Communitygithub.com

Obsidian LLM Wiki 技能

将 AI 智能体转变为个人知识库的纪律维护者,支持 Cursor 智能体技能(wiki、视频转 wiki)。

Obsidian LLM Wiki 技能 是什么?

这个 AI 技能将智能体变成一个严谨的个人知识库维护者,知识库根目录为 `<VAULT_ROOT>`(仓库根目录)。它基于详细的 `AGENTS.md` 文件,该文件定义了目录结构、页面约定、前置元数据模式、日志格式和工作流程。用户提问时,技能会先判断意图(查询、摄取、检查、生成成果物等),然后执行对应的工作流,例如 `wiki search` 搜索、`wiki lint` 检查问题,或生成带有前置元数据的 Markdown 文件并输出到 `output/` 目录。该技能支持 Obsidian 风格的 `[[双链]]` 和特定 `[文章](../raw/xxx.md)` 引用,确保答案具有可持续价值。它适用于 Cursor 等支持命令执行和文件读写的 AI 智能体平台。

兼容平台✓Claude Code~Codex CLI✓Cursor
npx skills add liyading1818/obsidian-llm-wiki

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Wiki 技能

该技能将智能体转变为用户个人知识库的纪律维护者,知识库根目录为 <VAULT_ROOT>(仓库根目录)。

步骤 0 — 始终先阅读 AGENTS.md

在开始任何操作之前,请阅读知识库根目录下的 AGENTS.md 文件。它定义了目录布局、页面约定、前置元数据模式、日志格式以及详细的工作流程。本 SKILL.md 只是一个调度器;AGENTS.md 才是真理之源。

调度:用户想问什么?

从用户的消息中,准确选择一个意图:

用户意图工作流
提出问题,需要分析/综合查询(如下)
丢了一个新文件,或说“摄取这个”摄取(见 AGENTS.md §4.1)
说“检查”/“健康检查”/“找问题”检查(如下)
想要对比/幻灯片/图表/报告生成成果物(如下)
只是随便看看或不确定运行 wiki stats,然后询问他们想要什么

如果不清楚,请在继续之前先问一个简短的问题进行澄清。

查询工作流

  1. 在仓库根目录运行 wiki search <keyword> 以查找候选页面。如有必要,可以使用多种关键词变体。

  2. 阅读 wiki/index.md 以查看目录。

  3. 阅读步骤 1 中找到的候选页面。

  4. 如果仍然缺少上下文,则回退到阅读 raw/ 或 clippings/ 中的相关文件。

  5. 综合答案,并使用 [[wikilink]] 引用 wiki 页面,使用 [文章](../raw/xxx.md) 引用原始来源。

  6. 如果答案具有持久价值(如对比、衍生洞见、非平凡的综合),则将其作为 markdown 文件写入 output/<YYYY-MM-DD>-<short-slug>.md,并包含前置元数据:

    ---
    type: artifact
    kind: answer | comparison | analysis | report | slides
    created: <date>
    question: "<用户的原话>"
    sources_used: [wiki/concepts/X.md, wiki/sources/Y.md, ...]
    ---
    

    然后询问用户:“要不要把这份输出归档为 wiki/questions/<slug>.md?”(如果是,则复制 + 更新 index.md 和 log.md。)

  7. 如果答案是简单的(比如事实查找),只需在聊天中回答即可 — 无需创建文件。

检查工作流

  1. 运行 wiki lint — 这将自动写入 lint/<today>.md。
  2. 读取该文件并总结给用户(哪些问题是真实的,哪些是误报,例如文档中的字面量 [[examples]])。
  3. 提出一个按优先级排序的修复计划。不要自动修复 — 让用户来选择。

生成成果物工作流

与查询相同,但交付形式是明确的(表格 / Marp 幻灯片 / Python 图表 / 画布)。始终保存到 output/。对于幻灯片,使用 Marp markdown 格式。对于图表,编写一个 Python 脚本到 output/scripts/ 并运行它以生成图像,并与脚本放在一起。

输出目录约定

output/
├── 2026-06-26-rag-vs-llm-wiki.md          # 答案 / 对比成果物
├── 2026-06-26-karpathy-summary.slides.md  # Marp 幻灯片
├── scripts/                                # 生成图表的辅助脚本
└── assets/                                 # 渲染的图像、导出文件

output/ 目录是LLM 拥有、只追加的(未经询问不要删除先前的成果物)。每个文件必须包含上述前置元数据,以便用户稍后可以将成果物提升到 wiki 中。

可用的 CLI 命令(从 <VAULT_ROOT> 运行)

只有四个命令,有意保持最小化:

wiki stats              # 概览:按类型/状态的页面计数
wiki log -n 10          # wiki/log.md 的最后 N 条记录
wiki search <regex>     # 全文搜索 (--scope wiki|raw|clippings|all)
wiki lint               # 将孤立/损坏/存根页面的结果写入 lint/<today>.md

其他所有操作(创建页面、编辑前置元数据、更新 index.md、追加到 log.md)都通过直接读取和写入 markdown 文件完成。不要请求 CLI 来执行文件编辑 — 那是你的工作。

关键规则(来自 AGENTS.md)

  • 永远不要修改 raw/ 或 clippings/ 中的文件。
  • 每次摄取都必须更新 wiki/index.md 并在 wiki/log.md 的最前面添加一条记录,格式为 ## [YYYY-MM-DD] ingest | <title>。
  • 在 wiki 页面之间使用 [[双链]] 进行交叉引用。
  • 页面需要有 YAML 前置元数据(type、tags、created、updated、sources、status)。
  • 如果不确定,就询问用户。不要进行无声的大规模重构。

报告风格

完成工作流后,向用户提供一个简短的总结:

  • 你做了什么(1-3 个要点)
  • 创建或修改了哪些成果物(相对路径)
  • 任何未解决的问题或你注意到的新空白

保持简洁。用户可能同时在浏览 Obsidian,并且可以看到文件变化。

相关技能