pi-wiki
基于知识复利理念的LLM个人知识库构建工具。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：pi-wiki。 它的用途是：基于知识复利理念的LLM个人知识库构建工具。 详细介绍见：https://321skill.com/skills/pi-wiki/ 请根据该页面的说明完成安装。
使用示例
“帮我按照 pi-wiki 的模板，记录下刚才我们讨论的关于‘思维链提示’的最佳实践，并关联到‘推理’和‘GPT-4’这两个现有笔记。”，它会引导你或直接生成结构化的笔记内容，包含核心要点、示例代码和双向链接，帮助你将新知识无缝整合进已有的知识网络。
介绍
pi-wiki 旨在解决个人在学习和使用大语言模型（LLM）过程中知识零散、难以沉淀和有效复用的问题。它提供了一个结构化的知识库框架，帮助用户将零散的信息、笔记和洞见系统化地组织起来，形成可不断增长的“知识复利”。
该工具基于 Karpathy 的知识管理理念和 Ar9av 的 Obsidian-wiki 框架构建，通常以 Obsidian 插件或类似形式集成到笔记软件中。用户通过创建和维护一个相互链接的笔记网络，将日常学习到的关于提示词、模型特性、使用技巧等知识进行原子化记录和关联，从而构建起个人专属的 LLM 知识图谱。
它非常适合深度使用 LLM 的开发者、研究者、内容创作者以及任何希望系统化提升自己 AI 应用能力的个人学习者。对于需要频繁与不同模型交互、总结最佳实践并希望知识能持续积累的用户来说，这个工具价值显著。
使用建议是，初期投入时间建立清晰的知识分类和链接习惯至关重要。注意事项包括，它不是一个开箱即用的成品应用，更偏向于一个方法论和框架，需要用户主动维护和更新内容才能发挥最大价值，不适合追求即时、轻量级笔记方案的用户。
核心特点
核心区别在于其深度融合了 Karpathy 倡导的“知识复利”和“基于 LLM 学习 LLM”的理念，并非简单的笔记模板，而是专为系统化构建和迭代个人 LLM 使用智慧而设计的框架。它强调通过原子化、高内聚的笔记单元和强关联性，实现知识的可组合性与持续进化。
注意事项
不适合需要快速记录单条、孤立信息或不愿投入时间维护结构化知识体系的用户。
常见问题
pi-wiki 和普通 Obsidian 笔记有什么区别？
它提供了专为 LLM 学习设计的结构化框架和知识关联理念，引导你系统化积累提示工程、模型特性等知识，而非自由记录。
需要编程基础才能使用吗？
基本使用不需要，但灵活定制和高级功能可能涉及对框架和 Markdown 的深入理解。