Files
Obsidian/X-Articles-CN/Karpathy 的 LLM Wiki 火了,我改造了一下,比原版更好用.md
T
coco 8b94d76799 a
2026-07-21 13:57:15 +08:00

204 lines
10 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
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
![图像](https://pbs.twimg.com/media/HFOsfGzbAAAPo2I?format=png&name=large)
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:
![图像](https://pbs.twimg.com/media/HFOs1xeasAAC40X?format=png&name=large)
**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:
![图像](https://pbs.twimg.com/media/HFOs9ZpakAAAacm?format=png&name=large)
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
![图像](https://pbs.twimg.com/media/HFOtDzibkAElIiK?format=png&name=large)
操作流程
![图像](https://pbs.twimg.com/media/HFOtLiHaIAAt168?format=png&name=large)
特殊文件
![图像](https://pbs.twimg.com/media/HFOtrOXbkAAMEUP?format=png&name=large)
设计哲学
![图像](https://pbs.twimg.com/media/HFOtz7dbsAA3LLz?format=png&name=large)
他有我没做的
![图像](https://pbs.twimg.com/media/HFOt7XIa4AEDBXE?format=png&name=large)
## 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:
![图像](https://pbs.twimg.com/media/HFOuD7daMAADTHo?format=png&name=large)
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)