LLM-Wiki

大语言模型知识图谱 & AI 协作型个人知识库

面向 LLM / Agent / RAG / Post-training / AI Engineering 的中文 Obsidian 知识库，用来沉淀系统学习、面试准备、论文精读、工程实践与长期知识复利。

LLM · Agent · RAG · SFT · RLHF · Evaluation · Interview · Knowledge Graph · Obsidian

为什么要有这个项目

LLM 学习的难点通常不是「资料太少」，而是「资料过多但缺少坐标系」：课程、论文、公众号、知乎、GitHub 项目、面试题和日常灵感会不断涌入，如果没有结构化沉淀，很容易变成一堆不可复用的收藏夹。

本项目把这些材料整理成一个 AI 协作型个人知识库：人可以通过 Obsidian 阅读、链接和复习，AI Agent 也可以按约定读取、改写、总结和维护。它更像一座「知识仓库 + 导航系统」，而不是一篇线性教程。

• 对抗碎片化：把微信、知乎、课程、论文、面试题等原始材料统一放入 01.raw/，先保证资料可追溯。
• 从素材到知识：01.raw/ 是矿石，02.wiki/ 是提炼后的金属；前者保存上下文，后者沉淀概念、实体、项目和决策。
• 学习、面试、工程三合一：同一套知识既能支持 LLM 基础学习，也能支撑项目复盘、面试准备和开源实践。
• 面向未来 AI 协作：通过 AGENTS.md、_CLAUDE.md、frontmatter、[[wikilinks]] 和日志规范，让后续 AI Agent 能够低成本接续工作。

快速开始

如果只是想快速使用这个知识库，可以按下面路径进入：

2. 用 Obsidian 打开

在 Obsidian 中选择 Open folder as vault，打开本仓库根目录即可。仓库使用 Markdown、[[wikilinks]] 和目录化结构组织内容，在 Obsidian 中阅读和检索体验最好。

4. 让 AI Agent 协作维护

如果需要让 AI Agent 帮忙整理、迁移或生成笔记，建议先让它读取：

• AGENTS.md：Agent 操作手册和命令路由。
• _CLAUDE.md：Vault 写作规范、目录约定和 AI-first 规则。
• CRITICAL_FACTS.md：最小必要背景信息。

一个实用原则是：**先把原始资料放进 01.raw/，再逐步提炼到 02.wiki/**。这样既保留证据，也能沉淀可复用的知识结构。

目录结构

当前仓库是一个 Obsidian Vault，核心内容主要在 01.raw/，02.wiki/ 是后续知识蒸馏与结构化维护的目标层。

• 先看 README.md 理解项目定位。
• 再看 index.md 获取 Vault 地图。
• 需要让 AI Agent 参与维护时，优先读取 AGENTS.md 和 _CLAUDE.md。
• 需要找具体材料时，从 01.raw/ 对应主题目录进入。

知识流转图

这个仓库不是「资料堆放处」，而是一条从原始信息到可复用知识的流水线：先保存证据，再提炼结构，最后形成可阅读、可检索、可复用的输出。