AI大神Karpathy不写代码了,改用AI建第二大脑—

AI大神Karpathy不写代码了,改用AI建第二大脑——普通人也能用

Andrej Karpathy 是 AI 领域公认的技术大牛，特斯拉 Autopilot 早期负责人，OpenAI 创始成员之一。

最近他分享了一个用法，和大多数人的用法不太一样。

▲ 第二大脑知识管理

不是让 AI 帮他写代码，是让 AI 帮他记东西。

发生了什么

Karpathy 在 GitHub 上发了一个很短的文本文件，内容是一个叫”LLM Wiki”的框架。

核心逻辑一句话：与其每次问 AI 问题时让它重新读你的原始文档，不如一次性建一个持久化的结构化知识库，让它永远记住。

他把这件事类比成一个软件工程的概念：编译。

你写代码的时候，编译器把源代码编译成机器能直接执行的格式。下次运行，不需要再编译一遍，直接执行就行。

LLM Wiki 的逻辑类似：你把知识”编译”成一个结构化的 Markdown 知识库，以后每次问 AI 问题，AI 直接从这个知识库里读，而不是每次都去网上搜一遍。

这个方法用到的工具很简单：Obsidian（一个免费笔记软件）+ 任何主流 LLM。

步骤大概是这样：

第一步，在 Obsidian 里建一个笔记文件夹，把你工作中的项目背景、决策记录、关键联系人信息存进去，用 Markdown 格式。

第二步，选一段你认为最值得保留的内容，让 AI 先熟悉这个结构。

第三步，之后每次工作有新的重要信息，AI 自动帮你更新这个知识库，而不是每次重新开始。

听起来有点复杂，但有一个具体的场景我觉得大多数人马上能用：

你在做一个持续几个月的项目，项目里有大量的背景信息——为什么要做这个决定、当时讨论了几个方案、各方案的优劣是什么。以前这些东西都在你脑子里，或者散落在各种聊天记录和邮件里。

用这个方法，你把这些全部整理成一个 Markdown 文件，让 AI 记住这个项目的来龙去脉。下次你要向新同事介绍项目，或者自己要回顾当时的上下文，直接问 AI 就行。

技术圈子里有个概念叫 RAG（检索增强生成），大概是说你问 AI 问题，AI 先去搜相关的文档，再结合文档回答。

Karpathy 的方法本质上是 RAG 的另一种形态，但它解决了一个 RAG 没解决好的问题：每次都检索是低效的，你的信息应该被持久化地组织起来，AI 每次读的是”整理过的知识”，而不是”原始材料堆”。

这个区别在实际使用中感受差异很大。

不是技术人员。恰恰是每天处理大量信息、但没有技术背景的普通职场人。

销售在跟进了大半年的客户，积累了大量的背景信息和决策过程。运营在执行一个跨部门项目，项目背景和进度在脑子里越来越满。创业者在做一个产品，用户的反馈、竞品的分析、自己踩过的坑，都是值得被记录的。

这些东西，以前要么记在脑子里，要么散落在各个角落，用的时候找不到。

现在可以让 AI 帮你统一管理。下次需要回顾，直接问 AI，它基于你的知识库回答，而不是基于当天的搜索结果。