你的好想法，散落在好几个 AI 聊天窗口里

你应该同时在用好几个 AI：ChatGPT 查资料，Claude 做深度分析，DeepSeek 写代码，Kimi 读长文，豆包快速问答，千问做中文知识检索。

每个平台都有几十上百条对话，里面藏着你认真推敲过的观点、踩过的坑、做过的决策。

但这些对话互不相通。你上周跟 Claude 聊的一个架构思路，和昨天跟 DeepSeek 讨论的一个实现方案，它们之间可能有极强的关联——可你根本想不起来，也搜不到。

这些聊天记录的价值不会消失，只是被锁在各自的窗口里，等着被遗忘。

聊天记录是被低估的知识来源

和网页文章、学术论文不同，AI 聊天记录有一个独特优势：它是你主动思考的产物。

你问的问题、追问的方向、对回答的取舍——这些都反映了你真实的认知轨迹。一篇网页文章是别人的知识，而一段深度 AI 对话是你加工过、筛选过、内化过的知识。

问题是，这些知识没有结构。它们是一段段线性的对话流，不是实体、不是概念、不是可以检索和关联的知识节点。

LLM-Wiki 做的事，就是把这些线性对话拆解成结构化的知识网络——自动提取实体和概念，建立双向链接，和你已有的笔记融为一体。

操作流程：按 Session 整段剪藏

这里的关键认知和剪藏单篇文章不同：你不是挑几条好的对话来剪，而是把整个 Session 一次性剪下来。

为什么？一段真正有价值的对话，往往是先绕远路、先走进死胡同、先聊了一些看似无关的话题——然后才触达关键洞察。那些绕弯的过程同样是认知轨迹的一部分。一个干净的回答远不如一段跌跌撞撞最终抵达 insight 的完整对话有价值。

打开 ChatGPT、Claude、DeepSeek 或 Kimi 的某个 Session 页面，点击 Obsidian Web Clipper，整个 Session 的所有消息、代码块、侧边笔记都会被保存为一个 Markdown 文件。

第一步：安装和配置 Web Clipper

如果还没安装，从浏览器插件商店搜索 Obsidian Web Clipper 安装。

配置一个专用模板，将剪藏内容保存到 sources/chat-history/ 文件夹。跟你的其他素材分开放，方便后续的摄入管道做分类处理。

第二步：判断哪些 Session 值得留存

不要每条对话都剪。培养一种判断标准：

你追问了三轮以上，真正把一个问题走通了
AI 抛出了你之前没想到的视角或方案
对话以一份可交付的东西收尾（方案、决策、代码、分析文档），你后续可能回来查阅
你精心写了很长的提示词——这个提示本身捕捉了你如何框定问题，本身就有保留价值

当出现这些信号时，打开这个 Session 页面，点击 Web Clipper 一键剪藏。

小提示： 剪藏后给文件起一个描述性名称，比如 sources/chat-history/系统设计评审-Claude.md 而非 claude-对话-2026-06-15.md——好的文件名让你一眼知道这条记录的用途。

第三步：摄入

使用 Cmd+P → “Ingest from folder”，指向 sources/chat-history/。

粒度选择：

Standard：适用于大多数对话，覆盖深度和效率的平衡点
Fine：对话中涉及大量具体实体（代码片段、API 名称、人名/项目名）时选这档，提取更全面
Coarse：以闲聊或快速查找为主的对话选这档即可

AI 聊天记录经常一个 Session 跨越多个独立话题。如果一个特别长的对话（100+ 条消息）被合并得不够细腻，可以考虑先手动按主题拆成 2-3 个片段，再分别摄入。

第四步：探索跨平台、跨 Session 的关联

打开 wiki/ 文件夹，看看从你的聊天记录里提取了什么。你会发现：不同 AI、不同平台、不同时间的 Session 被自动连接到了一起。

举个例子：你周二跟 Claude 深入讨论了”上下文窗口”和”检索增强生成（RAG）“，周五跟 DeepSeek 探索了”向量数据库”和”嵌入模型”的选型。摄入之后，entities/上下文窗口 页面可能同时引用了两次对话，还链接到了 concepts/rag、concepts/embeddings 和你之前从其他来源摄入的相关内容。

这种跨平台、跨 Session 的语义关联，靠手动整理几乎不可能做到。

第五步：查询你的 AI 聊天知识库

Cmd+P → “Query Wiki”，然后问一些跨 Session 的问题：

“我过去在不同对话里讨论过哪些关于模型选型的观点？”
“关于系统性能优化，我在不同 AI 的对话中得出过哪些结论？”
“Transformer 的注意力机制和推荐系统的协同过滤之间，我聊过的内容有什么关联？”

Wiki 不会像通用 AI 一样去互联网搜索，而是完全基于你自己的聊天记录和笔记来组织答案。每个要点都带参考链接，你可以直接跳回当时的原始对话。

最有价值的发现往往是这些：你分别跟两个 AI 聊过的两个概念，被 Wiki 自动连接在了一起——而你之前完全没意识到它们的相关性。

实用技巧

哪些 Session 值得留存：

你跟 AI 推到三轮追问以上，真正深入思考过的对话
包含具体产出（方案、决策、代码、分析）的对话，未来可能回头查阅
你写的提示词本身就是深思熟虑过的——那个提示词捕捉了你如何框定问题
跨多个独立话题的长对话（摄入后会被自动拆解成多个知识节点）

哪些可以跳过：

一句话的问答（“法国的首都是什么”）
简单的代码调试（一行 fix 就收工的那种）
你已经熟知、纯粹为了效率让 AI 代劳的标准操作

噪音处理： 聊天记录里常常夹杂代码片段、错误日志、复制粘贴的文档。两种情况分别处理：

明显无关的内容 → 剪藏后直接在 Markdown 文件里手动精简再摄入
不确定是否有用 → 先摄入，再打开生成的 wiki 页面删掉噪音段落，保留核心观点

让跨平台差异成为资源。 不同 AI 的对话风格和侧重点天然不同，这正是知识增值的来源：

ChatGPT 倾向给出结构清晰、要点分明的回答
Claude 擅长长篇幅推理，解释为什么这样选择
DeepSeek 在代码和算法细节上表现突出
Kimi 长文本理解能力强，适合文献分析
豆包 / 千问 对中文语境和本土知识有较好的覆盖

当你把多个平台的对话都摄入后，Wiki 页面会对同一个概念聚合出多种视角——不同 AI 对同一个问题的不同切入角度，本身就是知识。

定期维护： 运行一次 Smart Fix All，确保不同聊天中提到的相同概念被正确合并（比如”RAG”和”检索增强生成”和”retrieval-augmented generation”指向同一个 Wiki 页面）。

下一步

你的 AI 聊天记录不该只是”用完就忘”的对话窗口。按 Session 剪藏 + LLM-Wiki 摄入，把这些散落的知识碎片自动编织成一张可搜索、可关联、可持续生长的知识网络。

下次跟 AI 聊完一个真正让你有收获的 Session，花 10 秒剪藏一下。你的知识网络会因此变得更密一层。

在 GitHub 上查看

你的 AI 聊天记录，别再吃灰了