别再手动整理面经了。这篇文章教你用 LLM Wiki + Claude 搭建一个能自动消化、关联、检索的知识库，把碎片信息变成你的面试核武器。

---

一、你是不是也在这样做面经？

打开牛客网 → 复制粘贴到 Notion → 写两行笔记 → 再也没打开过。

收藏小红书面经帖 → 截图保存 → 相册里堆了 300 张图 → 面试前根本翻不到。

这不是你的问题。传统笔记工具根本不是为了"知识消化"设计的——它们只是个存东西的仓库，存进去什么样，拿出来还是什么样。

面试准备的本质不是"收集"，而是消化 + 关联 + 检索。

于是我去研究了两个方向：RAG 和 LLM Wiki。

---

二、RAG vs LLM Wiki：到底该怎么选？

这两个东西经常被放在一起讨论，但它们的定位完全不同。我用一张表说清楚：

维度	RAG（检索增强生成）	LLM Wiki
核心思路	先检索相关内容，再喂给 LLM 回答	LLM 直接参与知识的整理、关联、结构化
知识形态	原文片段，未经加工	结构化 Wiki 页面，带双链和知识图谱
检索方式	向量相似度匹配（语义搜索）	双链跳转 + 知识图谱 + 全文搜索
知识沉淀	弱——每次回答依赖检索质量，知识本身不积累	强——每多一篇笔记，知识网络就更密集
适用场景	客服问答、文档问答、一次性查资料	长期学习、知识体系构建、面试备考
典型工具	LangChain + Chroma / Pinecone	Obsidian + Claudian + LLM Wiki

RAG 的适用场景

RAG 解决的是"我问一句，你帮我从一堆文档里找到答案"。

比如你公司有个 500 页的产品手册，客户问"怎么配置 SSO 登录"，RAG 能从手册里检索到相关段落，拼出一个答案。它的优点是快、灵活、不需要人工整理。但缺点也很致命：它不帮你理解，也不帮你建立知识之间的联系。

你问十次 RAG，每次都是"搜一次 + 回答一次"，知识不积累，下次还得从头搜。

LLM Wiki 的适用场景

LLM Wiki 解决的是"我扔给你一堆零散信息，你帮我消化、归类、建立关联，变成我自己的知识体系"。

它的核心逻辑是：

1. 你把面经/文章/文档扔进来（Raw）
2. AI 自动拆解其中的技术概念，生成结构化的 Wiki 页面（Concepts）
3. 不同页面之间通过双链 [[]] 自动关联
4. 最终形成一张知识图谱，你能看到知识点之间的所有关联

适合谁？

• 面试备考：全网面经 → 自动提取技术考点 → 关联到你的知识盲区
• 技术学习：啃源码/论文 → AI 帮你拆解概念 → 形成可检索的知识网络
• 写作研究：收集素材 → AI 帮你归类 → 写作时一键调取相关资料

一句话总结：RAG 是"搜答案的工具"，LLM Wiki 是"建体系的工坊"。你需要查一次文档用 RAG，你需要长期构建知识体系用 LLM Wiki。

下面我就以后端面试备考为例，完整走一遍 LLM Wiki 的搭建和使用流程。

---

三、实操：30 分钟搭建你的第一个 LLM Wiki

整个流程分 5 步：

1. 下载 Obsidian
2. 创建仓库
3. 配置 Claudian 插件（AI 大脑）
4. 配置 Web Clipper（信息入口）
5. 配置 LLM Wiki（知识结构）

---

Step 1：下载 Obsidian

Obsidian 是目前最强的本地知识库工具，核心优势是 Markdown 本地存储 + 双链 + 插件生态。你的数据完全在本地，不依赖任何云服务。

Download

---

Step 2：创建仓库

安装完成后打开 Obsidian，点击「新建仓库」创建你的 LLM Wiki 知识库。

输入仓库名称，建议直接用 LLMWiki，简洁明了。

创建完成后会看到一个欢迎页面，这就是你的知识库初始状态——一片空白，等着被填满。

---

Step 3：配置 Claudian 插件——这是整件事的核心

Claudian 是把 Claude Code 嵌入 Obsidian 的插件，让 AI 直接在你的知识库里读写文件、搜索、执行命令、多步骤工作流。

换句话说，你的 Obsidian 不再是一个记事本，而是一个 AI 驱动的知识工作站。

3.1 打开插件市场

点击左下角设置 → 第三方插件 → 社区插件市场 → 浏览。

3.2 搜索并安装 Claudian

在社区插件市场搜索「Claudian」，点击安装。注意这里还有一个 Claudian Plus 是社区 fork 版，选原版就行。

3.3 启用插件

安装后记得在「已安装插件」里把开关打开。

3.4 配置 Claude CLI 路径

进入插件的设置页面，找到 Claude Code 选项（插件也支持 OpenCode 和 Codex，但我们选 Claude）。

在 Claude CLI Path 里填入你的 claude 命令路径（终端输入 which claude 就能看到）。如果不填，插件会自动检测。

3.5 测试对话

配置完成后，左侧边栏会出现一个机器人图标。点击它，就可以直接在 Obsidian 里跟 Claude 对话了。

试试跟它打个招呼，Claude 会直接读取你的仓库文件，告诉你它能看到什么、能帮你做什么。

到这里，AI 大脑就连上了。接下来我们装信息入口。

---

Step 4：配置 Web Clipper 插件——一条龙的信息摄入

Web Clipper 是 Obsidian 官方的 Chrome 扩展，能把任何网页一键转成 Markdown 格式保存到 Obsidian。

在 Chrome 应用商店搜索「Obsidian Web Clipper」安装即可。

装好之后，看面经就变成了：点一下 → 自动存到 Obsidian → AI 自动处理。这条流水线搭起来之后，你再也不用手动复制粘贴了。

比如你在牛客网看到一篇好的面经，点击右上角的 Clipper 图标，直接「Add to Obsidian」：

---

Step 5：配置 LLM Wiki 结构——让 AI 知道怎么帮你整理

这是最关键的一步。如果不定义 Wiki 结构，AI 不知道把信息往哪放、怎么关联。我们需要告诉它：这个知识库长什么样，每种类型的笔记怎么组织。

5.1 一键生成 Wiki 目录结构

直接用 Claude 帮你生成。在 Claudian 对话框里输入下面这段提示词：

帮我按照文件格式构建一下这个llm wiki，用于记录后端开发面试的面经积累。
我从牛客网、小红书、知乎等平台收集面经，也会记录自己的面试经历。

my-wiki/
  ├── purpose.md              # 目标、关键问题、研究范围
  ├── schema.md               # Wiki 结构规则、页面类型
  ├── raw/
  │   ├── sources/            # 原始文档（不可修改）
  │   └── assets/             # 本地图片
  ├── wiki/
  │   ├── index.md            # 内容目录
  │   ├── log.md              # 操作历史
  │   ├── overview.md         # 全局概览（自动更新）
  │   ├── entities/           # 公司、部门、岗位等实体
  │   ├── concepts/           # 技术概念、理论、方法论
  │   ├── sources/            # 面经整理
  │   ├── queries/            # 深入研究 + 对话结果
  │   ├── synthesis/          # 跨面经综合分析
  │   └── comparisons/        # 横向对比
  ├── .obsidian/              # Obsidian 配置（自动生成）
  └── .llm-wiki/              # 应用配置、聊天历史

Claude 会一次性把所有文件和目录创建好：

5.2 Schema 配置：定义 Wiki 规则

Schema 是这个 Wiki 的「宪法」——它规定了每种页面类型的命名规则、模板结构、关联方式。

# Schema

## Page Types

### entities/
存储公司、部门、面试官、平台等实体信息。
- **文件命名**：`{实体名}.md`
- **模板**：名称、类型（公司/部门/面试官/平台）、关联面经、面试风格标签
- **示例**：`字节跳动.md`、`牛客网.md`

### concepts/
存储技术概念、理论、方法论。
- **文件命名**：`{概念名}.md`
- **模板**：一句话定义 → 核心要点 → 面经中常见问法 → 标准回答框架 → 易错/追问点 → 关联面经来源
- **示例**：`Redis缓存穿透.md`、`MySQL索引下推.md`、`CAP理论.md`

### sources/
存储面经的结构化整理。分为两类：

**A. 个人面经** — 自己参加的真实面试
- **文件命名**：`{YYYY-MM-DD}-{公司}-{轮次}.md`
- **模板**：基本信息（公司/岗位/轮次/结果）→ 问题逐题记录（面试官问 → 我的回答 → 复盘改进）→ 整体感受
- **示例**：`2026-07-20-字节跳动-一面.md`

**B. 外部面经** — 从各平台收集的面经
- **文件命名**：`{YYYY-MM-DD}-{公司}-{平台}-{简述}.md`
- **模板**：来源信息（平台/链接/作者）→ 面经摘要 → 逐题整理（面试官问 → 候选人回答要点 → 我的补充理解）→ 关键收获
- **示例**：`2026-07-20-字节跳动-牛客网-后端二面.md`

### queries/
存储针对某个技术问题的深入研究笔记。
- **文件命名**：`{主题}.md`
- **模板**：问题描述 → 研究过程/参考资料 → 结论 → 关联面经中的出现记录
- **示例**：`Go-GPM调度模型深入.md`

### synthesis/
跨多篇面经的归纳分析。
- **文件命名**：`{分析主题}.md`
- **模板**：分析目的 → 涉及面经列表 → 关键发现 → 行动建议
- **示例**：`2026年7月-后端高频考点Top20.md`、`字节跳动-后端面试风格分析.md`

### comparisons/
横向对比不同公司面试风格、不同技术方案等。
- **文件命名**：`{对比项A}-vs-{对比项B}.md`
- **模板**：对比维度 → 逐项分析 → 结论
- **示例**：`阿里-vs-字节-面试风格对比.md`、`MySQL-vs-PostgreSQL.md`

## Linking Rules
- 所有页面优先使用 `[[wiki/xxx/页面名]]` 双链语法互相关联
- 每篇面经（sources/）中的技术问题需链向对应的 concepts/ 概念页
- 每个概念页链回所有提过它的面经来源
- entities/ 中的公司页面链向所有相关面经
- synthesis/ 和 comparisons/ 汇总多篇面经，链向涉及的 sources/ 和 concepts/

## Naming Conventions
- 文件名使用中文，简洁描述内容
- 日期格式统一为 YYYY-MM-DD
- 外部面经文件名需标注来源平台（牛客网/小红书/知乎/公众号）
- 概念名使用通用技术术语，避免缩写

5.3 Purpose 配置：明确目标和范围

# Purpose

## Goals
- 从牛客网、小红书、知乎、公众号等平台收集高质量后端开发面经
- 结构化整理每篇面经中的技术问题与面试官反馈，形成可检索的知识库
- 提炼全网高频考点，洞察不同公司/团队的面试风格与侧重点
- 将外部面经与个人面试经历对照，发现自身知识盲区

## Key Questions
- 近期各大厂（字节/阿里/腾讯/美团/拼多多等）后端面试在问什么？
- 哪些技术问题在不同来源的面经中反复出现？（= 行业核心考点）
- 不同公司、不同部门、不同职级的面试侧重点有何差异？
- 每道高频题的标准回答思路是什么？有哪些常见追问？
- 面经中提到的候选人踩坑点有哪些？

## Source Platforms
- **牛客网**：面经帖、讨论区、专项练习
- **小红书**：面试复盘笔记、offer 经验分享
- **知乎**：面试经验长文、技术深度讨论
- **微信公众号**：大厂面试官分享、技术团队招聘要求
- **个人面试**：自己实际参加的后端面试记录

## Research Scope
- 后端开发语言：Go/Java/Python/C++ 特性、并发模型、内存管理
- 数据库：MySQL/PostgreSQL 索引优化、事务隔离、锁机制、分库分表
- 缓存与消息队列：Redis 数据结构与淘汰策略、Kafka/RabbitMQ 原理
- 系统设计：高并发架构、微服务治理、分布式一致性、CAP 实践
- 计算机基础：操作系统内存/进程/IO、网络 TCP/HTTP/HTTPS、数据结构与算法
- 工程实践：CI/CD、容器化、监控告警、日志系统、安全

---

四、实战演示：一篇面经的 AI 消化全流程

结构搭好之后，来看看实际效果。

4.1 抓取面经

用 Web Clipper 把牛客网上的一篇百度 Java 开发实习面经抓取到 Obsidian 中。点击「Add to Obsidian」，文章瞬间保存为 Markdown 格式放在 raw/sources/ 下面。

保存后你在 Obsidian 里就能看到这篇面经了，包含标题、来源链接、原文内容，还有 yaml frontmatter 元数据：

4.2 AI 消化面经

重点来了。在 Claudian 对话框里输入 /ingest，Claude 会读取这篇面经，自动做以下事情：

1. 拆解技术点：Redis Lua 脚本、Cache Aside 模式、ThreadLocal 内存泄漏、Agent 幻觉…… 每个技术点单独提取
2. 生成 Concept 页面：每个概念按照 Schema 模板自动生成——一句话定义 → 核心要点 → 面经中的问法 → 标准回答 → 追问陷阱
3. 建立双链关联：概念页自动链回面经来源，面经页链向概念页，公司实体页自动关联
4. 更新索引：自动更新 index.md 和 overview.md

来看看 Claude 是怎么做的：

AI 自动生成了多个概念页面，比如「上下文压缩」「ThreadLocal 内存泄漏」「Cache Aside 模式」等。每个页面都按照模板结构化，并且建立了双向链接：

4.3 最终效果：知识图谱

当你积累了十几篇面经之后，知识图谱就长这样。每个节点是一个知识点，每条线是一个关联关系。

面试前看一眼这张图，你就知道哪些知识点被反复问到，以及它们之间的关联。

---

五、LLM Wiki 的三大核心价值

用了一个月之后，我总结出 LLM Wiki 相比传统笔记的三个降维打击之处：

1. 从「收藏即遗忘」到「自动消化」

传统流程：看到好文章 → 收藏 → 遗忘 → 面试前慌乱翻找 → 翻到了也来不及消化

LLM Wiki 流程：看到好文章 → 一键 Clipper → AI 自动拆解 → 结构化存入知识库 → 面试前直接检索已经消化好的知识

2. 从「孤岛笔记」到「知识网络」

Notion/语雀的问题在于：笔记是孤立的。你写了 100 篇笔记，但知识点之间没有关联。

LLM Wiki 通过双链和知识图谱，让你看到：

• 这个技术点出现在哪些公司的面试中？
• 不同面经对同一个问题有什么不同的回答角度？
• 哪些知识点总是成对出现？（比如缓存穿透 + 布隆过滤器、ThreadLocal + 内存泄漏）

3. 从「记完就结束」到「持续生长」

每次用 /ingest 处理一篇新面经，知识图谱就多几个节点。旧的概念页会自动更新反向链接。你的知识库是活的——它越用越密、越用越有价值。

---

六、总结 & 行动建议

你的场景	推荐方案
公司内部文档问答、客服机器人、一次性查资料	RAG（LangChain + 向量数据库）
个人知识体系构建、长期学习、面试备考、深度研究	LLM Wiki（Obsidian + Claudian）
两者都需要	可以组合使用：LLM Wiki 做知识沉淀，RAG 做快速检索

如果你正准备面试，我建议今天就花 30 分钟把这套流程跑通。一旦跑起来，之后的每一篇面经都会变成你的子弹，而不是躺在收藏夹里的废纸。

下一步行动：

1. 下载 Obsidian，创建一个 Vault
2. 安装 Claudian 插件，连上 Claude
3. 用提示词一键生成 Wiki 结构
4. 找一篇面经，体验一次 /ingest 的魔法

有问题欢迎留言讨论。如果你有更好的面经整理方法，也欢迎分享。