204 lines
10 KiB
Markdown
204 lines
10 KiB
Markdown
---
|
||
title: "Karpathy 的 LLM Wiki 火了,我改造了一下,比原版更好用"
|
||
source: "https://x.com/fankaishuoai/status/2041171980494479679"
|
||
author:
|
||
- "[[@fankaishuoai]]"
|
||
published: 2026-04-06
|
||
created: 2026-04-07
|
||
description: "参考:Karpathy's LLM Wiki GistAI 界的全球顶流 Andrej Karpathy 发了一个 Gist,讲怎么用 LLM 来管理个人知识库,现在超级无敌火爆。我仔细看了一遍他的方案,从建立个人 Wiki 的角度来说,方案很优雅,但直接照搬不现实 , 因为 A..."
|
||
tags:
|
||
- "clippings"
|
||
---
|
||
> 参考:[Karpathy's LLM Wiki Gist](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)
|
||
|
||
AI 界的全球顶流 Andrej Karpathy 发了一个 Gist,讲怎么用 LLM 来管理个人知识库,现在超级无敌火爆。我仔细看了一遍他的方案,从建立个人 Wiki 的角度来说,方案很优雅,但直接照搬不现实 , 因为 AI 研究者和 我这种 AI 内容创作者的需求差太远了。
|
||
|
||
其实我用 OpenClaw + Obsidian 来做个人知识库管理的实践,已经有 2 个多月了,有很多自己的心得。这次结合他的方法论,升级了我的方案,打造了一套既优雅、又实用的 AI 知识库管理,分享给大家。
|
||
|
||
## Karpathy 想解决什么问题
|
||
|
||
一句话:**别让 AI 每次都从零开始帮你想,让它帮你把知识攒起来。**
|
||
|
||
你肯定有过这种体验 — 同一个问题,换个 session 问 AI,它又从头推导一遍。之前聊过的上下文全丢了。Karpathy 的解法是:让 LLM 把每次对话中产生的知识,沉淀成 Markdown 文件。下次再问,AI 先翻已有的笔记,在这个基础上往前推。
|
||
|
||
知识像滚雪球一样越攒越多,交叉引用越来越密,AI 对你的领域理解越来越深。
|
||
|
||
他的原话:
|
||
|
||
> "维护知识库最累的不是阅读和思考,而是记账。"
|
||
|
||
读文章、判断价值、决定方向 — 这些是人该干的事。但整理格式、更新链接、维护索引、检查哪篇过时了 — 这些 bookkeeping 的活,交给 AI 干最合适。
|
||
|
||
## Karpathy 方案的核心设计
|
||
|
||
三层架构
|
||
|
||

|
||
|
||
思路很清晰:原始输入、加工产物、操作规则,三件事分开管。
|
||
|
||
三个核心动作
|
||
|
||
**Ingest(入库)** — 新资料进来时,AI 读一遍,写摘要,判断该放哪,更新相关页面的链接,追加到索引。一条龙。
|
||
|
||
**Query(查询)** — 问 AI 一个问题,它在 Wiki 里搜相关内容,综合回答。关键是:如果查的过程中发现了新关联(比如两篇笔记其实在讲同一件事但没互相链接),AI 会把这个发现写回 Wiki。查询本身也在改进知识库。
|
||
|
||
**Lint(健康检查)** — 定期让 AI 扫一遍,找出问题:哪些页面成了孤岛没人引用?哪些内容太久没更新该过时了?哪些概念出现了矛盾?
|
||
|
||
两个特殊文件:**index.md** 按主题做全局目录,**log.md** 记录时间线。
|
||
|
||
## 我的方案:同样的思路,不同的落地
|
||
|
||
我的工具栈是 **Obsidian + OpenClaw + Claude Code**,通过 AGENTS.md 定义操作规则,不绑定特定 AI 工具。
|
||
|
||
从三层变成五层
|
||
|
||
Karpathy 的 Wiki 是个终点 — 知识沉淀下来就完了。但我做内容创作,知识存着不用等于没有。所以我的系统多了两层。
|
||
|
||
```text
|
||
Notes/(输入层)
|
||
├── Clippings/ 网页剪藏
|
||
├── Inbox/ 碎片想法
|
||
└── Conversation/ 跟 AI 的有价值对话
|
||
↓ Ingest 分发
|
||
Knowledge/(知识层) 方法论、读书笔记、原创思考
|
||
Software/(技能层) 工具技巧、开发思考、产品研发计划
|
||
LifeOS/(行动层) 投资、健康、保险、联系人
|
||
↓ 素材调用
|
||
Writing/(产出层) 视频脚本、文章、运营 SOP
|
||
```
|
||
|
||
**行动层**意味着知识要落地。投资笔记不是写完就完,要指导真实的交易决策。健康计划要变成每周的训练安排。
|
||
|
||
**产出层**意味着知识要变成产品。视频、文章、课程 — 知识库是弹药库,写作才是开枪。
|
||
|
||
输入只留一个口子
|
||
|
||
不管是网页剪藏、Apple Notes 导出、还是脑子里冒出来的想法,全部先进 Notes/,然后走同一条流水线分发到各个目录。
|
||
|
||
一个入口,一套流程,多个终点。
|
||
|
||
我有个设计是 Karpathy 没提到的 — **Notes/Conversation**,专门存跟 AI 的对话。你跟 AI 认真讨论一个问题的时候,对话过程本身就在生产知识。比如这篇文章的雏形,就是我跟 Claude 讨论 Karpathy 方案时聊出来的。把它丢掉太可惜了。
|
||
|
||
确认机制:AI 先报计划,我再拍板
|
||
|
||
这是我跟 Karpathy 最大的分歧。
|
||
|
||
他让 LLM 全权操作 Wiki — 想建页面就建,想删就删,想改链接就改。我试过,发现 AI 对"这篇文章应该放哪"的判断经常不靠谱。
|
||
|
||
比如一篇内容创作方法论,AI 放到了 Knowledge/ 而不是 Writing/Knowledge/。一篇 Chrome DevTools 的教程,AI 新建了一个文件,其实应该合并到已有的 Claude Code 文档里。
|
||
|
||
所以我的规则是:**AI 先列出分发方案,我看一眼确认了再动手。** 这一步成本很低(看个表格而已),但能避免很多返工。
|
||
|
||
分类这件事,本质上反映的是你自己的思维结构。AI 可以建议,但最终得你来定。
|
||
|
||
## 三个操作怎么跑
|
||
|
||
Ingest:新内容进来怎么处理
|
||
|
||
用户说"处理一下 Notes/",Agent 就开始干活。
|
||
|
||
**第一步:列方案。** 扫描 Notes/ 下所有没处理的内容,列出一个表:
|
||
|
||

|
||
|
||
**等我确认后才执行。**
|
||
|
||
**第二步:分发。** 按内容性质判断目标:
|
||
|
||
- 软件工具、代码技巧 → Software/
|
||
- 投资、保险、健康、生活事务 → LifeOS/
|
||
- 方法论、读书笔记、概念解析 → Knowledge/
|
||
- 内容创作方法论 → Writing/Knowledge/
|
||
- 选题素材 → Writing/
|
||
- 判断不了的 → 留在 Notes/,等我定
|
||
|
||
**第三步:加工。** 读原文写摘要,在目标目录创建或更新页面,给相关文件补上交叉引用。
|
||
|
||
**第四步:清理。** 原始文件从 Notes/ 删掉。
|
||
|
||
Query:问知识库问题
|
||
|
||
用户提问,Agent 在相关目录里搜内容,综合多篇文件给答案。
|
||
|
||
关键在第三步 — **反哺**。如果搜索过程中发现两篇文件内容互补但没互相链接,Agent 会说出来,我确认了就补上。
|
||
|
||
举个例子:我问"创业怎么找前 1000 个用户",Agent 找到了《头 1000 名用户》和《做产品的经验和感悟》。前者讲获客,后者讲产品打磨,互相补充但从来没链接过。发现这个关联后我让它补上了。
|
||
|
||
Query 的价值不只是回答问题,还在于**暴露知识库的结构缺陷**。
|
||
|
||
Lint:健康检查
|
||
|
||
四项检查:
|
||
|
||

|
||
|
||
跑完出报告,不自动改。
|
||
|
||
一个实践经验:**按目录分别跑,不要一次全跑。** Software/ 这种工具备忘目录,每篇本来就是独立的操作手册,报一堆"孤立页面"没意义。Knowledge/ 才是 Lint 真正能发挥价值的地方 — 50 篇管理笔记之间居然零链接,这就是问题。
|
||
|
||
## 两套方案放一起看
|
||
|
||
架构
|
||
|
||

|
||
|
||
操作流程
|
||
|
||

|
||
|
||
特殊文件
|
||
|
||

|
||
|
||
设计哲学
|
||
|
||

|
||
|
||
他有我没做的
|
||
|
||

|
||
|
||
## 全局索引怎么组织
|
||
|
||
index.md 放在 Workspace 根目录,8 大分类覆盖所有内容:
|
||
|
||

|
||
|
||
只索引到目录。文件级索引是维护噩梦 — 每加一篇文章就得更新,目录结构稳定后基本不用动。
|
||
|
||
## 交叉引用:少即是多
|
||
|
||
Karpathy 鼓励密集的链接网络。我的做法相反 — **只建最强关联,不追求覆盖率。**
|
||
|
||
什么时候值得建链接:
|
||
|
||
- 两篇文章内容互补(获客方法论 + 产品打磨哲学)
|
||
- 理论和实践配对(同理心理论 + 同理心实践)
|
||
- 读书笔记和应用思考配对(《深度工作》+ 时间管理)
|
||
- 人物和方法论配对(乔布斯的管理课 + 领导力)
|
||
|
||
格式很简单:文件末尾加个 ## 相关页面,放 2-3 条链接就够了。
|
||
|
||
链接太多反而是负担。改个目录结构就一堆断链要修,第 10 条链接的价值基本趋近于零。
|
||
|
||
## 几条原则
|
||
|
||
从这次折腾中攒出来的经验:
|
||
|
||
1. **一个入口,多个终点。** 所有输入走 Notes/,统一流程分发。
|
||
2. **结构够用就行。** 目录分到能找到东西就够了,不用追求图书馆级别的分类学。
|
||
3. **AI 建议,你拍板。** 分类反映你的思维结构,只有你自己最清楚一篇文章该放哪。确认一下成本很低,但省了很多返工。
|
||
4. **链接宜少不宜多。** 两三条强关联比十条弱关联有用得多,维护成本也低得多。
|
||
5. **对话也是知识。** 跟 AI 的深度讨论本身就在生产知识,别聊完就丢了。
|
||
6. **存着不用等于没有。** 知识库的终极检验标准是:它有没有帮你产出过东西?读过不等于会了,写出来才算数。
|
||
7. **索引到目录,不到文件。** 目录结构一旦稳定,索引几乎零维护。
|
||
8. **不绑定工具。** AGENTS.md 兼容多种 Agent,今天用 Claude,明天换别的也能跑。
|
||
|
||
以上是原理和操作方法。如果你想进一步交流,欢迎加入「范凯说AI」公开社区参与讨论:
|
||
|
||
💬 公开社群: [https://t.me/fankaishuoai](https://t.me/fankaishuoai)
|
||
|
||
具体的实践细节 — 包括完整的 AGENTS.md 配置、Ingest/Lint/Query 的实操演示、以及我踩过的坑 — 我会在本周日的「范凯说AI」会员直播中详细讲解。想要拿到可以直接用的方案,加入会员社群:
|
||
|
||
⭐ 会员社群: [https://im.page/fankaishuoai](https://im.page/fankaishuoai) |