来实现嘛？最重要的是给房子一个「经久耐用、万变不离其宗」的「钢筋结构」。
📊 文章信息
AI 初评：88
来源：阿里云开发者
作者：阿里云开发者
分类：人工智能
语言：中文
阅读时间：100 分钟
字数：24909
标签： AI 编程, LLM, RAG, 知识管理, AI 工作流