前天刷 X，刷到一个叫 Farza 的老哥，做了件牛 X 的事。
他用 LLM 把自己所有的个人记录（笔记、日记、聊天记录）整理成了一个「维基知识库」。这个知识库是给 AI Agent 用的，Agent 可以主动在里面查找和组合上下文，给出更精准的回答。
而且，它还能自己持续更新：
Karpathy 也转发了这条推文。毕竟他才是 LLM Wiki 这个概念的老祖，2025 年年初就提过类似的想法：
Farza 做出来的个人 Wiki，如果仔细看，就会发现这玩意根本就不是知识库。里面每一块内容，都是非常有「灵魂」的人生碎片：学习心得、认识的人、突然冒出来的灵感、觉得有意思的链接、随手拍的图片。
说白了，这就是把一个人的整段人生，压缩成了一本 Wiki 百科中。
我当时就想：我也要搞一个。
于是用 Claude Code，花了两天，把这个想法变成了一个真能跑的项目。比较初级，但核心功能都到位了。
这篇文章完整记录了从零到一的全过程：用了什么工具、怎么设计架构、导入了哪些数据、最终做出了什么效果。
首先说下背景。Farza 这个项目本身并没有开源，产品也没上线。但他开源了一个关键组件，叫 Wiki Skill。
这个 Skill 是给 Claude Code 用的。你可以理解成一套「指令集」，告诉 AI 该怎么把你的个人数据，整理成维基百科风格的知识库。至于后面的架构、数据管线、展示界面，全得自己来。
Wiki Skill 开源链接如下：
https://gist.github.com/farzaa/c35ac0cfbeb957788650e36aabea836d#file-wiki-gen-skill-md
Wiki Skill 是什么
Wiki Skill 的设计思路很有意思。它给自己的定位，是一个「写作者」。
简单来说，Wiki Skill 定义了五个核心命令：
/wiki ingest
：把你的原始数据（日记、笔记、PDF、文档）转成标准格式的 Markdown 条目，相当于「入库」 /wiki absorb
：让 AI 读这些条目，理解内容，编写成维基文章，相当于「编书」 /wiki query
：根据维基内容回答你的问题，只读不改，相当于「查书」 /wiki cleanup
：审计文章质量，该拆的拆，该合的合，相当于「整理书架」 /wiki breakdown
：从已有文章里挖出还没独立成篇的内容，补建新文章，相当于「找遗漏，补上去」
它只关心一件事：「这条信息意味着什么，跟我已经知道的东西怎么关联」。
Skill 里还定义了两条规矩，挺有意思的：
Anti-Cramming（别硬塞）：不要因为某篇文章已经存在，就什么东西都往里面堆。如果一个小话题已经写了三段以上的内容，就该让它自己独立成一篇新文章。
Anti-Thinning（别凑数）：也不要为了显得文章多，就建一堆空壳页面。如果一个东西只能写两三句话，先放在相关文章里提一嘴就行，等素材攒够了再拆出来。
写作标准也有要求：用维基百科的语调，平实、讲事实、百科全书体。禁止空洞修饰词，禁止「传奇」「深刻」「意义深远」这种大词，禁止反问句，禁止「踏上了……之旅」这种叙事腔。
每篇文章最多两处直接引用，选最有力量的那句。文章按主题来组织，不写流水账。
Wiki Skill 解决的是「怎么把数据变成人生碎片」这件事。但一个完整的个人 Wiki，光有这个还不够，还需要更完整的架构。
这部分，我参考的是 Karpathy 开源的 LLM Wiki 思路。巧了，也是 2 天前刚发出来的：
开源链接如下：
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
Karpathy 的 LLM Wiki 思路
Karpathy 的核心思路，四步走：
-
你有大量个人数据（日记、笔记、文档、对话记录） -
让 LLM 读这些数据，提炼出结构化的知识 -
生成一个维基风格的知识库，文章之间通过链接互相关联 -
维基本身作为 LLM 的上下文来用。LLM 先读目录，找到相关文章，然后精准回答关于你的问题
他强调了 3 个关键设计：
三层架构：原始数据（输入层，写进去就不能改）、维基文章（知识层，LLM 全权管理）、Schema 规则（规范层，约束 LLM 的行为）。三层分开，谁也别碰谁。
Index 驱动：维基有一个 index.md 文件，你可以理解成一本书的目录页。LLM 回答问题之前，先翻目录，找到可能相关的文章，再打开来读。不需要向量数据库，不需要 Embedding，一个纯文本索引就够了。
约 100 个数据源就够：不需要海量数据。一百来篇笔记、几十份文档，就能编出一个有深度的个人知识库。
这个想法最精妙的地方在于：LLM 的角色改变了，在这套思维里，LLM 不再负责问答，反而变成了一个「编辑」。它在编一本书。而这本书的主角，就是你自己。
但 Karpathy 只给了思路，没给实现。Wiki Skill 填上了「指令层」的空白，但一个完整的项目，还需要一堆要干的活。
这就是我要干的事。
整合：Personal Wiki 的架构设计
我的做法很直接：把 Wiki Skill 和 Karpathy 的三层架构合在一起，再加上工程化的数据管线和一个 Web UI，搭出一个完整的项目。
整体架构长这样：
三层架构的核心原则也很简单：
raw/
：写进去就不能改了。这是事实的唯一来源，谁也不许动。 wiki/
：AI 全权管理。它可以创建、编辑、重组任何文章。人类不直接碰这里的文件。 CLAUDE.md
：人类和 AI 共同维护的契约。人类定规则，AI 执行规则。
这么分开的好处很明显：原始数据永远不会被污染，知识库可以随时推倒重建，规则可以不断改进。谁该管什么，很清楚。
导入数据
架构搭好了，下一步就是往里面灌数据，全程用 Claude Code 就可以完成，只不过额度消耗得很快。
Claude Code 写了三个 Python 脚本，每个脚本负责从一个数据源里把内容抽出来，转成标准格式的 Markdown 条目，扔进 raw/ 文件夹。
1. Obsidian 笔记（ingest_obsidian.py）
这个脚本扫描我的 Obsidian Vault 目录，自动跳过 .obsidian 这些系统文件夹，把每篇笔记的标题、日期、标签和正文都提取出来。Obsidian 的图片语法 ![[image.png]] 也能识别。
我的 Obsidian 里一共有 32 篇笔记，主要是 AI 工具评测、开源项目分析和工作记录。量不大，但信息密度挺高的。
2. Apple Notes（ingest_apple_notes.py）
这个脚本通过 AppleScript 直接读 macOS 自带的备忘录，把笔记的标题、日期、文件夹和正文全部抽出来。不需要什么特殊权限，跑起来就能用。少于 10 个字符的空笔记会自动跳过。
Apple Notes 贡献了 260 条记录，这个数据源的跨度最广，也最让我感慨 😶
大学时期的日记、日本留学的反思、健身日志、诗词摘抄、工作选题笔记、情感独白……好多东西我自己都忘了曾经写过。跑完脚本翻了翻输出文件，有种被自己的过去撞了一下的感觉。
3. 文档文件（ingest_documents.py）
这个脚本扫描指定目录下的 .docx 和 .pdf 文件，用 python-docx 和 pdfplumber 两个库提取文本。我导入了两个目录：一个是日本留学期间的学术资料（硕士论文、研究计划、课程材料、219 篇英文参考文献），另一个是长篇小说的创作素材。
文档来源贡献了超过 750 条记录，大部分是学术论文的 PDF。
三个脚本的输出格式完全统一：每条记录一个 .md 文件，文件名格式是 {日期}_{ID}.md，开头带标准的 YAML frontmatter（id、日期、来源类型、标签之类的）。而且脚本都是幂等的，就是说你跑两遍，输出的结果一模一样，不会重复生成。
最终，三个数据源加在一起，总共生成了 1044 条原始记录。
一千多条。我的人生碎片，就这么被数字化了。
Absorb：从碎片到知识
数据灌进去之后，真正的核心工作来了，用 Wiki Skill Absorb 这些数据，将它们变成人生碎片文章。
Absorb 干的事情，一句话概括就是：让 AI 读完所有的原始记录，理解它们，然后编写成维基文章。
但这个「理解」可不是简单的分类。AI 需要做的事情比你想象的多：
-
逐条读原始记录 -
判断这条记录在这个人的生活中意味着什么 -
翻一遍目录 index.md，看看有没有已经存在的相关文章 -
决定是更新老文章，还是建一篇新的 -
编辑任何文章之前，必须把那篇文章完整重读一遍（不能凭记忆瞎改） -
每处理 15 条记录就做一次 checkpoint：重建索引、检查质量、看看有没有哪篇文章被塞太多东西
1000 多条记录，一条一条处理太慢了。我的做法是按主题把记录分成了六个集群：个人传记、创意写作、大学时期、日本留学、内心世界、职业生涯。然后用 Claude Code 的 subagent 功能，六个 AI 同时开工，每个负责一个集群。
两轮 Absorb 跑完之后，552 条有效记录（去掉了那些太琐碎的和纯学术论文）被编成了 41 篇维基文章，分布在 16 个目录中。
Web UI：一个 Wikipedia 克隆
知识库编好了，总得有个地方看吧。
所以我用 Next.js 16 搭了一个网页界面，视觉上就是照着维基百科做的。技术栈是 React 19 + Tailwind CSS 4 + D3.js + remark，但这些对用户来说不重要，重要的是打开浏览器就能用。
整个 UI 的架构也很简单，直接读取 wiki/ 文件夹下的 Markdown 文件，不需要数据库，不需要后端 API。next dev 启动，浏览器一开，整个维基就在你面前了。
最后，我的「人生碎片 Wiki 」出世了！！！
现在给大家展示下，我 Vibe 的这个「人生碎片 Wiki」到底都有什么功能，我个人真的非常非常感动。
下面这张图就是我的「人生碎片 Wiki」的主页：
里面每一个超链接关键词，都是一整篇经过 Wiki Skill 处理过的「文章」，注意，这完全不等于 AI 处理，因为每篇文章真的很有灵魂。
举几个例子，你就知道这些「人生碎片」被 AI 编成了什么样的东西：
- 杉森楠
（person）：维基的主角，包含教育背景、职业轨迹、语言能力、关键人生事件 - 川藏线徒步
（event）：2019 年夏天从雅安到拉萨的 57 天独自徒步，预算 12000 元，装备 11 公斤 - 孤独循环
（pattern）：从 2019 年至今一直存在的孤独感循环，跨越了地理、职业和亲密关系 - 博斯腾湖上的悬月
（project）：这是我写的以新疆焉耆为背景的长篇历史小说，主角经历暴力、共谋、爱情和离散 - 身体改造
（pattern）：从 2021 年到 2026 年的身体优化记录，跳绳日志、碳循环饮食 - 内容源体系
（pattern）：三层信息摄入体系，支撑 AI 内容写作
看到这些文章被生成出来的那一刻，说实话，有点被震到了，我真的懵逼了都 😳
我现在才知道，自己一人原来已经走过了这么长的路了……
整个个人百科内容非常详细，导致你在浏览的时候，真的会很感动，看到一些 AI 升华过的、我人生中的碎片。整个百科几乎涵盖了我人生的所有阶段：
我甚至还看到大学时候，它帮我找到的当时我做化妆品代购时的信息：
一些人生转折点也被提取升华了出来，22 年我曾经一个人去富士山，但是当时台风正好来了，被迫放弃了计划，虽然当时很崩溃，但事后也获得了成长：
甚至，我苹果备忘录里有一篇是专门记录我看过的文学，但只是记录下字数和作品名称，但在个人百科里这些会被提升到非常多的维度：
铁粉都知道，我之前其实一直在写长篇小说，个人百科也是找到了关于我这个小说的所有内容，并整合到了一起：
知识图谱这个是我觉得最酷的功能，我用 D3.js 画了一个力导向图，41 篇文章变成 41 个节点，文章之间的 wikilink 变成连线。可以缩放、拖拽，点击任何一个节点就能跳到对应文章。整个人生的关联，一张图看清楚。
我还设置了全文搜索功能，这也是 Karpathy 提到一个关键点，不要让 LLM 去做搜索问答，直接做 Index 搜索会方便很多，搜索框输入关键词就能搜，结果会按相关度排序。标题命中排最前面，正文命中排后面，还会展示匹配到的上下文摘要。
当然，一些「偏好」设置也都是齐全的：
看完我的人生碎片 Wiki，确实有点泪目。
这些东西已经不是日记的复述了。每一篇都经过了提炼、关联、按主题重新组织。而且每篇文章都通过 [[wikilink]] 链接到相关文章，形成一张知识图谱。
我的 57 天川藏线徒步链接到了「孤独循环」，「孤独循环」又链接到了日本留学和亲密关系。一个人的人生，就这样被编成了一张网。
两天。
从刷到 Farza 的推文，到最后在浏览器里看到自己的维基百科首页，一共花了两天。
1044 条原始记录，552 条有效内容，41 篇维基文章，16 个分类目录，一张知识图谱。
我坐在屏幕前，点开「杉森楠」这个词条，往下翻。教育背景、职业轨迹、语言能力、关键人生事件，全在里面了。再点开「川藏线徒步」，57 天、12000 元预算、11 公斤装备，链接到「孤独循环」。再点过去，从 2019 年到现在的孤独感循环，跨越了国家、职业和亲密关系。
说实话，有一种很奇怪的感觉。
就好像有人把你的人生拆开，洗了一遍牌，然后重新摆成了一张地图。你认识地图上的每一个地名，因为那些路你都走过。但你从来没从这个角度，一次性看过自己走过的全部路线。
这个项目当然还很粗糙。数据源还可以更多，文章质量还可以更好，UI 还有一堆可以优化的细节。但核心的东西已经跑通了：用 AI 把一个人的人生碎片，编成一本可以查阅、可以关联、可以持续更新的百科全书。
一个人的一生，被压缩进了 41 个相互链接的页面里。AI 画了这张地图，但地图上标注的每一个地名，都是我自己真实走过的路。
这大概就是 2026 年，一个普通人能给自己做的，最私人的一件事了。
对了，这个项目我已经封装成 Skill 开源出来了。
开源地址：
https://github.com/cylqwe7855-alt/personal-wiki
一键部署命令：
npx skills add cylqwe7855-alt/personal-wiki