用 LLM Wiki 的"编译"思想替代 Dify 的自动解析，砍掉不稳定的分类环节，大幅提升输出质量。

问题诊断

当前工作流存在三个连锁问题：

1. Dify 文档解析差 — 自动分段产生信息碎片，缺乏上下文
2. LLM 问题分类不稳定 — 同一个问题可能被分到不同类别，下游检索随之偏移
3. 输出不稳定 — 垃圾片段进 → 垃圾回答出

本指南面向希望从零构建 AI Agent 的开发者，覆盖架构设计到生产部署的完整流程。

Agent 架构设计

一个功能完整的 Agent 包含三个核心组件：

• 规划器（Planner）：将用户目标拆解为可执行的子任务序列。简单场景可用单次 函数调用，复杂场景需要多步规划
• 工具集（Tools）：Agent 可调用的外部能力，如搜索引擎、数据库、API、文件系统等。工具定义需要清晰的描述和参数 schema
• 记忆系统（Memory）：短期记忆保存当前会话上下文，长期记忆跨会话持久化关键信息

本指南将带你从零开始构建一个由 LLM Agent 驱动的个人知识库。

前置条件

• LLM Agent：Claude Code、OpenAI Codex 或其他支持文件操作和工具调用的 LLM Agent
• Obsidian：本地 Markdown 编辑器，用于浏览和维护知识库
• Git（可选）：用于版本控制和协作

核心思路是：让 LLM Agent 作为你的知识助手，在 Obsidian 知识库中持续编写和维护结构化页面。

本指南从工程实践角度讲解如何构建 RAG（检索增强生成） 系统，覆盖文档处理到质量评估的完整链路。

文档加载和分块

文档分块（Chunking）是 RAG 效果的基础：

• 固定长度分块：按 token 数（通常 256-1024）切分，简单但可能切断语义完整段落
• 语义分块：按段落或章节边界切分，保持语义完整性，推荐作为首选策略
• 递归分块：先按大单位（章节）切分，再对过长段落递归切分，兼顾粒度和完整性
• 重叠窗口：相邻块之间保留 10-20% 的重叠内容，避免关键信息恰好在切分边界被截断

本指南覆盖 微调 的完整流程，从数据准备到模型部署。微调是将通用 LLM 适配到特定领域或任务的关键技术。

数据准备

数据质量决定微调效果的上限。核心要求：

• 格式统一：通常使用对话格式（system/user/assistant），确保与目标模型的训练格式一致
• 质量优先：500 条高质量样本远胜 5000 条低质量样本。每条数据应经过人工审核
• 多样性：覆盖目标任务的各类场景和输入分布，避免数据偏斜导致模型偏向某种回答模式
• 去重：去除重复或高度相似的样本，防止模型过拟合

Obsidian 是一款本地优先的 Markdown 知识管理工具，以双向链接和关系图谱著称。本指南帮助你快速上手，并与 LLM Wiki 工作流无缝衔接。

安装和配置

1. 从 obsidian.md 下载对应平台客户端（支持 macOS、Windows、Linux、iOS、Android）
2. 创建或打开一个 Vault（知识库文件夹）。LLM Wiki 的 wiki/ 目录可以直接作为 Vault 使用
3. 进入 Settings → Editor，建议调整：关闭"Readable line length"以获得更宽的编辑区域，开启"Strict line breaks"
4. 进入 Settings → Files & Links，将"New link format"设为"Relative path to file"，匹配 LLM Wiki 的链接风格

本文档帮助你快速上手使用这个 LLM Wiki 知识库。

用 Obsidian 打开本项目

1. 安装 Obsidian
2. 选择 "Open folder as vault"（以文件夹打开仓库）
3. 选择本项目的 wiki/ 目录作为仓库路径
4. 完成——你现在可以浏览所有知识页面

推荐安装的 Obsidian 插件：

本指南是 提示词工程 的实战手册，帮助你在日常工作中系统性地编写高质量提示词。

明确指令的四个要素

一个结构清晰的提示词通常包含以下部分：

1. 角色设定：告诉 LLM 以什么身份回答。例如"你是一位有 10 年经验的 Python 后端工程师"，这会约束输出的风格和深度。
2. 任务描述：用一句话说明你要什么，避免冗长铺垫。
3. 输出格式：明确指定返回格式——Markdown 表格、JSON、分步骤列表等。不指定格式，LLM 会自行选择，结果往往不可控。
4. 约束条件：限定范围、字数、语言、禁止事项。约束越具体，输出越可预测。