Karpathy 的 LLM Wiki：让 AI 帮你建知识库，但别让它替你思考

中文 · Mia Builder 手记 · 2026年4月

正文

Karpathy 上周发了一个 GitHub Gist，24K likes，讲了一个很简单但很深的 idea：

别让 AI 每次从零帮你找答案了，让它帮你建一个持续积累的知识库。

他自己用这个方法，一个研究主题积累了 100 篇文章、40 万字的结构化 wiki，自己一个字没写。全部由 LLM 维护。

听起来很美对吧？但我深入研究后发现了两个他没有正面回答的核心问题。而这两个问题，才是整个 idea 真正值得深挖的地方。

先说他到底做了什么。

一、他到底做了什么：从 RAG 到增量编译

现在大家用 AI 处理知识的方式

你往 ChatGPT 传 10 个 PDF，问它一个问题。它在后台做的事情叫 RAG —— 把你的文档切成小块，存成向量，每次你提问的时候找最相关的几块拼在一起，现场给你生成一个答案。

NotebookLM、ChatGPT file uploads、企业级知识库，底层都是这个。

问题在于：每次查询都是一次性的。 你今天问 “这 5 篇论文对 Surgery Note 质量的看法有什么不同？”，AI 从 5 个文档里各找几段，现场综合一次。明天你再问，它又从零来一遍。

第 7 篇论文和第 43 篇论文其实在讨论同一个 edge case？RAG 不知道。第 12 篇的结论被第 38 篇推翻了？RAG 也不知道。因为 它只是在检索，不是在理解。

Karpathy 的做法：让 AI 当知识库的程序员

他的思路完全不同：

不要在查询时从原始文档拼答案，而是让 AI 持续维护一个结构化的 wiki。

具体流程是这样的：

1. 你扔一篇新文章给 AI

不是 “帮我总结一下”，而是 “读这篇文章，提取关键信息，然后更新我的 wiki”。

2. AI 做的不是写一个摘要，而是“编译”

读完新文章
读 wiki 的 index（知道现在有哪些页面）
判断：这篇文章跟哪些已有页面相关？
对每个相关页面：打开 → 读现有内容 → 把新信息集成进去 → 标注新旧矛盾 → 加交叉引用
如果出现了全新的概念：创建新页面
更新 index

一篇文章可能触发 10-15 个 wiki 页面的更新。 这不是 “存档”，这是 “编译” —— 把离散的信息编译成结构化的知识网络。

3. 查询时，你是在搜已编译好的知识

下次你问 “Surgery Note 质量问题有几类？”，AI 不需要从 100 篇原文里找碎片。答案已经在 wiki 里了 —— 而且是交叉引用过的、去矛盾过的、持续更新的。

RAG = map 操作（每次独立处理每个文档碎片）
Wiki = reduce 操作（增量聚合成结构化知识）

三层架构

他设计了三个层：

Raw Sources（原始文档） — 你策展的文章、论文、数据。不可变。AI 只读不写。这是你的 source of truth。

Wiki（知识库） — AI 生成和维护的 markdown 文件。实体页面、概念页面、对比分析、综述。AI 完全拥有这一层：创建页面、更新内容、维护交叉引用。你读它，AI 写它。

Schema（配置文件） — 告诉 AI “wiki 怎么组织、页面什么格式、更新遵循什么规则”。类似于 CLAUDE.md。你和 AI 共同演化这个文件。

三个核心操作

Ingest（摄入）：新文章进来 → AI 编译 → 更新 wiki。他偏好一次处理一篇，自己参与 review。但也可以 batch 处理。

Query（查询）：对 wiki 提问 → AI 搜索相关页面 → 综合回答。关键：好的回答可以写回 wiki 成为新页面。 你的探索本身也在积累。

Lint（健康检查）：定期让 AI 审查 wiki —— 找矛盾、找过时信息、找孤立页面、找 “很多页面都提到但还没有自己专属页面的概念”。

他说了一句话我特别喜欢：

“Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.”

它确实比 RAG 好的地方

	RAG	LLM Wiki
跨文档综合	❌ 每次重新拼	✅ 已经编译好了
交叉引用	❌ 每次重新发现	✅ ingest 时就建好了
矛盾检测	❌ 不做	✅ lint 时主动标记
知识积累	❌ 无状态	✅ 复利式增长

但 RAG 在一个地方更可靠： factual lookup。“论文 A 用了什么数据集？” 这种问题，RAG 直接指向原文，没有中间编译层的信息损失。Wiki 可能在编译时把这个细节压缩掉了。

二、两个核心 insight

读完他的 gist，技术细节都好理解。但真正让我反复想的是两件事。

Insight 1：他分享的是 idea，不是代码

Karpathy 没有开源任何实现。没有 GitHub repo，没有 npm package，没有 Docker image。他发的就是一个 markdown 文件 —— 一个 “idea file”。

他在 gist 开头就写明了：

“This is an idea file, it is designed to be copy pasted to your own LLM Agent. Its goal is to communicate the high level idea, but your agent will build out the specifics in collaboration with you.”

结尾又强调：

“This document is intentionally abstract. It describes the idea, not a specific implementation.”

同一天他发了另一条推文：

“在 agent 时代，分享 idea 比分享代码更有杠杆。”

这不是偷懒，这是一个范式转换。

过去开源 = 分享代码。你写了一个好用的工具，开源出来，别人 clone 下来用。

现在他说：不需要了。你把 idea 描述清楚，每个人的 AI agent 会根据自己的需求构建定制实现。 一份 idea file 可以被实例化成 100 种不同的知识库，适配 100 种不同的领域和工作流。

代码是具体的、会过时的、有依赖的。Idea 是抽象的、可组合的、跨工具的。

他甚至提出 PR（Pull Request）应该变成 “Prompt Request” —— 你不提交代码，你提交一段清晰的意图描述，AI 来实现。

开源的基本单位正在从 code 变成 intent。

这个 gist 本身就是证明 —— 24K likes，零行代码。

Insight 2：积累 ≠ 智慧，LLM 的智慧 ≠ 你的智慧

这是我在 Karpathy 的基础上加的一层思考，也是我觉得这整个范式里最重要但最容易被忽视的问题。

Karpathy 的设计让 wiki 越来越聪明。但用 wiki 的那个人呢？

你往 wiki 里扔了 100 篇文章，AI 帮你编译得整整齐齐。你需要的时候搜一下就能得到一个漂亮的综合回答。

但你自己……其实只是在 “浏览 AI 帮你整理好的东西”。你的大脑并没有经历那个挣扎着理解、建立关联、形成判断的过程。

这跟用了 5 年 Google Maps 的人反而不认路是一个道理。 工具承担了认知任务，人的对应能力就萎缩了。

这里有两种完全不同的 “知道”：

	AI 的知道	你的知道
存在哪里	wiki markdown 文件	你的神经网络
怎么调用	搜索 → 读取	直觉 → 联想
可用场景	有电脑的时候	开会时、洗澡时、和人聊天时
创造力	组合已有知识	跨领域类比、直觉跳跃

你在开会的时候听到一个问题，不查 wiki、不开电脑，3 秒内就能联想到这个问题属于哪一类 —— 这才是真正的智慧。

Wiki 里写着 “Surgery Note 质量问题有 3 种 root cause”。但如果关掉 wiki，你能凭记忆把这 3 种说出来吗？如果说不出来，那这个知识属于 AI，不属于你。

所以关键问题不是 “怎么让 wiki 更好”，而是 “怎么通过 build wiki 的过程让你自己更聪明”。

我设计了两种模式来解决这个问题：

📥 积累模式（忙的时候）：扔给 AI，它自动编译到 wiki。你的知识库变聪明了，但你还没有。这些知识被标记为 “pending internalization”。

🧠 内化模式（好奇的时候）：

你挑一个 topic，AI 先问你：

“关于这个话题，不看任何资料，你现在能说什么？”

你先自己写 3-5 句。然后 AI 拿出 wiki 里的内容跟你的回答做 diff：

✅ 你说对的 — 你已经内化了
🔍 你漏掉的 — 这是学习机会
❌ 你说错的 — 这是最高价值的学习信号
💡 你说了 wiki 没有的 — 这是你的独特洞察，写回 wiki

差异就是学习。 这背后是认知科学里被验证过的 “testing effect” —— 先尝试回忆再看答案，记忆效果比直接看答案强 2-3 倍。

最后，用自己的话提炼一句 thesis —— 不看 wiki，用你自己的语言。能写出来 = 知识迁移到了你的大脑。写不出来 = 你还没真正理解。

终极目标不是 build 一个好 wiki
而是通过 build wiki 的过程，让你自己成为领域专家

Wiki 是副产品
你大脑里的心智模型才是主产品

三、怎么开始

Karpathy 用 Obsidian 当 IDE。我也是。

最小起步：

建一个 Obsidian vault
建一个 raw/ 文件夹放原始文章（用 Obsidian Web Clipper 一键存网页）
告诉你的 AI agent：“读这篇文章，提取关键信息，更新 wiki 里的相关页面”
每周花 20 分钟做一次“内化模式” —— 关掉 wiki，先自己想，再对比差距

记住：你不需要自己写 wiki。你需要的是策展什么值得读、问对的问题、以及定期测试自己真正学到了什么。

Karpathy 原文 Gist： https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f