Karpathy LLM Wiki — Obsidian AI Wiki 插件

手动添加 [[链接]] 时，你只能连接你已经知道的关联。这个插件的工作方式不同：它会读取库中所有笔记，提取其中蕴含的人物、概念和理论，然后自动生成 Wiki 页面，浮现出你未曾注意到的联系——相隔数月阅读的论文之间的关联、跨文件夹的主题联系、埋藏在偶尔提及中的洞见。你手动添加的链接保持不变；插件在此基础上增加了一个 AI 驱动的层次，发现那些你不知道本来就存在的联系。

你的 vault 始终保持原样。插件只会在它自己的文件夹——entities/、concepts/ 等——中创建新的 Wiki 页面，这些都在 wiki/ 文件夹下。如果自动生成的页面有误，只需删除它并重新运行摄入操作；它会从头重建。一旦你将某个页面标记为已审阅，AI 就再也不会重写它，只会追加内容。每个对话式回答也会链接回它所源自的笔记，让你可以一键验证任何说法。

Obsidian v1.11.0+（桌面：Windows、macOS、Linux）以及 LLM 提供商 API 密钥。支持：DeepSeek、Gemini、Claude、GPT、Kimi、GLM、MiniMax、OpenRouter，或任何自定义接口。Ollama 或 LM Studio 本地模型无需 API 密钥。

推荐长上下文模型——它们能一次处理整个 Wiki。单次摄入通常花费 $0.05–$0.50。所有费用直接付给 LLM 提供商；插件本身 免费且开源。

完全可以——这正是插件的设计核心。使用 Ollama 或 LM Studio 本地模型，每一个字节都留在你的机器上：笔记、提取的实体、生成的 Wiki 页面——永不发送、永不记录、不触碰任何外部服务器。插件本身零遥测、无后端、无存储、不收集任何数据；它不会主动联网，连检查更新都不做。即使用云端提供商，数据也仅在你主动触发摄入或查询时才传输，且不会在外缓存、不会共享。这种零泄露架构意味着你可以放心处理科研数据、客户资料、个人日记或任何机密内容。云端模型适合批量处理（更大上下文、更快吞吐）；本地模型则赋予你日常使用的绝对数据主权。

找到 Bug 了？在 GitHub 上提交 Issue。有问题或想法？在 GitHub 上发起 Discussion。你也可以在 Obsidian 社区插件页面找到该插件并留下评价。

可以——从 v1.25.0 起，PDF 成为正式的一类输入。从 vault 的任意位置挑一份 PDF（Cmd+P → Ingest single source）。插件会通过你的 LLM 提供商原生文件输入读取它（Anthropic Claude、OpenAI GPT-4o 和 Bedrock 系列都原生支持 PDF），通过带防幻觉图表与公式标记的 OCR 风格逐字转写器转成 Markdown，然后回到常规的 Markdown 摄入流水线。转换后的 Markdown 按内容哈希缓存在 .obsidian/plugins/karpathywiki/pdf-cache/ 中，重新摄入会立即完成。默认情况下不会修改你的库；在设置中启用 Write PDF Markdown to Vault 后，还会在源 PDF 旁写入 <basename>.pdf.md 配套文件。

可以——从 v1.24.0 起，插件支持按任务选择模型。在 Settings → Wiki → Model Scope 中，将 Unified（所有任务使用同一模型）切换为 Per-Task，然后分别为 Ingest、Lint 和 Query 选择独立模型。常见搭配是：摄入使用便宜快速的模型（DeepSeek、MiniMax），Lint 使用更强的模型（Claude、GPT-4o），查询使用长上下文模型。Test Connection 会按顺序逐一探测每个已配置的模型，并在首次失败时立即停止——只有所有按任务配置的模型都通过后，连接才会被视为正常。

可以——如果将 PDF 摄入与通过 Ollama 或 LM Studio 运行的本地模型搭配使用，每份 PDF 从头到尾都留在你的机器上。Apple Silicon 上推荐的配置是 oMLX + Markitdown 后端 + 百度开源的 Unlimited-OCR 模型（总计 3B / 激活 0.5B），通过启用 Force PDF Support 的 Custom OpenAI-Compatible 提供商连接。PDF 永远不会离开你的库；转换在本地运行；生成的 Markdown 进入同一套实体提取流程，也全程在本机完成。