3 篇文章带有标签 “personal-knowledge-management”

发布

研究 Simon Willison 的博客设计风格和内容组织方式

User: 研究这个网站设计的风格和功能：https://simonwillison.net/ 这里有许多不同类型的内容（如Link、TIL、Tool、Entries、Quotes、Notes、Guides等），它是如何融合到一起的。 https://wangjunjian.com/ 是我的博客，我想参考一下。 Kimi: 让我先浏览这两个网站，了解它们的设计风格和内容组织方式。 我已经仔细浏览了这两个网站。Simon Willison 的博客是一个非常经典的"个人知识流"设计，它将 Entries、Links、Quotes、Notes、Guides、TILs、Tools 等多种内容类型按时间线无缝融合，配合极简的排版和强大的标签系统。你的博客"军舰的日志"则是更传统的技术博客布局，内容质量很高，主要围绕 AI Agent、LLM 等技术主题。

在我深入研究并给出具体建议之前，想先确认几个关键问题：

  1. 你想借鉴的侧重点是什么？ 是 primarily 学习 Simon 的视觉设计风格和布局（极简、时间流、多种内容类型混排），还是想在自己的博客中也引入多种内容类型（如 Link、TIL、Quotes 等），还是两者都想？

你目前的博客是基于什么技术栈？ 比如 Jekyll、Hugo、Next.js、VuePress 等？

blog blog-design content-organization simon-willison personal-knowledge-management astro django content-types

LLM Wiki：基于大语言模型的个人知识库构建模式

使用大语言模型（LLM）构建个人知识库的模式。

这是一份概念文件，设计用于复制粘贴到你自己的 LLM 智能体中（例如 OpenAI Codex、Claude Code、OpenCode / Pi 等）。它的目标是传达高层级的理念，而具体细节将由你的智能体与你协作构建。

核心理念

大多数人与 LLM 和文档打交道的体验看起来像是 RAG：你上传一批文件，LLM 在查询时检索相关片段，然后生成答案。这确实有效，但 LLM 每次都要从零开始重新发现知识，没有任何积累。当你问一个需要综合五份文档的微妙问题时，LLM 必须每次都找到并拼凑相关片段，没有任何东西被沉淀下来。NotebookLM、ChatGPT 文件上传以及大多数 RAG 系统都是这样工作的。

这里的理念不同。与其仅在查询时从原始文档中检索，LLM 增量式地构建并维护一个持久的维基 —— 一个结构化的、相互关联的 Markdown 文件集合，位于你和原始来源之间。当你添加新来源时，LLM 不只是将其索引以备后用。它会阅读来源，提取关键信息，并将其整合到现有维基中 —— 更新实体页面、修订主题摘要、标注新数据与旧主张的矛盾之处、强化或挑战不断演进的综合结论。知识被编译一次，然后保持最新，而不是每次查询都重新推导。

这就是关键区别：维基是一个持久的、复合增长的产物。

llm-wikiknowledge-basepersonal-knowledge-managementragobsidianmarkdownandrej-karpathy

Andrej Karpathy：大语言模型构建个人知识库的实践指南

最近我发现一个非常实用的方法：利用大语言模型（LLM）为各类感兴趣的研究方向搭建个人知识库。这样一来，我近期消耗的模型令牌中，用于处理代码的占比大幅减少，更多被用于处理知识（以 Markdown 文件和图片形式存储）。最新的大语言模型在这方面表现十分出色。具体做法如下：

数据导入

我先将各类源文件（文章、论文、代码仓库、数据集、图片等）归档到 raw/ 目录下，再通过大语言模型逐步“编译”生成一份知识库，这份知识库本质就是按目录结构组织的一系列 .md 文件。 知识库会包含 raw/ 目录下所有数据的摘要、反向链接，还会将数据按概念分类、撰写对应词条并完成相互关联。 为把网页文章转为 .md 文件，我习惯使用 Obsidian 网页剪藏插件，同时通过快捷键将相关图片批量下载到本地，方便大语言模型直接调用。

集成开发环境

我把 Obsidian 当作前端 IDE，既能查看原始数据、编译后的知识库，也能查看衍生的可视化内容。 需要重点说明的是：整个知识库的内容撰写与维护均由大语言模型完成，我几乎不直接手动修改。我还试用过多款 Obsidian 插件，以其他形式渲染和查看数据（比如用 Marp 制作幻灯片）。

问答交互 真正有意思的是，当知识库规模足够大时（比如我近期的研究知识库已有约 100 篇词条、40 万字），就可以向大语言模型智能体提出各类复杂问题

andrej-karpathyllmknowledge-baseobsidianmarkdownwikiragpersonal-knowledge-managementsecond-brain知识库