阅读本文预计 8 分钟。

会介绍AI大神Karpathy为何不喜欢RAG！搞了LLM Wiki 的三层架构是什么？

怎么用这套方法管好你的知识！

前几天，Andrej Karpathy

OpenAI 联合创始人、特斯拉 AI 总监、百万粉丝的 AI 教育博主，发了一条推文，结果炸了！

1500 万浏览。

9 万收藏。

4.8 万转发。

你知道他发了什么吗？

不是代码。

是一套用 AI 管理知识的方法论。

而且他说了一句让很多人愣住的话——

"我现在 90% 的 token 都花在构建个人知识库上，而不是写代码。"

写代码的 Karpathy 跑去搞知识管理了！

在说 Karpathy 干了什么之前，先说个痛点。

你用 AI 读文档的场景，是不是这样的：

上传一堆 PDF → 问个问题 → AI 临时检索相关段落 → 生成答案

这套玩法叫 RAG（检索增强生成）。

用过就知道，问题贼明显

每次都在从零发现知识。

你问了一个问题，AI 临时拼凑答案，回复完了，这次探索就消失了。

下次问一个相关的复杂问题？

再重新拼一遍。

你读了 100 篇文章，AI 对这 100 篇的"理解"永远是零散的片段。

没有积累。

没有连接。

没有成长。

Karpathy 说：这条路可能从一开始就走偏了。

那换个思路呢？

Karpathy 的方案叫 LLM Wiki。

核心一句话：

让 AI 帮你编译和维护一个持久化的知识库，而不是每次临时检索。

你几乎不用自己编辑 Wiki——那是 AI 的领地。

你的工作是什么？

喂资料。

提问。

验证。

没了。

LLM Wiki 的架构分三层

听着复杂，但逻辑贼清晰。

第一层：原始资料（Raw Sources）

你收集的文章、论文、播客笔记、图片，放在一个文件夹里。

如果未来升级，我觉得视频也可以放进来（我个人看法）

这里内容不可变。 AI 只读不写。

这是你的事实来源。

第二层：Wiki（知识库）

这是 AI 完全拥有和维护 的领地。

当你往 Raw Sources 里丢一篇新文章，AI 会：

1. 读完全文
2. 写一个摘要页
3. 更新索引文件
4. 增量更新相关概念页面
5. 标注新旧信息可能矛盾的地方
6. 在日志里记一笔

一篇资料，可能触发 10-15 个页面的更新。

这些页面之间自动建立交叉链接，形成一张知识网络。

关键点：知识是一次性编译好的，不是每次查询重新推导。

第三层：Schema（规则文件）

一个配置文件，告诉 AI：

• Wiki 的目录结构怎么设计
• 不同类型的页面有什么格式要求
• Ingest、Query、Lint 的标准流程是什么

这是把 AI 从"通用聊天机器人"变成"专业 wiki 维护员"的关键。

怎么打造这样的知识库？有三个核心操作。

Ingest（摄入）

把新资料丢进 Raw Sources → 告诉 AI 处理 → AI 完成上面说的那一套增量更新。

Karpathy 的建议：一次只处理一个，全程盯着。

前 5-10 篇是调校期，你会不断调整 Schema 让输出更符合你的预期。

Query（查询）

直接对着 Wiki 提问，AI 读取相关页面，综合回答。

输出的形式可以很多：Markdown、对比表格、幻灯片、图表

一个聪明的设计

如果你问了一个好问题，产生的答案本身也是有价值的。

Karpathy 说：

好的答案要归档回 Wiki，变成新页面（这个想法太棒了，我觉得这才是AI时代的知识库）

这样你的探索成果也会沉淀下来，而不是消失在聊天记录里。

Lint（健康检查）

定期让 AI 做 wiki 体检：

• 找出矛盾的数据
• 标记过时的结论
• 清理孤立页面
• 发现数据缺口
• 自动搜索补全空白

这就是为什么 LLM Wiki 能"自己长大"——Lint 会告诉你下一步该研究什么。

你可能会问：知识多了还是得检索啊，Wiki 怎么解决？

Karpathy 的秘密是两个文件：

index.md：内容索引，每个页面一行：链接 + 一句话摘要 + 标签。

AI 回答问题，第一步就读这个。

LLM 自己维护索引，质量随 Wiki 成长自动提升。

log.md：操作日志，按时间记录每次 Ingest、Query、Lint 操作。

grep 一下就能回溯："上周我读过哪些相关资料？"

Karpathy 自己的规模是约 100 篇文章、40 万字。

这个量级，靠这两个文件 + LLM 自己的能力，完全不需要向量数据库。

社区经验来看，如果规模更大，可以用 qmd（本地 Markdown 搜索引擎，支持 BM25 + 向量混合搜索）。

项目地址：

https://github.com/tobi/qmd

那是后期的事。

真实案例：Farza 的"个人 Wikipedia"

有人已经把这套玩法跑起来了。

Farza（@FarzaTV）——把 2500 条日记 + Apple Notes 笔记 + 部分 iMessage 对话全部喂给 AI。

产出：关于自己的个人 Wikipedia，400 篇详细文章。

覆盖，朋友、创业项目、研究方向、动漫影响……所有文章之间有反向链接。

然后他让 AI Agent 对着自己的 Wiki 提问

"去看看最近启发我的图片和电影，给我文案和视觉方向的建议。"

Agent 从 Wiki 里翻出：吉卜力纪录片笔记、YC 公司落地页截图、1970 年代 Beatles 周边设计。

最后给出一套融合灵感的方案。

Farza 的评价很直接：之前用 RAG 做类似系统，"it was ass"（烂透了）。

资料来源：

https://www.linkedin.com/posts/farza-majeed-76685612a_this-is-farzapedia-i-had-an-llm-take-2500-activity-7446408553596166144-vwS2

和 RAG 到底有什么区别？

本质上

RAG 是"用 AI 查资料"。

LLM Wiki 是"用 AI 建知识"。

一个是临时工。

一个是长期资产。

实测反馈：值不值得做？

有博主用 Cursor 完整实现了一套 LLM Wiki，跑了几天，结论比较实在：

优点：

• 提供了相对确定的核心框架
• 可作为基于 AI 的模糊查询搜索引擎
• 思想直接可用，Obsidian + 任意 Agent + Markdown 文件就够了

 缺点：

• 高度依赖人工参与，实现效果取决于模型质量
• Lint 功能较弱，高级功能难以完美实现
• token 成本不可忽视，文档多了需要控制消耗
• 并非颠覆性创新，思路之前有人用过，但 Karpathy 提炼成了系统方法论

一句话评价：框架有价值，不要期待开箱即用的完美效果，需要持续优化。

其实80 年前就有人想到了

1945 年，Vannevar Bush 发表了一篇文章《As We May Think》，提出了 Memex 概念

一个个人知识设备，存储所有书籍和记录，能在任意两个条目之间建立永久链接，形成"思维路径"（trails）。

这套想法和 LLM Wiki 惊人地相似。

Bush 没解决的那个问题——谁来维护这个庞大的链接网络？

80 年后，LLM 补上了最后一环。

LLM Wiki 不是工具，是一种思路——

把 LLM 从"问答机器"变成"知识编译器"。

知识不是用来查的。

是用来编译和积累的。

这条思路值不值得践行，你自己判断。

但 1500 万人围观、9 万人收藏——

至少说明，这挠到了很多人的痒处。

有没有创业者在这方面？

期待好产品推出！

社区根据思路开源的项目推荐几个：

https://github.com/Benboerba620/karpathy-claude-wiki

https://github.com/Astro-Han/karpathy-llm-wiki

附：参考资料

1. Karpathy 原 Gist：

2. https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

    Farza 的 Farzapedia 帖子： 

3. https://www.linkedin.com/posts/farza-majeed-76685612a_this-is-farzapedia-i-had-an-llm-take-2500-activity-7446408553596166144-vwS2

VentureBeat 报道： 

1. https://venturebeat.com/data/karpathy-shares-llm-knowledge-base-architecture-that-bypasses-rag-with-an/

qmd 本地搜索引擎： 

1. https://github.com/tobi/qmd