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

核心差异

RAG 和 Compiled Wiki 代表了两种不同的"LLM + 知识"范式，它们在知识的存储、组织和利用方式上存在根本差异。

RAG 的工作方式

RAG（Retrieval-Augmented Generation）的工作流程是：

1. 用户提出查询
2. 系统将查询转换为向量，在知识库中检索相关文档片段
3. 将检索结果作为上下文注入 Prompt
4. LLM 基于注入的上下文生成回答

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。