AI 开始替我们整理知识库了，Karpathy 这套方法很有启发

如果您平时就爱看论文、新闻、政策和研究报告，我们相信这篇推文对您，会特别有感觉。

因为它说中的，正是很多重度信息用户最烦的一件事：资料越存越多，但知识并没有越长越厚。这次把这件事讲透的人，是 Andrej Karpathy。很多人知道他，是因为他做过 OpenAI 研究员，后来又带过特斯拉的 AI 团队。他最擅长的事之一，就是把复杂技术讲得很明白。

这次他真正让人眼前一亮的，不是推荐了一个新工具，而是把一件事说透了：

不要再把大模型当成“问一次答一次”的搜索工具，而要把它当成一个持续替我们整理知识库的助手。

表面上看，这像是在讲 Obsidian 这类笔记工具怎么和大模型协作；真正重要的却不是工具名，而是知识处理方式变了。

图注：Karpathy 这次提出的，不是一个新的笔记软件，而是一种新的分工方式。人继续负责找资料、提问题、判断轻重，大模型开始接手整理、链接、更新和维护这些最容易把人拖垮的脏活。

过去大多数人用大模型管资料，核心还是同一套思路：先把文件上传进去，提问时再临时去找相关段落，然后拼成一个答案。

这个方法不是不能用，但有一个很根本的问题：没有积累。

每次问一个复杂问题，模型都要重新找、重新拼、重新推。问完之后，答案并不会自动沉淀进一个长期可复用的结构里。下一次再问，还是从头来。

图注：“每次重来”和“持续更新”的差别。传统问答当然方便，但它更像一次性消费；Karpathy 这套则把每次新资料录入、每次提问和每次好回答，都变成给未来知识库加砖。

Karpathy 真正击中人的地方，就在于他把知识库从“临时找答案的地方”，改成了“会持续长大的资产”。

他的做法其实很简单，整个系统只有三层。

第一层是原始资料。论文、网页、图片、数据，先原样放着，不急着改。第二层是整理后的知识页。把读完后的关键信息整理成一页页能互相跳转的笔记。第三层是规则。告诉大模型该怎么整理、怎么回答、怎么定期体检。

图注：这三层一旦分开，你的能源知识库就不再只是“把资料放进去等着问”，而会变成一个能持续维护的长期系统。原始资料保留原貌，整理后的知识页负责沉淀结构，规则层负责让整个系统越用越像你自己的脑子。

Karpathy 那句比喻之所以打动很多人，也正因为这个结构已经很像一个完整工作台了：

Obsidian 是工作台，大模型是整理员，知识库是会越写越厚的底稿。

接下来围绕它运行的，是三步。

第一步是录入新资料。新来源进入库里后，大模型不只是做个摘要，而是去更新相关概念页、专题页、索引页，必要时还会标出新旧结论的冲突。

第二步是提问。你问的不是一堆原始材料，而是已经整理过的一整套知识页；一个高质量回答，也不该只停在对话框里，而应该回存成新页面。

第三步是体检。定期让大模型检查整个库，找断链、孤儿页、过时信息、缺失概念和结构不一致的地方。

这一步尤其关键。

因为知识库之所以总会荒废，从来不是因为人不愿意思考，而是因为那些簿记活越来越烦：交叉引用、一致性更新、旧结论替换、新资料同步。人一旦开始嫌麻烦，库很快就死了。

大模型最适合接手的，恰好就是这部分。

它未必比人更会判断，但它比人更不怕重复维护。

这也是为什么这套方法，对长期看论文、跟政策、追行业新闻的人特别有价值。真正的痛点从来不是“找不到资料”，而是资料越来越多却不相连，一次次提问没有沉淀，旧判断不会被新来源自动更新，好答案问完就散。

Karpathy 这套方法，本质上就是在解决同一个问题：

怎么把一次次阅读、提问和分析，慢慢沉淀成一套会持续升值的长期知识资产。

而且它最妙的一点，是不重。

Karpathy 自己说，在中等规模下，一百个左右来源、几百个页面时，靠索引文件和普通 Markdown 目录就已经能跑得不错，不一定非要一上来就建一整套很重的系统。

这对个人用户尤其重要。很多知识库项目不是死在没有模型，而是死在系统太重，还没开始积累知识，就先开始维护知识库系统本身了。

GitHub 上现在已经有一批具体实现开始冒出来了，也比“只看推文灵感”更值得参考。

图注：这已经不只是一个抽象想法，而是进入了“大家开始各自把它做成工具”的阶段。以后差异不一定在模型本身，而在谁先把这套知识库流程变成自己的长期基础设施。

为了方便大家阅读，我们把相关链接也一并给出，欢迎大家分享使用，我们自己也在整理相关实用教程，后续也将一并分享给大家，也欢迎您在留言私信给出您的建议，让我们一起，变得更强。

以后真正值钱的，或许不是你问过多少次 AI，而是你的 AI 有没有帮我们把这些问题慢慢沉淀成一套会持续增长的知识库。

信息来源： - Andrej Karpathy Gist - GitHub 开源项目主页

原文链接： - https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f - https://github.com/xoai/sage-wiki - https://github.com/oconnor663/qmd - https://github.com/ussumant/llm-wiki-compiler