最近上 Codex 本地知识库这节课，我发现一个挺现实的问题。
很多同学已经会用 GPT，也会让 AI 写文章、总结资料、做图、生成脚本，但任务稍微复杂一点，马上就卡住。
卡住的地方很具体：资料散在电脑里，文件不知道放哪，飞书文档找不到，聊天记录翻不出来，AI 每次都要重新听一遍背景。
这个问题我自己也遇到过，所以这次准备课程时，我没有先讲一堆概念，反而先把自己的电脑和资料重新整理了一遍。
越整理越明显，真正影响 AI 效率的，往往不是某一句提示词。
更关键的是，电脑里有没有一套能让人和 AI 都看懂的工作环境。
先别急着装插件，第一步是给资料找个家
很多人一上来就问，Obsidian 插件装哪些，LLM Wiki 怎么配置，Codex 要不要开完全权限。
这些当然要学，但顺序别搞反。
如果下载目录、桌面、飞书、微信收藏、网盘、项目文件夹全是乱的，AI 再聪明也只能一边猜一边干活。
我现在更建议先做一件很土的事：给资料找个家。
电脑里先保留两个真实根目录，一个放原始资料，一个放知识系统。
原始资料可以叫“AI内容工厂资料库”，里面放课程资料、公众号素材、短视频素材、项目资产、脚本、图片、视频和音频。
知识系统放在 Obsidian 里，主要放索引、知识卡片、项目复盘、课程 SOP 和内容选题。
我现在 Mac 电脑里的文件目录是这样：
●●●Terminal
AI内容工厂资料库/
├── 00_待处理收件箱/
├── 01_知识输入/
├── 02_内容工厂/
├── 03_项目资产/
├── 04_经营资料/
├── 05_媒体素材/
└── 06_工具代码/
这个目录不用照抄。
重点是让人和 AI 都知道，待处理的东西去哪，课程资料去哪，公众号素材去哪，项目代码去哪。
只要这个规则清楚，Codex 后面才有机会真正进来干活。
Obsidian 不是大仓库，它更像人的总控台
我以前也很容易把 Obsidian 当成一个大文件夹，什么都往里面扔。
截图、视频、压缩包、课程文件、网页收藏，全部塞进去，看起来很勤奋，实际会越来越乱。
现在我会把分工拆开。
真实文件继续放在 AI 内容工厂资料库里，Obsidian 负责做人看的总控台，LLM Wiki 负责让 AI 读懂知识关系。
你可以把 Obsidian 理解成每天打开的操作台。
这里有电脑资料总图，有内容工厂索引，有课程 SOP，有项目复盘。
LLM Wiki 则更像 AI 用的知识地图，它会把资料拆成 Source、Concept、Entity、Synthesis 这些结构。
Source 是资料来源，比如一篇课程文稿、一份飞书 SOP、一条公众号文章。
Concept 是方法，比如素材索引、只读扫描、知识卡片。
Entity 是工具和项目，比如 Codex、Obsidian、飞书、VVRSS。
Synthesis 是综合判断，比如 AI 内容工厂怎么跑起来，一个项目怎么从资料变成文章。
这套结构听起来有点像工程化，但它解决的是一个很朴素的问题：AI 以后读资料时，不只看到一堆文件名，还能知道这些资料之间有什么关系。
Codex 进来以后，先让它只读扫描
Codex 在这套系统里，我更愿意把它当成本地员工。
它可以进入工作区，读文件，跑脚本，生成索引，整理文档，把结果写回指定位置。
但给 Codex 的指令不能太虚。
不要说“帮我整理一下资料”，这句话太宽了。
你自己都没说清楚整理到什么程度，AI 很容易跑偏。
我建议新手第一条指令就写得保守一点：
●●●Terminal
请只读扫描这个内容工厂目录，不要修改任何文件。
请告诉我：
- 现在有哪些资料，分别是什么主题。
- 哪些目录是空的。
- 哪些文件命名不规范。
- 哪些资料适合做公众号、课程、短视频或项目复盘。
最后生成一份素材索引.md，保存到 02_知识卡片 目录。
这条指令好在三个地方。
它限制权限，只读扫描，不会乱动文件；它明确结果，要生成素材索引；它让 AI 先给报告，再让人决定下一步。
我不建议大家一上来就让 AI 批量移动文件。
先让它看懂你的电脑，再一点点给权限。
尤其是合同、客户资料、学员作品、商业项目素材，都要有人把关。
Skill 适合做重复工作，不要只收藏不改
这节课里我反复讲 Skill，因为它对普通人真的有用。
提示词更像一次性沟通，Skill 更像岗位手册。
比如你每周都要做公众号选题、整理课程文稿、提炼爆款标题、生成短视频脚本、把飞书文档同步到 Obsidian。
每次都重新跟 AI 解释一遍，会很烦。
把流程写成 Skill 以后，它下次就能按同一套标准执行。
一个完整的 Skill 通常不只有提示词文件。
它还可以有脚本、参考资料、模板、示例素材。
这个结构很像一个小岗位的工作包。
所以我也不建议大家疯狂收藏 Skill。
真正重要的工作，最好打开看一眼。
它的标准适不适合你，输出符不符合你的业务，有没有需要删掉的步骤，有没有可以加进去的模板，这些都要改。
AI 很强，但你的工作规则最好还是自己掌握。
信息入口也要搭，不然知识库很快断粮
本地知识库只会整理已有资料。
如果你没有稳定的信息来源，后面也很难持续输出。
这节课里我讲了几个入口。
Obsidian Web Clipper 适合随手剪藏网页；微信笔记同步助手适合把微信里看到的资料同步到 Obsidian；Get 笔记适合把课程、直播、会议转成文字，再交给 AI 整理；WeWeRSS 适合把公众号文章变成可订阅的信息源。
这些工具本身不神奇，关键是它们让信息能稳定进来。
内容工厂最怕的情况，是 AI 很会写，但手里没有原料，或者原料进来以后又乱掉。
课程最后我还演示了用 Codex 部署 weweRSS。
对程序员来说，这可能不算难，但对很多普通用户来说，一句话让 Codex 把项目拉下来、部署起来、打开本地页面、扫码登录、开始监控公众号，这个体验会很不一样。
你会突然意识到，AI 不只是回答你。
它可以把原来很多需要手动折腾的步骤，变成一个能执行的流程。
如果你今天就想开始，先跑这五步
如果你现在也想搭自己的本地 AI 知识库，我建议别贪多，先按这个顺序来。
1.建一个 AI 内容工厂资料库，把真实文件先放进去。
2.建一个 Obsidian 仓库，只放索引、知识卡片、复盘和总控台。
3.用 Codex 做一次只读扫描，生成素材索引。
4.再考虑 LLM Wiki，把重要资料分成 Source、Concept、Entity、Synthesis。
5.把重复流程沉淀成 Skill，比如公众号选题、课程文稿整理、素材索引生成。
这五步跑完，你就已经比大多数收藏了一堆资料的人往前走了一大步。
因为你的资料开始能被复用，你的知识开始有关系，你的输出开始能回流。
结语
最后说一点我的真实感受。
Codex、Obsidian、LLM Wiki、Skill、RSS、飞书、脚本，名字一多，很多人第一反应就是劝退。
但我自己跑下来，反而觉得它解决的是一个很核心的问题：别让 AI 每次都从零开始。
你过去看过的文章、做过的项目、踩过的坑、讲过的课、写过的 SOP，如果都散落在聊天记录和文件夹里，AI 下次还是不认识你。
但当你把资料放好，把规则写清楚，把索引建起来，把流程沉淀成 Skill，它就能一次比一次更懂你的工作。
这才是我觉得本地 AI 知识库真正有价值的地方。
它不是为了让电脑看起来高级，它是为了让你每次打开 AI 的时候，不用重新讲一遍自己是谁、做过什么、接下来要干什么。
如果你也想搭一套，可以先从最小的一步开始。
今晚就让 Codex 只读扫描一个文件夹，别急着整理全世界，先让 AI 看懂你电脑里的一小块地方。
很多长期能力，都是从这一小块地方长出来的。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
