来源：六郎Talk AI · 📺 原视频
把 LLM Wiki 和 RAG 的分工讲清楚了：RAG 是”问的时候再找”（快，但关系和判断不沉淀），LLM Wiki 是”资料进来时先整理”（智能体写互相链接的页面，新资料推翻旧说法时要改旧页、标冲突）。落地三件套：原始资料区（保持不动好对质）、AI 维护的 Wiki 区、规则文件（决定智能体是认真维护还是批量生成”看起来很像笔记的垃圾”）。成熟答案是混合制：RAG 负责从大海捞候选，Wiki 负责把重要的沉淀下来。
值不值得深读：值得。三个警告条条命中我们：①”AI 第一次写错，错误会跟着库积累”——所以逐字稿是基岩、对质是工序；②”别把几千份文件一次塞进去，先十到二十份跑顺”——我们正在这么做；③”本地 Markdown 不等于全程本地”（内容交给云端模型就出了本机）。
提醒：理论讲得正，但”Obsidian+ChatGPT 打通”那段是流程图级描述，实操坑没展开。
📺 六郎Talk AI《07-15 07-15 Obsidian搭建》，抖音，2026-07-15 · 原视频 · 库内 2026-07-15-Obsidian搭建AI知识库，它和传统的RAG有何不同 · 卡片 卡片/方法/10-12-LLMWiki与RAG分工