|LLM Wiki 知识编译器
访问官网

LLM Wiki 知识编译器

知识管理

将零散信息编译成结构化知识网络的AI驱动知识管理系统，基于Obsidian和Claude构建

BLUF 摘要（点开查看）

这篇教程说明如何配置 LLM Wiki 知识编译器，重点是先准备 API Key、Base URL 和模型名称，再按章节完成安装、配置、验证与排错。

配置前检查

  • 确认工具读取的是哪个配置文件，避免改错项目目录或用户目录
  • 准备 API Key、Base URL、模型名称和计费平台登录方式
  • 先用测试模型跑通一次简单对话，再切换到更贵或更强的模型
  • 把 API Key 放在环境变量或工具密钥管理里，不要写进公开仓库

常见排错

  • 401/403：优先检查 API Key 是否复制完整、是否过期、是否有调用权限
  • 404/模型不存在：检查模型名、Base URL、供应商兼容接口路径是否匹配
  • 429：降低并发，开启重试退避，或升级额度与限速套餐
  • 超时：先切换更快模型或国内直连 API，再缩短输入上下文测试
目录（6 章）
1. 一、项目技术架构与实现细节2. 二、核心功能模块工作原理3. 三、代码结构与关键技术点4. 四、面向普通用户的使用方法与操作步骤5. 五、2026年最新功能更新与社区实践6. 六、常见问题与解决方案
1

一、项目技术架构与实现细节

karpathy-llm-wiki-vault 是一个具体的知识库项目实现，其整体架构设计深刻体现了【编译思维】，核心目标是将零散、非结构化的原始信息通过自动化处理流程，转化为高度结构化、相互关联的知识网络。这一架构构建在 Obsidian 这款本地优先的知识管理工具之上，并深度集成了 Claude AI 作为核心的智能处理引擎。

核心理念：信息分层与编译流水线

项目的架构根植于一个清晰的分层模型，将数据流动与价值提炼的过程具象化为不同的"层"，每一层都有明确的职责和权限设定。

  • 原始输入层 `raw/`：充当项目的【只读收件箱】，用于临时存放未经处理的原始材料。对LLM只读
  • 知识编译层 `wiki/`：核心输出层，存放由AI提炼、归纳、链接后生成的【结构化知识】。LLM拥有完全写权限
  • 智能控制层 .claude/skills/ 与 CLAUDE.md：定义AI如何理解和操作知识库的【行为规范和技能工具】
  • 资源管理层 `assets/`：统一的媒体资源仓库，存放图片、PDF等附件

分层架构的核心思想

这种分层架构确保了数据处理流程的【单向性与秩序性】：信息从 raw/ 流入，经过 ingest 技能的处理，价值被萃取至 wiki/，而原始文件则被移至 raw/09-archive/ 归档。体现了【"源码"与"编译产物"分离】的思想。

  • 信息从 raw/ 单向流入，经处理后提炼至 wiki/
  • 处理完毕的原始文件自动移至 raw/09-archive/ 归档
  • 【"源码"与"编译产物"分离】，避免混杂
  • 数据处理流程具有单向性与秩序性

实现范式：声明式配置与AI代理驱动

该项目的技术实现细节主要体现在其配置化与代理驱动的范式上，而非传统意义上的编码。

  • 声明式的架构规范 CLAUDE.md —— 项目的【"宪法"文件】，用自然语言编写的协议文档
  • 技能化的工作流 .claude/skills/ —— 可复用的AI工作流模块，架构中的【"微服务"】
  • 与宿主环境 Obsidian 的深度集成 —— 利用Markdown存储、双向链接、官方技能扩展

CLAUDE.md——项目宪法

这是项目的【"宪法"文件】，并非可执行代码，而是一份详细的自然语言协议文档。它定义了：

  • 语言协议：整个知识库所使用的术语体系和写作风格
  • 读写权限：AI在 raw/ 层仅可读，在 wiki/ 层可读写，约束行为边界
  • Wiki Schema：规定 wiki/ 目录下 concepts/（概念）、entities/（实体）、sources/（摘要）、syntheses/（综合报告）等子目录的语义和用途
  • 操作指令：指导AI如何执行 ingest、query 等任务

技能化的工作流

在 .claude/skills/ 目录下定义的一系列"技能"，构成了可复用的AI工作流模块。这些技能通过 Claude Code 环境被调用，是架构中的【"微服务"】。

  • `ingest`：实现了【编译流水线】。读取 raw/ 收件箱中的新文件，根据 CLAUDE.md 规范提炼核心内容至 wiki/sources/，更新概念与实体页面，最后将原始文件移至 archive/
  • `query`：实现了【知识检索与综合】。检索 wiki/index.md 全局索引，综合信息生成带有双向链接引用的答案，从"存储"到"调用"的完整闭环
  • `lint`：实现了【系统维护】。检查知识库健康状况，修复死链、提示认知冲突、更新全局索引，确保知识网络的结构化质量

与宿主环境（Obsidian）的深度集成

架构充分利用了 Obsidian 的原生能力：

  • 数据基石：所有知识均以 Markdown 文件形式存储，确保可移植性、版本控制（通过 Git）和长期可访问性
  • 链接网络：利用 Obsidian 原生的【双向链接】功能，自动构建知识节点间的关联网络
  • 官方技能扩展：集成 obsidian-cli、defuddle 等官方技能，将外部工具能力无缝接入自有流水线

核心要点

该项目的技术架构是一个以"分层数据模型"为骨架、以"声明式协议"为灵魂、以【AI代理技能】为肌肉、以 Obsidian 本地知识库为载体的混合系统

其实现细节不体现在代码逻辑的复杂性上，而体现在对【AI行为的精细引导】、对【知识结构的严谨定义】以及对【工具生态的巧妙融合】之中

2

二、核心功能模块工作原理

本系统的核心功能围绕【"知识编译流水线"】展开，所有工作由 .claude/skills/ 目录下的特定技能模块驱动。这些模块并非传统意义上的代码程序，而是 Claude Code 环境下可调用的AI工作流，它们依据 CLAUDE.md 定义的语义协议与权限，协同完成从原始信息摄入到结构化知识调用与维护的闭环。

"ingest"模块：知识编译主程

ingest 技能是知识流水线的【核心处理引擎】，负责将收件箱中的原始素材"编译"为结构化的知识笔记。

  • 触发与输入：执行 /ingest 命令触发，自动扫描 raw/ 目录（包括 01-articles/、02-papers/、03-transcripts/、04-meeting_notes/ 等子目录）
  • 内容提炼：深度阅读与分析文本，提取核心观点、关键论据和重要数据
  • 分类归档：将信息分类写入 wiki/ 知识库——sources/（摘要笔记）、concepts/ 与 entities/（概念与实体页面）
  • 索引更新：将新笔记及链接关系更新至 wiki/index.md，维护全局索引完整性
  • 自动归档：处理完成后将原始文件从 raw/ 移至 raw/09-archive/，确保收件箱保持清爽

"query"模块：知识检索与综合

query 技能实现了基于已编译知识库的【智能检索与综合回答】。

  • 触发与输入：通过 /query <问题> 命令触发
  • 索引定位：检索 wiki/index.md 全局索引，快速定位相关笔记页面
  • 内容综合：阅读并综合相关笔记内容，而非简单关键词匹配
  • 链接引用：答案包含【双向链接】，可直接跳转至相关概念或来源页面
  • 产出沉淀：高质量query结果建议保存为新的Wiki页面（如 wiki/syntheses/），实现【每次提问都在增厚知识库】

"lint"模块：知识库健康维护

lint 技能定期检查知识库的结构完整性，确保知识网络持续处于【健康状态】。

  • 修复死链：发现并修复指向不存在页面的【无效内部链接】
  • 补充索引：将未被 wiki/index.md 收录的新页面补充进全局索引
  • 发现矛盾：识别不同页面间对同一事实的【矛盾描述】，并提示用户或自动修正
  • 发现孤儿页面：找出没有其他页面链接到的【孤立内容】，建立必要的关联

官方技能集成

Obsidian 官方提供的基础设施技能，作为自定义技能的底层依赖。

  • `obsidian-cli`：提供调用 Obsidian 原生API（如检索、打开页面）的能力，是自定义技能的底层依赖
  • `defuddle`：将网页URL自动清理并转化为干净的Markdown文件，直接存入 raw/ 目录，是信息输入的入口工具之一

模块协同工作流

整个流水线的核心任务是【"将碎片化的信息编译成结构化、高度相互链接的知识网络"】。三大自定义模块分别承担了编译主程、检索调用和系统维护职能，与两个官方技能共同构成一套完整的【知识操作系统】。

  • defuddle 将外部信息输入 raw/ 收件箱
  • ingest 从 raw/ 编译至 wiki/，构建知识网络
  • query 基于 wiki/ 检索知识并生成综合答案
  • lint 维护 wiki/ 知识库的结构健康
  • 四个模块形成完整闭环：【输入→编译→查询→维护】
3

三、代码结构与关键技术点

karpathy-llm-wiki-vault 的技术实现核心在于【"用结构约定代替程序代码，用协议文件驱动AI行为"】。其代码结构即是数据结构和操作规范的蓝图，而关键技术点则体现在通过 CLAUDE.md 和技能对大型语言模型进行精确定制与调度，从而在纯文本文件系统之上，实现了一个自动化、结构化的个人知识编译与检索系统。

目录结构总览

项目的文件组织本身就是架构设计的重要组成部分：

  • `CLAUDE.md` — 项目宪法：定义术语、权限、Wiki Schema和操作指令
  • `raw/` — 原始输入层：01-articles/、02-papers/、03-transcripts/、04-meeting_notes/、09-archive/
  • `wiki/` — 知识编译层：concepts/（概念）、entities/（实体）、sources/（摘要）、syntheses/（综合）、index.md（全局索引）
  • `assets/` — 资源管理层：统一媒体资源仓库
  • .claude/skills/ingest/ — 编译技能目录
  • .claude/skills/query/ — 检索技能目录
  • .claude/skills/lint/ — 维护技能目录
  • .claude/skills/obsidian-cli/ — Obsidian官方技能：调用原生API
  • .claude/skills/defuddle/ — Obsidian官方技能：网页清理与剪藏

声明式文件协议与心智规范（CLAUDE.md）

这是系统运行的【"宪法"】。它不包含可执行代码，而是通过自然语言明确定义了：

  • 术语表：什么是 concept，什么是 entity，什么是 source
  • 权限边界：LLM可以在 wiki/ 下任意创建、编辑文件，但 raw/ 和 assets/ 是【只读】的
  • Wiki Schema（模板）：规定生成 concept 或 entity 笔记时应遵循的固定结构
  • 操作指令：指导LLM如何执行 ingest、query 等任务
  • 这种设计将复杂的程序逻辑转化为对AI模型的【精确提示（Prompt）】，使得系统行为可通过修改这个声明式文件进行配置和调整

技能（Skill）模块化机制

在 .claude/skills/ 目录下的每个子目录都代表一个可被 Claude Code 直接调用的AI工作流。每个技能内部包含了执行该任务所需的完整上下文、步骤规划和Prompt设计。

  • obsidian-cli 和 defuddle 作为官方技能，提供了与 Obsidian 环境和外部网络交互的底层能力
  • 自定义技能能专注于【高层级的认知任务】（如总结、关联、推理）
  • 技能之间通过共享的 wiki/ 数据层和 CLAUDE.md 协议实现协同

基于纯文本与双向链接的知识网络

系统完全构建在 Markdown 这一纯文本格式之上。所有知识节点（wiki/ 下的文件）都通过 Obsidian 原生的 [[双向链接]] 语法相互连接。

  • wiki/index.md 文件充当了一个人工维护的、机器可读的【总索引】
  • /query 技能首先查阅此索引来快速定位相关笔记，而非进行全库模糊搜索
  • 这大大提高了检索的【准确性和效率】
  • 双向链接使知识节点间自动形成【关联网络】

数据持久化与版本控制

整个知识库（raw/、wiki/、assets/、CLAUDE.md）就是一个标准的 Git 仓库。所有知识的增删改查、AI的操作历史都以文本形式保存，天然支持Git的版本管理。

  • 用户可以【回滚到任何历史状态】
  • 清晰地追踪知识演变和AI生成内容的变迁
  • 无需依赖向量数据库或特定云端服务
  • 实现知识的完整历史追溯和跨设备同步
4

四、面向普通用户的使用方法与操作步骤

本项目的设计目标是将用户从繁琐的知识整理工作中解放出来，通过清晰的架构和简单的命令，实现知识的自动"编译"与持续增值。普通用户无需编写代码，只需与图形界面（Obsidian）和命令行（Claude Code）交互，即可完成从信息收集到知识应用的全流程。

第一步：环境准备与知识库初始化

要开始使用，您需要完成以下基础准备工作：

bash
# 克隆知识库模板
git clone https://github.com/jason-effi-lab/karpathy-llm-wiki-vault.git
  • 安装核心软件：安装 Obsidian 桌面端应用，它是浏览和管理知识库的【"IDE"】
  • 确保拥有 Claude Code 或 Claudian 插件，这是驱动AI执行核心操作的【"引擎"】
  • 获取知识库模板：从 GitHub 克隆 jason-effi-lab/karpathy-llm-wiki-vault 仓库到本地
  • 关联与配置：打开 Obsidian，选择"打开库"，指向 LLM-Wiki-Vault 文件夹
  • 确保已启用 Claude Code 或 Claudian 插件，系统预置的目录结构和技能将自动生效

知识库核心结构一览

完成初始化后，您的知识库已经就绪。其核心结构清晰可见：

  • `assets/`：统一存放图片、PDF等附件
  • `raw/`：您的【"收件箱"】，用于存放待处理的原始资料
  • `wiki/`：AI生成的【"成品知识库"】，供您阅读和探索
  • `CLAUDE.md`：系统的【"宪法"】，定义了AI的行为规范（普通用户通常只需阅读，必要时微调）

阶段一：收集——将信息放入"收件箱"

这是工作的起点，将任何格式的原始资料放入 raw/ 目录下的对应子文件夹中。

bash
# 自动收集（推荐）：一键剪藏网页
/defuddle https://example.com/article
# 自动清理网页噪音，转为Markdown存入 raw/01-articles/
  • 自动化收集（推荐）：遇到有价值的网页时，执行 /defuddle <网页URL>。自动清理网页噪音，转化为干净的Markdown存入 raw/01-articles/
  • 手动收集——raw/01-articles/：技术文章、博客
  • 手动收集——raw/02-papers/：学术论文、行业研报
  • 手动收集——raw/03-transcripts/：播客、视频转录文本
  • 手动收集——raw/04-meeting_notes/：头脑风暴或会议纪要

阶段二：编译——让AI消化资料，构建知识网络

当 raw/ 收件箱中积累了新文件后，执行核心的编译命令：/ingest。AI将自动执行以下工作：

bash
# 编译收件箱
/ingest
  • 1. 读取 raw/ 目录下的新文件
  • 2. 提炼核心观点，在 wiki/sources/ 下生成一对一的摘要页
  • 3. 识别并更新相关的概念（wiki/concepts/）、实体（wiki/entities/）页面，建立【双向链接】
  • 4. 更新全局索引文件 wiki/index.md
  • 5. 自动归档：将源文件从 raw/ 移至 raw/09-archive/

阶段三：应用——查询与使用已编译的知识

当您需要研究某个问题或回忆某个概念时，无需手动翻找。输入：/query <您的问题>。

bash
# 智能问答
/query 对比一下 Transformer 和 RNN 的优缺点
  • AI将基于已编译的 wiki/ 知识库进行回答
  • 1. 检索 wiki/index.md 找到相关页面
  • 2. 综合阅读这些页面的内容
  • 3. 生成一个带有【双向链接引用】、逻辑完整的答案
  • 关键实践：高质量答案应保存为新页面（如 wiki/syntheses/），实现【"每次提问都在增厚知识库"】的复利效应

阶段四：维护——让知识库保持健康与活力

定期对知识库进行"体检"，确保其结构完整、内容一致。输入：/lint。

bash
# 知识库体检
/lint
  • 1. 修复死链：发现并修复无效的内部链接
  • 2. 补充索引：将未收录的新页面加入 wiki/index.md
  • 3. 发现矛盾：识别不同页面间的矛盾描述
  • 4. 找出孤儿页面：发现未被引用的孤立内容

核心要点

一句话工作流：把资料扔进 raw/ → 运行 /ingest → 在 wiki/ 里阅读或 /query → 定期 /lint 体检

高质量query结果应保存为新页面，实现【"每次提问都在增厚知识库"】的复利效应

注意事项

在 CLAUDE.md 中明确规定"收到指令后立即执行所有步骤"，避免AI中途请求确认

严格区分操作指令和源文件内容，防止AI误将文档描述当作操作指令执行

5

五、2026年最新功能更新与社区实践

自项目发布以来，LLM Wiki的模式在社区中引发了广泛共鸣，围绕【"知识编译"】的核心理念，涌现了一系列增强工具和最佳实践更新，进一步验证并拓展了这一架构的可行性与价值。

知识复利效应的验证与深化

社区实践进一步验证了【"知识复利"】的核心价值主张：新资料能自动整合进现有知识网络，第100份资料建立在前99份的基础之上，使知识库的价值随使用量呈指数级增长。

  • 自动整合：新资料能自动整合进现有知识网络
  • 复利积累：第100份资料建立在前99份的基础之上
  • 指数级增长：知识库的价值随使用量呈【指数级增长】
  • 人类角色转变：从"图书管理员"转变为【"知识策展人"和"使用者"】

社区工具生态

围绕LLM Wiki的核心理念，社区已衍生出多种【开源实现和增强工具】：

  • `Graphify`（开源命令行工具）：自动分析 raw/ 目录中的文档，生成交互式知识图谱（graph.html）、核心概念报告及Obsidian兼容的Markdown文件。支持深度推理、增量更新模式
  • `Obsidian`专属插件：将 ingest、query、lint 等核心操作深度集成到Obsidian命令面板中，实现【"LLM编译，人类浏览"】的无缝工作流
  • 多样的Agent技能包：将LLM Wiki模式封装成可调用的技能（如 wiki-skills），用户通过简单指令即可调用复杂的知识库操作

核心操作的最佳实践更新

针对 ingest、query、lint 三大核心操作，社区总结了更精细、可规避早期陷阱的【实践经验】。

  • Ingest的自动化与确定性——避坑指南：早期LLM容易陷入"只讨论不执行"的循环。最佳实践强调在 CLAUDE.md 中明确规定【"收到指令后立即自动执行所有步骤"】
  • `Ingest`的内容隔离：需严格区分操作指令和源文件内容，防止LLM误将文档描述当作操作指令执行
  • `Query`的产出沉淀制度：高质量query结果应保存为新的Wiki页面（如 wiki/analysis/ 或 wiki/syntheses/），使有价值的分析得以沉淀
  • `Lint`的系统化与主动化：定期运行lint检查四大类问题——页面间逻辑矛盾、过时内容、孤立页面、未建立独立页面的重要概念。使知识库具备【"自我修复"和"自我生长"】的潜力

技术栈整合与生态位巩固

2026年的实践进一步明确了LLM Wiki在个人知识管理生态中的【优势位置】：

  • Obsidian成为"编译产物"的完美前端：其双向链接和图谱视图（Graph View）能直观展示LLM构建的知识网络结构。Obsidian CLI 的发布使知识库能通过命令行被AI直接调用，成为【"可编程知识基础设施"】
  • 对小规模数据场景的重新评估：约100篇文章、40万字左右的"小规模"个人知识库场景下，LLM维护的 index.md 和摘要文件已能提供高效检索，【传统RAG的复杂向量检索可能并非必需】
  • 绝对的数据主权与可移植性：整个系统基于本地Markdown文件，无需依赖向量数据库或特定云端服务。配合 Git 进行版本控制，实现知识的完整历史追溯和跨设备同步
6

六、常见问题与解决方案

在使用LLM Wiki知识编译器的过程中，用户可能会遇到以下常见问题。这里提供详细的【排查与解决思路】。

Q1：LLM Wiki与传统RAG有什么本质区别？

LLM Wiki的核心差异在于【"编译"而非"检索"】的思维范式。

  • 传统RAG类似【"解释器"】，每次查询都需从零开始检索原始文档碎片，知识未被结构化
  • LLM Wiki是【"编译器"】，预先将资料编译成相互链接的Wiki，查询基于"熟知识"
  • 传统RAG中，第100份资料不会自动与前99份产生关联
  • LLM Wiki中，新资料【自动整合进现有网络】，实现知识复利
  • 小规模场景（约100篇文章）下，LLM维护的 index.md 和摘要文件已能实现高效检索，引入向量数据库可能并非必需

Q2：如何快速开始使用LLM Wiki？

只需三步即可上手：

bash
# 快速开始三步走
git clone https://github.com/jason-effi-lab/karpathy-llm-wiki-vault.git
# 在Obsidian中打开LLM-Wiki-Vault文件夹
# 使用Claude Code执行核心命令
/ingest
/query 你的问题
/lint
  • 1. 安装 Obsidian 和 Claude Code（或 Claudian 插件）
  • 2. 从GitHub克隆知识库模板：git clone https://github.com/jason-effi-lab/karpathy-llm-wiki-vault.git
  • 3. 在 Obsidian 中打开该文件夹，即可开始使用 /ingest、/query、/lint 命令

Q3：ingest 执行时AI不动或反复确认怎么办？

这是最常见的【新手问题】，通常是因为 CLAUDE.md 中缺少明确的自动执行指令。

  • 在 CLAUDE.md 中添加明确规定：【"收到/ingest指令后，立即自动执行所有步骤，不要请求确认"】
  • 确保指令和源文件内容严格隔离，防止AI误将文档描述当作操作指令
  • 检查 CLAUDE.md 中的权限设置，确认AI在 wiki/ 目录下有写权限

Q4：lint 检查应该关注哪些问题？

定期运行的lint操作应覆盖以下【明确的检查范围】：

  • 1. 逻辑矛盾：发现不同页面间对同一事实的矛盾描述
  • 2. 过时内容：识别可能因时间而过时的信息
  • 3. 孤儿页面：找出没有其他页面链接到的孤立页面
  • 4. 未创建页面的重要概念：发现被频繁提及但尚未建立独立页面的【关键术语】

Q5：Obsidian的图谱视图显示混乱或链接不生效怎么办？

链接问题通常由【语法不兼容】导致：

  • 检查链接语法：确保Wiki层生成的Markdown文件使用 Obsidian 能识别的 [[页面名]] 维基链接语法
  • 使用兼容性工具：如果使用 Graphify 等外部工具，确保启用 --obsidian 等参数以生成完全兼容的链接格式
  • 刷新缓存：尝试重启 Obsidian 或使用"重新加载应用程序"功能，刷新图谱视图的缓存数据

Q6：知识库规模变大后，查询速度变慢怎么办？

在小规模场景下无需过度担忧，大规模场景有【进阶路径】：

  • 重新评估需求：约100篇文章、40万字的"小规模"个人知识库场景下，LLM维护的 wiki/index.md 和摘要文件已能实现高效检索，引入向量数据库等复杂RAG【可能并非必需】
  • 进阶路径1——为LLM开发专用工具：可以开发一个简单的命令行搜索引擎，让LLM在处理复杂查询时调用，提高效率
  • 进阶路径2——远期展望：利用高质量的结构化Wiki数据生成合成数据，对专属小模型进行【微调（Fine-tuning）】，将核心知识"内化"到模型权重中

Q7：如何最大化LLM Wiki的价值？

核心在于【人类角色的重新定位】：

  • 人类聚焦高杠杆工作：你的核心角色应转向【信息策展人】（筛选高质量输入）、【方向探索者】（提出关键问题）和【最终裁决者】
  • 将摘要、关联、格式化、一致性维护等"体力活"完全委托给LLM
  • 牢记系统定位：LLM Wiki是强大的【辅助外化工具】，能极大提升知识整理和关联的效率，但不能替代人类自身的深度思考
  • 最终的洞察力和创造力依然来源于你

Q8：初期效果不理想怎么办？

效果优化是一个【迭代过程】：

  • 效果上限高度依赖于【模型能力】与【提示词（CLAUDE.md）质量】
  • 初期需要投入时间"调教"你的系统规范，这是一个迭代过程
  • 从简单的规则开始，根据LLM的输出结果不断修正和完善你的"宪法"
  • 使其越来越符合你的工作习惯和知识领域要求

核心要点

通过理解上述问题与方案，你可以更有信心地部署和优化你的知识编译系统，让AI真正成为一个不知疲劳的【知识架构师】

如果你对某个功能的具体操作仍有疑问，建议回顾第四章与第五章中关于使用步骤和社区经验的详细说明

其他应用教程

CC Switch

推荐

跨平台 AI 终端配置管理工具，统一管理 Claude Code、Codex、Gemini CLI、OpenCode、OpenClaw 的 API 供应商、模型、MCP 和 Skills。

OpenAI Codex

官方

OpenAI 官方 AI 编程助手安装与使用教程，覆盖 CLI、IDE 扩展、云端任务、AGENTS.md、权限审批、安全规范和真实项目工作流。

Claude Code

热门

Claude Code 安装、区域限制处理、CC Switch 配置与 DeepSeek 模型接入完整教程

OpenClaw

开源

开源AI助手平台，支持飞书集成，一键部署私人AI助理

OpenClaw 接入飞书

飞书

基于飞书开放平台创建机器人，并通过 OpenClaw Feishu 插件把本地 AI 助手接入飞书对话

Claudian Obsidian 插件

插件

在Obsidian中直接使用Claude AI助手，结合笔记与AI提升效率

Hermes Agent

Agent

Nous Research 开源 AI Agent 安装与初始化教程，覆盖一键安装、模型配置、健康检查和常见问题排查