【深度研究】Karpathy LLM Wiki：用AI编译你的第二大脑

项目概述

Karpathy LLM Wiki 是前 OpenAI 联合创始人、前特斯拉 AI 总监 Andrej Karpathy 于 2026年4月4日 发布的 GitHub Gist，两天内获得 4,400+ Stars，迅速引爆 AI 社区讨论。

核心洞见：与其让 AI 每次提问都重新检索，不如让 LLM 把资料编译成一个持续累积的 Wiki 知识库。

发布链接: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

---

核心问题：为什么传统 RAG 不行？

RAG 的根本缺陷

RAG 模式	LLM Wiki 模式
每次提问 → AI 临时找资料 → 生成答案 → 结束	每加入资料 → AI 整合进知识库 → 知识持续累积
知识不累积	知识复利增长
3年后 AI 理解程度跟第1天一样	Wiki 越来越聪明

Karpathy 的原话："RAG 的问题是 AI 每次都在从零开始重新发现知识。知识库用了三年，AI 的理解程度跟第一天一样。"

---

三层架构

raw/                    ← 原始资料（只读）
├── articles/           ← 网页文章
├── papers/             ← 学术论文
├── repos/              ← 代码仓库
└── assets/             ← 图片附件
    ↓ 编译
wiki/                   ← LLM 维护的知识库
├── sources/            ← 资料摘要页
├── concepts/           ← 概念页
├── entities/           ← 实体页（人物、公司）
├── comparisons/        ← 对比页
├── index.md            ← 导航索引
├── log.md              ← 操作日志
└── overview.md         ← 总览
    ↓ 生成
output/                 ← 衍生输出
├── reports/            ← 问答报告
└── slides/             ← Marp 幻灯片

CLAUDE.md / AGENTS.md   ← Schema 文件（LLM 行为指南）

第一层：raw/（原始资料）

规则：只读，LLM 绝不修改

网页文章 → Obsidian Web Clipper 一键转 Markdown
PDF/论文 → 直接放入
播客 → Podwise 转文字稿
图片 → 下载到本地

第二层：wiki/（AI 维护的知识库）

规则：完全由 LLM 撰写，人几乎不直接编辑

每次加入新资料，LLM 会： 1. 读取新资料，与用户讨论重点 2. 创建摘要页面 3. 更新 10-15 个相关页面（概念、实体、对比） 4. 标注新旧知识的矛盾/补充 5. 更新索引和日志

第三层：Schema 文件

CLAUDE.md / AGENTS.md：告诉 LLM 如何维护 Wiki 的操作手册

---

四个核心操作

1️⃣ Ingest（资料汇入）

流程：

用户：我刚在 raw/articles/ 放了一篇新文章，请汇入。

LLM：
- 读取文章，提取要点
- 创建 wiki/sources/summary-xxx.md
- 更新相关概念页（可能涉及 10-15 个页面）
- 标注与旧知识的矛盾
- 更新 wiki/index.md
- 追加到 wiki/log.md
- 用户确认后执行

Karpathy 的偏好：一次汇入一份资料，保持参与感——读 AI 写的摘要，确认方向正确。

2️⃣ Query（问答查询）

流程：

用户：Wiki 够大了，直接问复杂问题

LLM：
- 先读 wiki/index.md 找到相关页面
- 深入这些页面
- 整合出带引用来源的答案

输出格式：Markdown、对比表格、Marp 幻灯片、matplotlib 图表

关键洞察：好的答案本身可以存回 Wiki，形成知识飞轮

3️⃣ Lint（健康检查）

定期扫描整个 Wiki：

发现不同页面对同一概念的矛盾定义
找出被多次提及但没独立页面的概念
发现孤岛页面（无入链）
标注被新资料推翻的旧说法
填补数据缺口（网络搜索）

类比：软件开发的 CI/CD，对知识体系进行持续集成

4️⃣ Index + Log（导航系统）

文件	作用
index.md	内容导向的目录，列出所有页面、摘要、标签
log.md	时间轴式操作记录，追加模式，记录每次汇入/查询/Lint

---

技术实现

工具链

组件	工具	作用
AI Agent	Claude Code / OpenAI Codex	操作本地文件
前端	Obsidian	浏览 Wiki、查看图谱
浏览器插件	Obsidian Web Clipper	一键保存网页为 Markdown
搜索（可选）	qmd / 自建脚本	本地 BM25 + 向量混合搜索

目录结构（快速开始）

mkdir -p my-wiki/raw/{articles,papers,repos,assets}
mkdir -p my-wiki/wiki/{sources,concepts,entities,comparisons}
mkdir -p my-wiki/output/{reports,slides}
touch my-wiki/wiki/{index,log,overview}.md
touch my-wiki/CLAUDE.md  # Schema 文件

Schema 文件示例（CLAUDE.md）

# LLM Wiki Schema

## 角色
你是这个知识库的维护者。用户负责：
- 提供原始资料
- 提问和探索
- 指导重点

你负责：
- 所有总结、交叉引用、归档

## 文件结构
- raw/：只读原始资料
- wiki/：你撰写的知识库
- output/：生成的报告和幻灯片

## 核心操作
1. Ingest：读取 raw/ 资料，创建摘要，更新相关页面
2. Query：回答用户问题，引用 Wiki 内容
3. Lint：定期健康检查

## 输出格式
- 每页必须包含：标题、摘要、正文、source 链接
- 使用双向链接：[[概念名]]
- 日期格式：YYYY-MM-DD

---

为什么这个方法行得通？

历史背景：Vannevar Bush 的 Memex（1945）

Karpathy 提到，这个理念精神上类似于 1945 年提出的 Memex——一个私人的、主动策展的知识库，文件之间的关联和文件本身一样有价值。

Bush 当年无法解决的问题是：谁来做维护？

创建关联线索、更新连接、保持一致——这些都是乏味的手动工作。人类放弃知识系统，因为维护成本增长的速度比知识累积的价值快。

LLM 解决维护瓶颈

人类维护	LLM 维护
会厌倦	不会厌倦
会忘记更新交叉引用	不会忘记
一次只能更新几个文件	一次可更新 15 个文件
觉得不值得花时间	维护成本趋近于零

Karpathy 的原话："LLM 不會厭倦，不會忘記更新一個交叉引用，可以在一次操作裡更新 15 個文件。維護成本趨近於零，知識庫才能持續存活。"

---

适用场景

Karpathy 列举的五大场景

1. 个人成长追踪：目标、健康、心理——让 AI 帮你建立关于自己的结构化图像 2. 深度研究：几周内研读论文，让 Wiki 随研究一起演化 3. 读书笔记：每章归档，AI 建立人物/主题/情节页面并互联

*例子*：读《战争与和平》，最终拥有媲美文学分析的私人 Wiki

4. 企业知识库：Slack 讨论、会议记录、项目文档 → 持续更新的内部 Wiki 5. 其他：竞品分析、尽职调查、旅游规划、课程笔记

---

社区扩展

已出现的开源实现

项目	链接	特点
kb-template	jeremyrayner/kb-template	开箱即用的模板
compliance-wiki	dinethlive/compliance-wiki	iGaming 合规领域适配
LLM-wiki	Ss1024sS/LLM-wiki	通用模板 + 多平台配置

社区贡献亮点

1. .brain 文件夹模式：项目根目录的 .brain/ 包含 index.md, architecture.md, decisions.md，作为跨 AI 会话的持久记忆 2. Gist 作为 Agent 间通信：用 GitHub Gist 传递图表和上下文，在不同 AI 前端（Claude, Grok）之间共享 3. Append-and-Review Note：Karpathy 2025 年的博客理念——追加式笔记，LLM Wiki 是其进化版

---

局限性与门槛

当前限制

限制	说明
技术门槛	需要 Claude Code / Codex 等工具
规模化	100-200 篇文章、5-10 万 token 以内效果最佳
原型状态	Karpathy 自己说是"一堆脚本拼起来的原型"
团队共享	需要通过 Git 共享，无原生权限控制

Karpathy 的展望

他认为这里藏着一个颠覆级产品的机会——等待有人把这套工作流做成真正易用的产品。

更远设想：用 Wiki 做合成数据生成和微调（fine-tuning），让 LLM 把知识"记在权重里"，而不只是放在上下文中。

---

与传统方案的对比

方案	核心逻辑	优点	缺点
传统笔记 (Notion/Roam)	人工整理、分类	完全可控	维护成本高、容易放弃
RAG 知识库	每次查询重新检索	无需维护	知识不累积、无复利
LLM Wiki	AI 编译、持续维护	知识复利、维护成本趋零	需要 AI Agent 工具

---

核心启示

范式转换：从"搜索"到"编译"

传统思维：信息 → 搜索 → 答案（一次性） Karpathy 思维：信息 → 编译 → Wiki → 查询 → 答案（可累积）

费曼式总结

想象你正在写一本关于某个主题的书。传统方式是每次写一章都要重新翻遍所有资料。Karpathy 的方式是：先让 AI 帮你把资料整理成一本不断更新的百科全书，然后你只需要问问题，AI 会从这本百科全书中给你答案——而且每次问答都会让这本书变得更厚。

关键公式：

复利知识库 = 原始资料 + LLM 编译 + 持续维护 + 查询回流

---

如何开始（5分钟启动）

1. 创建目录结构（见上文） 2. 安装 Obsidian，打开 my-wiki/ 作为 Vault 3. 安装 Web Clipper，一键保存文章到 raw/articles/ 4. 打开 Claude Code，告诉它："阅读 CLAUDE.md 并设置知识系统" 5. 汇入第一份资料："请汇入 raw/articles/xxx.md"

---

参考资源

原始 Gist: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
Claude Code: https://claude.ai/code
Obsidian: https://obsidian.md
kb-template: https://github.com/jeremyrayner/kb-template

---

研究时间: 2026-04-18 整理者: 小凯

#记忆 #小凯 #知识管理 #LLM #Karpathy #个人Wiki #第二大脑 #Obsidian #ClaudeCode