giteahh/llm_wiki
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Initial commit: LLM Wiki with raw and wiki folders only

Browse Source
This commit is contained in:
豆儿雷锋大道
2026-04-07 21:10:43 +08:00
commit 80bc593b36
25 changed files with 2996 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

109
wiki/Andrej Karpathy.md Normal file
View File

@@ -0,0 +1,109 @@
---
categories:
- "[[LLM Wiki]]"
- "[[People]]"
tags:
- wiki
- people
- ai
- ai/coding
created: 2026-04-07
source:
- "[[llm-wiki]]"
- "[[刚刚，Karpathy 开源个人 LLM Wiki]]"
- "[[Karpathy知识库「LLM Wiki」火爆了，全网围观讨论]]"
type: entity
aliases:
- Karpathy
- Andrej
---
# Andrej Karpathy
AI 研究者、教育者，[[LLM Wiki]] 模式的提出者。
## 身份
| 属性 | 值 |
|------|-----|
| 领域 | 人工智能、深度学习 |
| 知名身份 | OpenAI 联合创始人、前特斯拉 AI 总监 |
| 在线 | [@karpathy](https://x.com/karpathy) |
| GitHub | [karpathy](https://github.com/karpathy) |
## 主要贡献
- **nanoGPT** — 最简化的 GPT 训练框架，用于教育
- **LLM Wiki** — 提出 LLM 增量构建持久知识库的模式
- **Vibe Coding** — 2025 年 2 月造词，意为完全"跟着感觉走"让 AI 写代码
- **Agentic Engineering** — 2025 年底提出，用 AI Agent 写代码但加上人类监督和审查
- **AI 教育** — YouTube 频道以清晰讲解复杂 AI 概念著称
- **特斯拉 Autopilot** — 领导自动驾驶 AI 团队
## 思想进化时间线
```mermaid
graph LR
A["Vibe Coding<br/>2025.02"] --> B["Agentic Engineering<br/>2025 年底"]
B --> C["LLM Knowledge Bases<br/>2026.04"]
style A fill:#fbb,stroke:#333
style B fill:#bfb,stroke:#333
style C fill:#bbf,stroke:#333
```
| 阶段 | 时间 | 核心思想 | LLM 操控对象 |
|------|------|----------|-------------|
| **Vibe Coding** | 2025.02 | 跟着感觉走，AI 写代码人不看 | 代码 |
| **Agentic Engineering** | 2025 年底 | AI Agent 写代码，人类监督审查 | 代码（有监督） |
| **LLM Wiki** | 2026.04 | LLM 操控知识本身，而非代码 | 知识（Markdown + 图片） |
==Markdown 正在成为 AI 时代的编程语言。== 不管是 CLAUDE.md、program.md，还是被编译成 Wiki 的 raw/ 目录，人和 AI 之间的接口就是纯文本。
## LLM Wiki 帖子影响力
Karpathy 的 LLM Knowledge Bases 帖子发布数据：
| 指标 | 值 |
|------|-----|
| 点赞数 | 4.3 万（3 天内） |
| 浏览量 | 1200 万 |
| 发布后 2 天 | Gist 开源发布 |
| 发布后 2 天 | [[Farzapedia]] 诞生 |
### 社区广泛讨论
2026 年 4 月 5 日，[[机器之心]]等科技媒体对 LLM Wiki 爆火现象进行了报道，引发全网围观和讨论：
- Karpathy 自己也自夸："哇，我这条推文真的火爆了！"
- 社区普遍认为这不只是一个 AI 工具，而是一种 **meta-framework（元框架）**
- Idea File 范式在 Agent 时代受到认可：只分享想法，不分享代码
- 被视为**自我增强的知识系统形态**和**具备产品潜力的雏形**
**关键转折**：2025 年 2 月的「Vibe Coding」→ 2025 年底的「Agentic Engineering」→ 2026 年初的「LLM Wiki」，Karpathy 的思想从"跟着感觉写代码"进化到"用 Agent 写代码但有人类监督"，最终到"让 LLM 编译和维护知识"。
## 与本 Wiki 相关
- 提出了 [[LLM Wiki]] 的核心思想
- 原始来源：[LLM Wiki Gist](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)
- 他描述的工作方式：LLM Agent 在一侧，[[Obsidian]] 在另一侧，实时浏览更新结果
- 他目前的做法：手动一份一份添加资料，全程在线参与
## 核心观点
> "Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase."
> "这种个性化方式把控制权完全交到你手上。数据是你的，格式是通用的，内容是可检查的。用哪个 AI 随你，让 AI 公司们卷起来吧。"
他主张人类负责策展来源、引导分析、提出好问题，LLM 负责总结、交叉引用、归档等所有"簿记"工作。
## 新造词
- **Vibe Coding** — 跟着感觉写代码（2025.02）
- **Prompt Request** — 未来的 PR 应该叫 Prompt Request，因为 Agent 能自己实现大多数想法（Peter Steinberger 提出，Karpathy 赞同）
## 来源
- [[llm-wiki]] — Karpathy Gist 原文
- [[刚刚，Karpathy 开源个人 LLM Wiki]] — J0hn 的中文解读文章
- [[Karpathy知识库「LLM Wiki」火爆了，全网围观讨论]] — 机器之心对爆火现象的报道

76
wiki/BYOAI.md Normal file
View File

@@ -0,0 +1,76 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- ai
- privacy
- file-first
- 知识管理/方法
created: 2026-04-07
source:
- "[[刚刚，Karpathy 开源个人 LLM Wiki]]"
type: concept
aliases:
- Bring Your Own AI
- 自带 AI
- LLM Wiki 四大优势
marp:
- "true"
---
# BYOAI
> **BYOAI**（Bring Your Own AI）——用哪个 AI 随你，让 AI 公司们卷起来。
---
## 四大优势
[[Andrej Karpathy]] 在看到 [[Farzapedia]] 后，总结了基于文件系统的 LLM Wiki 做个性化的四个核心优势：
### 1. 可见（Visible）
记忆不是藏在模型里面的黑箱。它就是一个 Wiki，你能看到 AI 知道什么、不知道什么，能检查、能管理。
### 2. 你自己的（Your Own）
数据在你本地电脑上，不在某个 AI 公司的系统里。你对自己的信息有完全的控制权。
### 3. 文件优先（File-First）
知识库就是一堆通用格式的文件：Markdown 和图片。这意味着数据可以互操作，你可以用 Unix 工具链、任何 CLI 来处理。想用 Obsidian 看就用 Obsidian，想自己写个界面也行。
### 4. BYOAI（自带 AI）
你可以用 Claude、Codex、OpenCode 或任何你喜欢的 AI 来接入这些数据。甚至可以考虑用开源模型在你的 Wiki 上做微调，让 AI 把关于你的知识"编进"模型权重里。
---
## 与其他方案的对比
| 维度 | 传统 AI 个性化 | LLM Wiki |
| ----- | --------- | ------------- |
| 记忆可见性 | ❌ 黑箱 | ✅ 完全可见 |
| 数据所有权 | ❌ 在 AI 公司 | ✅ 本地文件 |
| 数据格式 | ❌ 私有格式 | ✅ 通用 Markdown |
| AI 绑定 | ❌ 绑定单一平台 | ✅ 任意 AI 接入 |
| | | |
---
## Karpathy 的总结
> "这种个性化方式把控制权完全交到你手上。数据是你的，格式是通用的，内容是可检查的。用哪个 AI 随你，让 AI 公司们卷起来吧。"
## 相关概念
- [[LLM Wiki]] — 核心模式
- [[Farzapedia]] — 触发 Karpathy 总结四大优势的实践案例
- [[Contamination Mitigation]] — 数据隔离策略
---
## 来源
- [[刚刚，Karpathy 开源个人 LLM Wiki]] — Karpathy 在 X 上的总结帖

67
wiki/Contamination Mitigation.md Normal file
View File

@@ -0,0 +1,67 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- architecture
- contamination
- 知识管理/方法
created: 2026-04-07
source: "[[刚刚，Karpathy 开源个人 LLM Wiki]]"
type: concept
aliases:
- 污染隔离
- Agent 工作区隔离
---
# Contamination Mitigation
> **Contamination Mitigation**（污染隔离）是 [[Steph Ango]]（[[Obsidian]] 创始人）提出的概念：将个人笔记库和 Agent 的工作区分开，让 Agent 在独立空间操作，整理好的成果再搬回主库。
## 核心思想
```
个人主库 ← 搬入整理好的成果 ← Agent 工作区（可以乱一点）
↑
raw/ 原始来源
```
把 AI 的工作空间和人类的主库分开：
- **Agent 工作区**：可以是"乱一点的"，Agent 在这里折腾、草拟、实验
- **个人主库**：只接受经过筛选和整理的成果
- **raw/ 目录**：就是天然的分隔层——LLM 只读不写
## 在 LLM Wiki 中的体现
[[Andrej Karpathy]] 对这个想法表示认同。在他的架构中，`raw/` 目录正好起到这个作用：
| 区域 | 谁控制 | 可变性 |
|------|--------|--------|
| `raw/` | 人类放入，LLM 只读 | 不可变 |
| `wiki/` | LLM 全权维护 | LLM 管理 |
| 人类主库（Obsidian） | 人类浏览 | 人类决定是否采纳 |
这实际上是一个**三区隔离**模型：
1. **Raw** — 不可变的原始来源
2. **Wiki** — LLM 的"工作沙箱"
3. **主库** — 人类决定采纳哪些更新
## 与其他模式的关系
这个概念类似于软件开发中的：
- **Git 分支** — Agent 在 feature 分支工作，人类 review 后 merge
- **Staging 环境** — Agent 的产出先到 staging，验证后到 production
- **读写分离** — Raw 是只读的，Wiki 是 Agent 的写空间
## 相关概念
- [[LLM Wiki]] — 三层架构天然支持隔离
- [[Steph Ango]] — 概念提出者、Obsidian 创始人
- [[知识库维护自动化]] — Agent 在隔离区自动维护
## 来源
- [[刚刚，Karpathy 开源个人 LLM Wiki]] — Steph Ango 在 Karpathy 帖子评论区的讨论

80
wiki/Farzapedia.md Normal file
View File

@@ -0,0 +1,80 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- case-study
- ai/agent
- personal-knowledge
created: 2026-04-07
source:
- "[[llm-wiki]]"
- "[[刚刚，Karpathy 开源个人 LLM Wiki]]"
type: concept
aliases:
- Farza's Wiki
- 个人维基百科
---
# Farzapedia
> **Farzapedia** 是开发者 Farza 基于 [[LLM Wiki]] 模式构建的个人维基百科——从 2500 条日记、Apple Notes 和 iMessage 对话中，LLM 生成了 400 篇互相链接的文章。
## 背景
[[Andrej Karpathy]] 的 LLM Wiki 帖子发布两天后，开发者 **Farza**（[@FarzaTV](https://x.com/FarzaTV)）就做出了一个令人印象深刻的实践。
Karpathy 本人在看到后专门发帖点赞，列出了 [[BYOAI|四大优势]]。
## 数据规模
| 指标 | 值 |
|------|-----|
| 原始来源 | 2500 条日记 + Apple Notes + iMessage 对话 |
| 生成文章 | 400 篇详细文章 |
| 内容覆盖 | 朋友、创业项目、研究方向、最喜欢的动漫及其影响 |
| 链接结构 | 全部带有反向链接（backlinks） |
## 核心洞察
> "这个 Wiki 不是给我看的，是给我的 Agent 看的。"
> — Farza
Wiki 的文件结构和反向链接对任何 Agent 来说都**天然易于爬取**。Agent 从 [[index]] 出发，就能精准定位到需要的页面。
## 实际应用案例
Farza 在设计新的落地页时，跟 Agent 说：
> "看看最近启发我的图片和电影，给我一些文案和视觉风格的建议。"
Agent 自主执行：
1. 翻阅 Wiki 中的吉卜力纪录片笔记
2. 拉出 YC 公司落地页截图
3. 甚至找到几年前保存的 1970 年代甲壳虫乐队周边照片
4. 给出了**相当靠谱的回答**
## 与 RAG 的对比
Farza 透露他一年前用 RAG 做过类似系统，但效果"一言难尽"。而基于文件系统的知识库，Agent 天然就能理解，反而好用得多。
这验证了 [[RAG vs 持久化知识库|文件优先]] 的核心优势。
## 与 [[LLM Wiki]] 的关系
```mermaid
graph LR
Karpathy["Karpathy<br/>提出模式"] --> Farza["Farza<br/>快速实践"]
Farza --> Karpathy2["Karpathy<br/>点赞总结"]
Karpathy2 --> BYOAI["BYOAI<br/>四大优势"]
style Karpathy fill:#bbf,stroke:#333
style Farza fill:#bfb,stroke:#333
style BYOAI fill:#fbb,stroke:#333
```
## 来源
- [[刚刚，Karpathy 开源个人 LLM Wiki]] — 中文报道（AGI Hunt / J0hn）
- [Farza 的 X 帖子](https://x.com/FarzaTV/status/2040563939797504467)

209
wiki/LLM Wiki.md Normal file
View File

@@ -0,0 +1,209 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- llm
- knowledge-management
- 知识管理/方法
created: 2026-04-07
source: "[[llm-wiki]], [[刚刚，Karpathy 开源个人 LLM Wiki]], [[Karpathy知识库「LLM Wiki」火爆了，全网围观讨论]]"
type: concept
aliases:
- LLM Wiki 模式
- 持久化知识库
marp: "true"
---
# LLM Wiki
> **核心思想**：LLM 不是每次从原始文档中重新检索，而是**增量构建并维护一个持久的 wiki**——一个结构化的、互相链接的 Markdown 文件集合，位于你和原始来源之间。
## 定义
LLM Wiki 是一种由 [[Andrej Karpathy]] 提出的个人知识管理模式。与传统 [[RAG vs 持久化知识库|RAG 检索]]不同，LLM 不是在查询时重新发现知识，而是持续编译、维护和更新一个结构化的知识库。
---
## 三层架构
```mermaid
graph LR
A["📂 Raw Sources<br/>(不可变)"] --> B["📝 Wiki<br/>(LLM 维护)"]
B --> C["📋 Schema<br/>(约定规范)"]
C --> B
```
| 层级 | 位置 | 职责 | 谁维护 |
|------|------|------|--------|
| **Raw Sources** | `raw/` | 原始文档、文章、论文、数据文件 | 不可变，LLM 只读 |
| **Wiki** | `wiki/` | 摘要、实体页、概念页、比较、综合 | LLM 全权维护 |
| **Schema** | `AGENTS.md` | Wiki 结构约定、工作流规范 | 人与 LLM 共同演进 |
---
## 三种核心操作
### 1. Ingest（摄入）
将新来源加入 raw 集合，LLM 处理流程：
1. 读取来源 → 讨论关键要点
2. 写入摘要页 → 更新 [[index]]
3. 更新相关实体和概念页面 → 追加 [[log]] 条目
> 单个来源可能影响 10-15 个 wiki 页面。
### 2. Query（查询）
对 wiki 提问，LLM 搜索相关页面并综合回答。
> **关键洞察**：好的回答应归档回 wiki 成为新页面，让探索像摄入一样持续积累。
### 3. Lint（健康检查）
定期检查 wiki 健康状况：
- 页面间矛盾
- 过时声明
- 孤立页面（无入站链接）
- 缺失的概念页面
- 缺失的交叉引用
---
## 索引与日志
| 文件 | 用途 | 格式 |
|------|------|------|
| [[index]] | 内容目录，按类别组织 | LLM 每次摄入时更新 |
| [[log]] | 时间线日志，按时间记录 | 可用 `grep` 解析的格式 |
## 四大优势
[[Andrej Karpathy]] 在看到 [[Farzapedia]] 后，总结了基于文件系统的 LLM Wiki 做个性化的四个核心优势：
1. **可见（Visible）** — 记忆不是藏在模型里的黑箱。它就是一个 Wiki，你能看到 AI 知道什么、不知道什么，能检查、能管理。
2. **你自己的（Your Own）** — 数据在你本地电脑上，不在某个 AI 公司的系统里。你对自己的信息有完全的控制权。
3. **文件优先（File-First）** — 知识库就是一堆通用格式的文件（Markdown 和图片），可以用 Unix 工具链、任何 CLI 处理，想用什么界面都行。
4. **自带 AI（[[BYOAI]]）** — 可以用 Claude、Codex、OpenCode 或任何 AI 接入，甚至可以用开源模型在 Wiki 上做微调。
详见 [[BYOAI]]。
---
## 实际规模验证
Karpathy 本人在一个研究方向上积累了约 **100 篇章、40 万字**。他本以为需要复杂的 RAG 方案，结果 LLM 自己维护索引文件和文档摘要就够了——在这个规模下查什么都顺畅。
---
## Idea File 范式
LLM Wiki 的分享方式体现了 Agent 时代的新范式：
> **只分享想法（Idea File），不分享代码或应用**
在 Agent 时代，分享具体代码或应用的意义正在变弱。Karpathy 将他的 LLM Wiki 构建思路整理成 gist 形式分享——这是一个「想法文件」，不是完整实现。
**工作流程**：
1. 将想法整理成 gist 分发
2. 交给 Claude、Grok 等 Agent
3. Agent 根据你的需求自动搭建个人知识库
4. 提供使用指导和工作流建议
这种模式意味着我们已经不需要再分享具体代码或应用了，只需要把「想法」交给对方的 Agent，让它根据需求自动完成定制和实现。
---
## Meta-Frame（元框架）
观点认为，LLM Wiki 不只是一个 AI 工具，而更像是一种**元框架（meta-framework）**：
- 不依赖某个具体模型或技术栈
- 试图定义一种人类与 AI 协作管理知识的方式
- 随着模型不断迭代、框架持续演进，让 LLM 帮助编译并维护 Wiki 的模式反而具备更长期的稳定性和适用性
从这个角度，LLM Wiki 已经逼近一种**自我增强的知识系统形态**，也可以被视为一个具备产品潜力的雏形。
---
## 与传统 RAG 的对比
在中等规模下，LLM Wiki 并不依赖传统意义上的 RAG。只要 LLM 能够维护好索引和摘要，就已经可以支撑起有效的检索与推理。
| 特性 | 传统 RAG | LLM Wiki |
|------|---------|----------|
| 知识发现 | 每次查询时重新发现 | 一次编译，持续更新 |
| 积累性 | 每次从零开始 | 交叉引用已建立，矛盾已标注 |
| 复杂问题 | 需要重新检索并拼接多个片段 | 综合结论已反映所有内容 |
| 检索依赖 | 依赖向量检索和重排序 | 依赖 LLM 维护的索引和摘要 |
---
## 阅读技巧
Karpathy 关于用 LLM Wiki 读一本书的建议：
- 使用 **epub 格式**而不是 PDF
- **一章一章地喂**给 LLM，让它边读边整理
- 不要指望把一个 PDF 丢进去就让它总结，要"慢慢来"
> "别指望把一个 PDF 丢进去就让它总结，得「慢慢来」，一块一块地处理。当我分阶段做的时候，结果好得不得了，已经离不开了。"
## 适用场景
### 个人层面
- **个人成长**：追踪目标、健康、心理状态、自我提升过程
- **日记整理**：整理日记、文章、播客笔记，构建关于你自己的结构化认知
### 学习与研究
- **深度研究**：围绕某个主题深入数周甚至数月，阅读论文、文章、报告，构建不断演化的知识体系
- **阅读场景**：逐章记录，建立人物、主题、情节线索之间的关联。类似 Tolkien Gateway 这样的维基，但由个人构建
### 企业与团队
- **内部 wiki**：持续接入 Slack 对话、会议记录、项目文档、客户沟通，由 LLM 维护实时更新的知识库
- **团队协作**：减少人工维护负担，知识库随工作自动更新
### 专业场景
- **竞争分析**：收集竞争对手信息，构建对比分析体系
- **尽职调查**：系统化收集和整理投资或合作相关信息
- **旅行规划**：长期积累目的地信息，构建个性化旅行知识库
- **课程笔记**：系统性整理学习内容，建立概念间的关联
任何需要长期积累知识、并希望其被系统化组织而不是零散分布的场景，都可以采用这种模式。
## 核心工具
- [[Obsidian]] — Wiki 的可视化 IDE，Graph View 查看连接形状
- [[qmd]] — 本地 Markdown 搜索引擎，支持 BM25/向量混合搜索
- Obsidian Web Clipper — 浏览器扩展，快速抓取网页为 Markdown
## 实践案例
- [[Farzapedia]] — Farza 的个人维基百科：2500 条日记 → 400 篇文章
## 与相关概念的关系
- [[RAG vs 持久化知识库]] — 与传统 RAG 的对比
- [[知识库维护自动化]] — 为什么 LLM 解决了 wiki 维护的核心痛点
- [[Memex]] — Vannevar Bush 1945 年的愿景，LLM Wiki 的思想源头
- [[BYOAI]] — 四大优势的核心概念
- [[Contamination Mitigation]] — Steph Ango 的隔离思想
## 名言
> "Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase."
> — [[Andrej Karpathy]]
> "这种个性化方式把控制权完全交到你手上。数据是你的，格式是通用的，内容是可检查的。用哪个 AI 随你，让 AI 公司们卷起来吧。"
> — [[Andrej Karpathy]]
## 来源
- [[llm-wiki]] — Karpathy Gist 原文
- [[刚刚，Karpathy 开源个人 LLM Wiki]] — J0hn 的中文解读文章

173
wiki/Marp 主题与样式.md Normal file
View File

@@ -0,0 +1,173 @@
---
categories:
- "[[Marp]]"
tags:
- marp
- theme
- css
- styling
created: 2026-04-07
source: "[[marp-guide]]"
type: reference
aliases:
- Marp 主题
- Marp 样式
---
# Marp 主题与样式
> Marp 的内容与样式完全分离——Markdown 管内容，CSS 主题管外观。
## 三个内置主题
| 主题 | 风格 | 适用场景 |
|------|------|----------|
| `default` | 经典白底、蓝灰色调、左对齐 | 通用、商务 |
| `uncover` | 极简、居中布局、现代感 | 技术分享、轻松场合 |
| `gaia` | 彩色、大胆、左对齐 | 创意、教育 |
使用方式：
```markdown
---
marp: "true"
theme: uncover
---
```
> [!tip] 初学建议从 `uncover` 开始，它对 Markdown 的默认渲染效果最好。
## 用 style 指令微调
不想写独立 CSS 文件，可以用 `style` 全局指令内联修改：
```markdown
---
theme: default
style: |
section {
background-color: #f0f0f0;
}
h1 {
color: #0066cc;
border-bottom: 2px solid #0066cc;
}
---
```
> [!note] `style` 指令比 `<style>` 标签更好——不会在其他 Markdown 编辑器里显示异常。
## 用 class 指令切换布局
在主题 CSS 中定义不同的 section 类：
```css
section.lead h1 {
text-align: center;
font-size: 2.5em;
}
section.dark {
background-color: #1a1a2e;
color: #e0e0e0;
}
```
然后在 Markdown 中使用：
```markdown
<!-- _class: lead -->
# 居中大标题
---
<!-- _class: dark -->
# 深色页面
```
## 自定义主题
### 在 Obsidian Marp 插件中
1. 在 `Templates/MarpTheme/` 目录中放入 CSS 文件
```
<vault>/
└── Templates/
└── MarpTheme/
├── beamer.css
└── gradient.css
```
> [!note] Obsidian Marp 插件设置中 Theme Folder Location 应配置为 `Templates/MarpTheme`。
3. 在 Markdown 中引用：
```markdown
---
marp: "true"
theme: beamer
---
```
> [!warning] 添加新 CSS 后需要**重启 Obsidian**。
### CSS 主题基本结构
```css
/* @theme my-custom-theme */
@import 'default';
section {
font-family: 'Noto Sans SC', sans-serif;
background: #ffffff;
color: #333333;
}
h1 {
color: #2c3e50;
border-left: 4px solid #3498db;
padding-left: 0.5em;
}
h2 {
color: #34495e;
}
code {
background: #ecf0f1;
padding: 2px 6px;
border-radius: 3px;
}
```
> `@import 'default'` 继承内置主题，只覆盖需要改的部分。
## 背景技巧
### 纯色背景
```markdown
<!-- _backgroundColor: #1a1a2e -->
<!-- _color: #e0e0e0 -->
```
### 渐变背景
```markdown
<!-- backgroundImage: linear-gradient(to bottom, #667eea, #764ba2) -->
```
### 图片背景
```markdown
![bg cover](path/to/image.jpg)
```
## 来源
- [[marp-guide]] — 原始资料
- [[Marp]] — Marp 概念页
- [[Marp 指令语法]] — 指令参考

103
wiki/Marp 主题推荐.md Normal file
View File

@@ -0,0 +1,103 @@
---
categories:
- "[[Marp]]"
tags:
- marp
- themes
- css
- recommendation
created: 2026-04-07
source: "[[marp-themes]]"
type: reference
aliases:
- Marp 主题合集
- Marp 主题推荐
---
# Marp 主题推荐
> GitHub 社区产出了不少优质 Marp CSS 主题，按推荐度排序如下。
## 🏆 强烈推荐
### [favourhong/Awesome-Marp](https://github.com/favourhong/Awesome-Marp) ⭐953
**中文友好的学术级主题，直接对标 LaTeX Beamer。**
- **6 种主题色**：深色、绿色、蓝色、红色、紫色、棕色
- **38 种自定义样式**：页面分栏(8种)、列表分栏(6种)、封面页(5种)、目录页(3种)、Callout 引用盒(5种)、导航进度栏
- **中文字体适配**：方正宋刻本秀楷、方正苏新诗柳楷、霞鹜文楷
- 切换主题只需改一行 `theme: am_blue`
- 搭配 VS Code 或 Obsidian 使用
> [!tip] 学术演示、论文答辩首选。效果最接近 LaTeX Beamer，但用 Markdown 写。
### [cunhapaulo/marpstyle](https://github.com/cunhapaulo/marpstyle) ⭐198
**简洁美观的通用主题合集。**
- 多种风格，注重美感和简洁
- MIT 开源
- 升级版 [MarpX](https://github.com/cunhapaulo/MarpX)（⭐62）是 Marpstyle 2.0
### [rnd195/marp-community-themes](https://github.com/rnd195/marp-community-themes) ⭐42
**社区维护的主题画廊，有在线预览。**
- [在线预览站](https://rnd195.github.io/marp-community-themes/)，直接看效果
- 10 个主题，含明暗分类
- 包括：Academic、Beam、Border、Gradient、Graph Paper、Rosé Pine 系列（Dawn/Moon）、Gaia、Uncover
## 🎯 其他值得关注
| 项目 | ⭐ | 特点 |
|------|-----|------|
| [zhaoluting/marp-themes](https://github.com/zhaoluting/marp-themes) | 79 | 公司蓝、浙大蓝等机构定制色 |
| [marp-team/awesome-marp](https://github.com/marp-team/awesome-marp) | — | 官方 awesome list，汇总全部生态资源 |
| [codebytes/marp-slides-template](https://github.com/codebytes/marp-slides-template) | 30 | 快速开始模板 |
## 场景推荐
| 场景 | 推荐主题 | 理由 |
|------|----------|------|
| **学术报告 / 论文答辩** | Awesome-Marp | 最像 Beamer，有定理框、目录页 |
| **技术分享** | marpstyle / MarpX | 简洁现代，适合代码展示 |
| **日常汇报** | Community Themes 的 Beam/Border | 轻量、干净 |
| **暗色主题** | Community Themes 的 Rosé Pine Moon | 暗色系，护眼 |
| **学校 / 公司定制** | zhaoluting/marp-themes | 机构色模板参考 |
| **快速开始** | 内置 `uncover` | 零配置 |
## 如何安装第三方主题
### Obsidian Marp 插件
1. 下载主题 CSS 文件
2. 放入 vault 中的 `Templates/MarpTheme/` 目录
3. 在幻灯片 front-matter 中引用：`theme: theme-name`
4. **重启 Obsidian**
### Marp CLI
```bash
# 指定主题目录
marp presentation.md --theme themes/
# 指定单个主题文件
marp presentation.md --theme my-theme.css
```
### VS Code
在 `.vscode/settings.json` 中配置：
```json
{
"markdown.marp.themes": ["./themes/my-theme.css"]
}
```
## 来源
- [[marp-themes]] — 原始资料汇编
- [[Marp]] — Marp 概念页
- [[Marp 主题与样式]] — 内置主题和自定义 CSS 方法

98
wiki/Marp 导出.md Normal file
View File

@@ -0,0 +1,98 @@
---
categories:
- "[[Marp]]"
tags:
- marp
- export
- cli
created: 2026-04-07
source: "[[marp-guide]]"
type: reference
aliases:
- Marp 导出
- Marp CLI
---
# Marp 导出
> Marp 支持将 Markdown 幻灯片导出为 HTML、PDF、PPTX 和图片。
## 导出方式对比
| 方式 | 平台 | 需要安装 | 适合场景 |
|------|------|----------|----------|
| **Obsidian Marp 插件** | Obsidian | Node.js | 快速导出到 Downloads |
| **Marp CLI** | 终端 | Node.js / brew / scoop | 自动化、批处理 |
| **VS Code 扩展** | VS Code | 扩展商店 | 编辑+导出一体 |
## Marp CLI 安装
```bash
# npm（推荐，无需全局安装）
npx @marp-team/marp-cli@latest
# macOS
brew install marp-cli
# Windows (Scoop)
scoop install marp
```
## 常用命令
```bash
# 导出 HTML（默认）
marp presentation.md
# 导出 PDF
marp presentation.md --pdf
# 导出 PPTX
marp presentation.md --pptx
# 导出图片（每页一张 PNG）
marp presentation.md --images
# 指定输出文件
marp presentation.md -o slides.html
# 使用特定主题
marp --theme uncover --pdf presentation.md
# 导出后立即打开
marp presentation.md --pdf --open
# 允许加载本地图片
marp presentation.md --pdf --allow-local-files
```
> [!warning] PDF 和 PPTX 导出需要系统安装 **Chrome 或 Edge**（使用 Chromium 渲染引擎）。
## HTML 导出特点
- 完整样式和主题支持
- 交互式导航（方向键、空格键）
- 自定义过渡效果和动画
- 响应式设计，适应不同屏幕
- 适合通过链接分享
## PDF 导出特点
- 跨设备通用
- 适合打印
- 排版一致
- 离线可用
## Obsidian Marp 插件导出
1. 打开 Marp 预览（侧边栏按钮或命令面板 `Marp: Open Preview`）
2. 在预览窗口点击导出按钮
3. 选择格式（PDF / PPTX / HTML）
4. 文件自动保存到 `Downloads` 目录
> [!note] 导出的文件中图片自动转为 Base64 嵌入，方便分享。
## 来源
- [[marp-guide]] — 原始资料
- [[Marp]] — Marp 概念页

134
wiki/Marp 指令语法.md Normal file
View File

@@ -0,0 +1,134 @@
---
categories:
- "[[Marp]]"
tags:
- marp
- syntax
- directives
created: 2026-04-07
source: "[[marp-guide]]"
type: reference
aliases:
- Marp 指令
- Marpit 指令
---
# Marp 指令语法
> Marp 通过**指令（Directives）**扩展 Markdown，控制幻灯片的主题、分页、页眉页脚、背景等。
## 写法
两种写法，效果相同：
**Front-matter**（推荐，放在文件最开头）：
```markdown
---
marp: "true"
theme: uncover
paginate: "true"
---
```
**HTML 注释**（可放在任意位置）：
```markdown
<!--
theme: uncover
paginate: "true"
-->
```
> [!tip] 推荐用 front-matter 写全局指令，HTML 注释写局部指令。注意 front-matter 中的布尔值需用引号包裹（如 `"true"`），避免 Obsidian 将其识别为 checkbox 属性。
## 全局指令
作用于整个演示文稿。重复书写只认最后一个。
| 指令 | 说明 | 示例 |
|------|------|------|
| `theme` | 主题名称 | `theme: uncover` |
| `style` | 自定义 CSS | `style: \|` 后跟 CSS 块 |
| `headingDivider` | 标题自动分页 | `headingDivider: 2` |
| `lang` | HTML lang 属性 | `lang: zh-CN` |
## 局部指令
作用于**当前页及之后所有页**。
| 指令 | 说明 | 示例 |
|------|------|------|
| `paginate` | 页码 | `paginate: "true"` |
| `header` | 页眉 | `header: '演示标题'` |
| `footer` | 页脚 | `footer: '作者名'` |
| `class` | CSS 类名 | `class: lead` |
| `backgroundColor` | 背景色 | `backgroundColor: #1a1a2e` |
| `backgroundImage` | 背景图 | `backgroundImage: url(…)` |
| `backgroundPosition` | 背景位置 | `backgroundPosition: center` |
| `backgroundRepeat` | 背景重复 | `backgroundRepeat: no-repeat` |
| `backgroundSize` | 背景大小 | `backgroundSize: cover` |
| `color` | 文字颜色 | `color: white` |
## Spot 指令（仅当前页）
在局部指令名前加 `_` 前缀，效果**仅限当前页**：
```markdown
<!-- _backgroundColor: black -->
<!-- _color: white -->
```
这一页黑底白字，下一页恢复原样。
## paginate 的四种模式
| 值 | 显示页码 | 递增计数 | 场景 |
|----|----------|----------|------|
| `true` | ✅ | ✅ | 正常显示 |
| `false` | ❌ | ✅ | 隐藏但计数 |
| `hold` | ✅ | ❌ | 显示但不递增 |
| `skip` | ❌ | ❌ | 完全跳过 |
> [!tip] 跳过标题页的页码：把 `paginate: "true"` 放在第二页而不是第一页。
## 标题自动分页（headingDivider）
让标题自动触发分页，不需要手动写 `---`：
```markdown
---
headingDivider: 2
---
# 第一页
内容
## 第二页（h2 自动分页）
内容
# 第三页（h1 也分页，因为 1 < 2）
内容
```
- 数值 `2`：h1 和 h2 都会分页（"大于等于该级别"）
- 数组 `[2, 4]`：只有 h2 和 h4 会分页
> [!warning] `headingDivider` 设置后，`---` 分页线仍然可用，两者共存。
## 页眉页脚
```markdown
---
header: '**我的演示**'
footer: '作者名 · 2026'
paginate: "true"
---
```
页眉页脚支持 Markdown 格式（加粗、斜体、图片），但不支持 `![bg]()` 语法。
## 来源
- [[marp-guide]] — 原始资料
- [[Marp]] — Marp 概念页

88
wiki/Marp.md Normal file
View File

@@ -0,0 +1,88 @@
---
categories:
- "[[Marp]]"
tags:
- marp
- presentation
- markdown
- 工具
created: 2026-04-07
source: "[[marp-guide]]"
type: concept
aliases:
- Marp
- Marp 生态系统
---
# Marp
> **一句话**：用纯 Markdown 写演示文稿的开源生态系统。
## 是什么
Marp 让你用 Markdown 编写幻灯片，然后导出为 HTML、PDF、PPTX 或图片。不需要 PowerPoint，不需要 Keynote，只需要一个 `.md` 文件。
```mermaid
graph LR
A["📝 Markdown<br/>源文件"] --> B["⚙️ Marp Core<br/>渲染引擎"]
B --> C["📄 HTML"]
B --> D["📋 PDF"]
B --> E["📊 PPTX"]
B --> F["🖼️ 图片"]
```
## 核心组件
| 组件 | 说明 | 仓库 |
|------|------|------|
| **Marpit** | 瘦框架，Markdown → 幻灯片 | [marp-team/marpit](https://github.com/marp-team/marpit) |
| **Marp Core** | 核心引擎，含内置主题 | [marp-team/marp-core](https://github.com/marp-team/marp-core) |
| **Marp CLI** | 命令行导出工具 | [marp-team/marp-cli](https://github.com/marp-team/marp-cli) |
| **Marp for VS Code** | VS Code 实时预览 | [marp-team/marp-vscode](https://github.com/marp-team/marp-vscode) |
| **Obsidian Marp Plugin** | Obsidian 集成 | [JichouP/obsidian-marp-plugin](https://github.com/JichouP/obsidian-marp-plugin) |
## 核心设计理念
1. **纯文本优先** — 幻灯片就是 Markdown 文件，用 Git 管理、用任何编辑器打开
2. **关注点分离** — 内容（Markdown）与样式（CSS 主题）分离
3. **指令系统** — 通过 HTML 注释或 front-matter 控制幻灯片行为
4. **模块化** — Marpit（框架）→ Marp Core（引擎）→ CLI/插件（应用层）
## 最小示例
```markdown
---
marp: "true"
theme: uncover
paginate: "true"
---
# 标题页
---
## 第二页
- 就这么简单
- 真的
```
`---` 分页，`marp: true` 启用，`theme:` 选主题。完了。
## 关键概念
- [[Marp 指令语法]] — 控制幻灯片行为的指令系统
- [[Marp 主题与样式]] — 内置主题和自定义 CSS
- [[Marp 主题推荐]] — GitHub 社区优质主题合集与场景推荐
- [[Marp 导出]] — HTML/PDF/PPTX 导出选项
- [[Obsidian Marp 插件]] — 在 Obsidian 中使用 Marp
- [[示例-学校定制Marp演示]] — 学校定制主题的完整演示示例
## 相关工具
- [[Obsidian]] — 可作为 Marp 的编辑/预览环境
- [[LLM Wiki]] — Marp 可用于从 wiki 内容生成幻灯片
## 来源
- [[marp-guide]] — 原始资料汇编

63
wiki/Memex.md Normal file
View File

@@ -0,0 +1,63 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- memex
- history
- knowledge-management
created: 2026-04-07
source: "[[llm-wiki]]"
type: concept
aliases:
- Memory Index
- 存储扩展器
---
# Memex
> **Memex**（Memory Index）是 [[Vannevar Bush]] 在 1945 年提出的个人知识存储系统构想，被视为 [[LLM Wiki]] 的思想源头。
## 概念
Memex 是一种设想中的设备，个人可以存储所有书籍、记录和通信，并且以极高的速度和灵活性进行检索。关键特征：
- **个人化** — 私有的、主动策划的知识存储
- **关联性** — 文档间的**关联线索**（associative trails）与文档本身同样有价值
- **可扩展** — 超越人类记忆容量的知识存储
## 与现代系统的对比
| 维度 | Memex (1945) | 万维网 | LLM Wiki |
|------|-------------|--------|----------|
| **所有权** | 个人私有 | 公开分散 | 个人私有 |
| **策划方式** | 主动策划 | 被动浏览 | 主动策划 + LLM 自动化 |
| **关联** | 手动建立关联线索 | 超链接 | 自动交叉引用 + wikilinks |
| **维护** | ❌ 未解决 | 社区维护 | ✅ LLM 自动维护 |
| **积累性** | ✅ 持续积累 | ❌ 信息过载 | ✅ 持续复合增长 |
## 核心洞察
Bush 的愿景比万维网更接近 [[LLM Wiki]] 的模式：
1. ==私有、主动策划== — 不是被动浏览公开信息
2. ==关联与文档同等重要== — 不仅是存储，更是连接
3. ==个人化的知识路径== — 每个人构建自己的认知地图
Bush 未能解决的问题是**谁来做维护**。[[知识库维护自动化|LLM 提供了答案]]。
## 原文引用
> "The human mind … operates by association. With one item in its grasp, it snaps instantly to the next that is suggested by the association of thoughts, in accordance with some intricate web of trails carried by the cells of the brain."
> — [[Vannevar Bush]], "As We May Think" (1945)
## 相关概念
- [[LLM Wiki]] — Memex 思想的现代实现
- [[知识库维护自动化]] — 解决了 Memex 的维护问题
- [[Obsidian]] — 当代最接近 Memex 理念的工具
## 来源
- [[llm-wiki]] — Karpathy 引用
- "As We May Think", Atlantic Monthly, 1945

112
wiki/Obsidian Marp 插件.md Normal file
View File

@@ -0,0 +1,112 @@
---
categories:
- "[[Marp]]"
tags:
- marp
- obsidian
- plugin
created: 2026-04-07
source: "[[marp-guide]]"
type: reference
aliases:
- Obsidian Marp
- Marp Obsidian
---
# Obsidian Marp 插件
> 在 Obsidian 中实时预览和导出 Marp 幻灯片。
## 基本信息
- **仓库**：[JichouP/obsidian-marp-plugin](https://github.com/JichouP/obsidian-marp-plugin)
- **功能**：预览 + 导出（PDF/PPTX/HTML）
- **前置要求**：Node.js（导出功能需要）
## 核心功能
### 1. 实时预览
- 点击侧边栏的 Marp 图标，或
- 命令面板运行 `Marp: Open Preview`
- 支持分栏预览（一边编辑一边看效果）
- 保存文件后自动刷新
### 2. 导出
- 支持格式：PDF、PPTX、HTML
- 输出目录：固定为 `Downloads`
- 图片自动转 Base64 嵌入
- HTML 格式支持页面过渡动画
### 3. 图片支持
两种格式都支持：
```markdown
<!-- Wikilink 格式 -->
![[path/to/image.png]]
<!-- CommonMark 格式 -->
![alt](path/to/image.png)
```
路径支持绝对路径和相对路径（相对于 vault 根目录）。
## 设置项
| 设置 | 类型 | 默认值 | 说明 |
|------|------|--------|------|
| Enable Auto Reload | toggle | on | 保存时自动刷新预览 |
| Open Preview in Split Tab | toggle | on | 分栏打开预览 |
| Theme Folder Location | text | `MarpTheme` | 自定义主题 CSS 目录路径（建议设为 `Templates/MarpTheme`） |
## 自定义主题
在 vault 中创建主题目录（插件设置中 Theme Folder Location 默认为 `MarpTheme`）：
```
<vault>/
└── Templates/
└── MarpTheme/
├── beamer.css
└── gradient.css
```
> [!tip] 插件设置中的 Theme Folder Location 应配置为 `Templates/MarpTheme`。
然后在幻灯片中使用：
```markdown
---
marp: "true"
theme: beamer
---
```
> [!warning] 添加新 CSS 文件后需要**重启 Obsidian** 才能识别。
## 工作流程
```mermaid
graph LR
A["📝 编辑 .md"] --> B["👁️ Marp 预览"]
B --> C["满意？"]
C -->|是| D["📤 导出"]
C -->|否| A
D --> E["📄 PDF/PPTX/HTML"]
```
## 使用前检查清单
- [ ] 安装 Obsidian Marp 插件（社区插件市场搜索 "Marp"）
- [ ] 安装 Node.js（导出功能需要）
- [ ] 在 Markdown 文件 front-matter 中加 `marp: "true"`
- [ ] 用 `---` 分页
## 相关页面
- [[Marp]] — Marp 概念总览
- [[Marp 指令语法]] — 完整指令参考
- [[Marp 主题与样式]] — 主题和 CSS 自定义
- [[Marp 导出]] — 所有导出方式对比

79
wiki/RAG vs 持久化知识库.md Normal file
View File

@@ -0,0 +1,79 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- rag
- comparison
- 知识管理/方法
created: 2026-04-07
source: "[[llm-wiki]]"
type: concept
aliases:
- RAG 对比
- 检索 vs 持久化
---
# RAG vs 持久化知识库
> **核心差异**：RAG 每次查询都从原始文档重新发现知识；LLM Wiki 将知识编译一次并持续维护。
## 对比表
| 维度 | RAG | LLM Wiki |
|------|-----|----------|
| **知识存储** | 原始文档分块 | 结构化 Markdown 页面 |
| **查询方式** | 向量检索 + 生成 | 读取已编译的页面 |
| **知识积累** | ❌ 无积累 | ✅ 持续复合 |
| **交叉引用** | ❌ 每次重新发现 | ✅ 已建立并维护 |
| **矛盾检测** | ❌ 每次需重新比对 | ✅ 已标记并追踪 |
| **综合分析** | 每次从零拼接 | 已反映所有已读内容 |
| **规模限制** | 嵌入维度限制 | ~100 来源 / 数百页面可行 |
| **维护成本** | 低（无需维护） | 需 LLM 持续维护 |
## RAG 的局限
大多数人的 LLM 文档体验是 RAG：
1. 上传文件集合
2. 查询时检索相关分块
3. 生成回答
**问题**：
- 提一个需要综合五篇文档的微妙问题，LLM 每次都要重新找到并拼凑相关片段
- ==没有积累==，知识从不复合
- NotebookLM、ChatGPT 文件上传、多数 RAG 系统都是这种模式
## LLM Wiki 的优势
```
传统 RAG: Query → Retrieve → Generate → 丢弃
LLM Wiki: Ingest → Compile → Maintain → Query → 复用
```
关键区别在于 **wiki 是一个持久的、复合的制品**：
- 交叉引用已经存在
- 矛盾已经被标记
- 综合分析已经反映了所有已读内容
- 每添加一个来源，wiki 都变得更丰富
## 何时用 RAG vs Wiki
| 场景 | 推荐 | 原因 |
|------|------|------|
| 一次性查询文档 | RAG | 无需积累 |
| 持续研究某主题 | Wiki | 知识需要复合增长 |
| 快速问答 | RAG | 简单快速 |
| 需要综合分析 | Wiki | 已有交叉引用 |
| 大量文档一次性搜索 | RAG | Wiki 规模受限 |
| 长期知识管理 | Wiki | 持续积累价值 |
## 来源
- [[llm-wiki]] — Karpathy Gist 原文
- [[LLM Wiki]] — 核心概念页
## 实践佐证
[[Farzapedia|Farza]] 在构建个人 Wiki 前曾用 RAG 做过类似系统，但效果"一言难尽"。转为基于文件系统的知识库后，Agent 天然就能理解文件结构和反向链接，反而好用得多。

67
wiki/Vannevar Bush.md Normal file
View File

@@ -0,0 +1,67 @@
---
categories:
- "[[LLM Wiki]]"
- "[[People]]"
tags:
- wiki
- people
- history
- knowledge-management
created: 2026-04-07
source: "[[llm-wiki]]"
type: entity
aliases:
- Bush
- Vannevar
---
# Vannevar Bush
美国工程师、发明家、科学管理者，[[Memex]] 概念的提出者。
## 身份
| 属性 | 值 |
|------|-----|
| 生卒 | 1890 – 1974 |
| 领域 | 工程学、信息科学 |
| 知名身份 | 美国科学研究与发展局局长 |
| 代表作 | "As We May Think" (1945) |
## 核心贡献
### Memex（1945）
在 *The Atlantic Monthly* 发表的 "As We May Think" 一文中，Bush 提出了 **Memex** 的构想：
- 个人化的知识存储设备
- 以关联（association）而非索引（indexing）为核心组织方式
- 文档间的"关联线索"（associative trails）与文档本身同样重要
这个构想被视为超文本和个人知识管理的思想源头。
## 与本 Wiki 的关联
[[Andrej Karpathy]] 在提出 [[LLM Wiki]] 时，明确将其与 Bush 的 Memex 进行对比：
> "The idea is related in spirit to Vannevar Bush's Memex (1945) — a personal, curated knowledge store with associative trails between documents."
Bush 解决了 ==what==（个人知识管理的愿景），但没有解决 ==who==（谁来做维护）。[[知识库维护自动化|LLM 回答了这个问题]]。
## 思想谱系
```mermaid
graph LR
Bush["Vannevar Bush<br/>Memex (1945)"] --> Engelbart["Douglas Engelbart<br/>NLS (1968)"]
Bush --> Nelson["Ted Nelson<br/>超文本 (1963)"]
Nelson --> Web["万维网 (1989)"]
Bush -.->|精神传承| Wiki["LLM Wiki (2026)"]
style Bush fill:#fbb,stroke:#333
style Wiki fill:#bbf,stroke:#333
```
## 来源
- [[llm-wiki]] — Karpathy 引用
- "As We May Think", *The Atlantic Monthly*, July 1945

105
wiki/index.md Normal file
View File

@@ -0,0 +1,105 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- index
created: 2026-04-07
type: index
---
# LLM Wiki 索引
> 基于 [[LLM Wiki]] 模式构建的个人知识库，由 LLM 增量维护。
## 概览
| 指标 | 值 |
|------|-----|
| 来源数 | 5 |
| Wiki 页面数 | 17 |
| 实体页面 | 2 |
| 概念页面 | 7 |
| 工具页面 | 7 |
| 最后更新 | 2026-04-07 |
## 核心概念
| 页面 | 简介 | 来源 |
|------|------|------|
| [[LLM Wiki]] | LLM 增量构建持久化知识库的核心模式 | [[llm-wiki]], [[刚刚，Karpathy 开源个人 LLM Wiki]], [[Karpathy知识库「LLM Wiki」火爆了，全网围观讨论]] |
| [[RAG vs 持久化知识库]] | RAG 检索模式与 Wiki 持久化模式的对比分析 | [[llm-wiki]], [[刚刚，Karpathy 开源个人 LLM Wiki]] |
| [[知识库维护自动化]] | LLM 如何解决知识库维护负担的核心问题 | [[llm-wiki]] |
| [[Memex]] | Vannevar Bush 的个人知识存储愿景（1945） | [[llm-wiki]], [[刚刚，Karpathy 开源个人 LLM Wiki]] |
| [[Farzapedia]] | Farza 的个人维基百科实践案例（2500 日记 → 400 文章） | [[刚刚，Karpathy 开源个人 LLM Wiki]] |
| [[BYOAI]] | Karpathy 总结的 LLM Wiki 四大优势 | [[刚刚，Karpathy 开源个人 LLM Wiki]] |
| [[Contamination Mitigation]] | Steph Ango 的 Agent 工作区隔离概念 | [[刚刚，Karpathy 开源个人 LLM Wiki]] |
## 人物
| 页面 | 身份 | 来源 |
|------|------|------|
| [[Andrej Karpathy]] | AI 研究者、LLM Wiki 模式提出者 | [[llm-wiki]], [[刚刚，Karpathy 开源个人 LLM Wiki]], [[Karpathy知识库「LLM Wiki」火爆了，全网围观讨论]] |
| [[Vannevar Bush]] | Memex 概念提出者、信息科学先驱 | [[llm-wiki]] |
## 工具
| 页面 | 用途 | 来源 |
|------|------|------|
| [[qmd]] | 本地 Markdown 搜索引擎 | [[llm-wiki]] |
## Marp（演示文稿工具）
| 页面 | 简介 | 来源 |
|------|------|------|
| [[Marp]] | 用 Markdown 写演示文稿的开源生态系统 | [[marp-guide]] |
| [[Marp 指令语法]] | Marp 指令系统完整参考（全局/局部/Spot） | [[marp-guide]] |
| [[Marp 主题与样式]] | 内置主题、CSS 自定义、背景技巧 | [[marp-guide]] |
| [[Marp 导出]] | HTML/PDF/PPTX 导出方式和 CLI 用法 | [[marp-guide]] |
| [[Obsidian Marp 插件]] | 在 Obsidian 中预览和导出 Marp 幻灯片 | [[marp-guide]] |
| [[Marp 主题推荐]] | GitHub 社区优质 CSS 主题合集与场景推荐 | [[marp-themes]] |
| [[示例-学校定制Marp演示]] | 学校定制蓝主题的完整演示文稿示例 | [[marp-themes]] |
## 架构
```mermaid
graph TD
Raw[raw/ 原始来源] -->|Ingest| Wiki[wiki/ 知识页面]
Wiki -->|Query| Answers[回答与分析]
Answers -->|归档| Wiki
Wiki -->|Lint| Wiki
Wiki --> Index[index.md 索引]
Wiki --> Log[log.md 日志]
style Raw fill:#f9f,stroke:#333
style Wiki fill:#bbf,stroke:#333
style Index fill:#bfb,stroke:#333
style Log fill:#bfb,stroke:#333
```
## 三层架构
1. **Raw Sources** (`raw/`) — 不可变的原始文档
2. **Wiki** (`wiki/`) — LLM 生成和维护的结构化页面
3. **Schema** (`AGENTS.md`) — LLM 维护 Wiki 的规范和约定
## 相关内容
- [[Obsidian]] — Wiki 的可视化 IDE
- [[知识管理]] — 知识管理方法标签
- [[llm-wiki]] — 原始来源文件（Karpathy Gist）
- [[刚刚，Karpathy 开源个人 LLM Wiki]] — 第二来源（J0hn 中文解读）
- [[Karpathy知识库「LLM Wiki」火爆了，全网围观讨论]] — 第三来源（机器之心报道）
## Marp（演示文稿工具）
- [[Marp]] — 概念总览
- [[Marp 指令语法]] — 指令参考
- [[Marp 主题与样式]] — 主题和 CSS
- [[Marp 导出]] — 导出方式
- [[Obsidian Marp 插件]] — Obsidian 集成
- [[Marp 主题推荐]] — GitHub 社区主题合集
- [[示例-学校定制Marp演示]] — 学校定制演示示例
- [[marp-guide]] — 原始来源文件
- [[marp-themes]] — 主题来源文件

120
wiki/log.md Normal file
View File

@@ -0,0 +1,120 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- log
created: 2026-04-07
type: log
---
# LLM Wiki 日志
## [2026-04-07] ingest | LLM Wiki (Karpathy Gist)
**来源**: <https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f>
**操作**:
- 读取原始来源 `raw/llm-wiki.md`
- 创建核心概念页面：[[LLM Wiki]]、[[RAG vs 持久化知识库]]、[[知识库维护自动化]]、[[Memex]]
- 创建实体页面：[[Andrej Karpathy]]、[[Vannevar Bush]]
- 创建工具页面：[[qmd]]
- 创建索引文件：[[index]]
- 创建日志文件：[[log]]（本文件）
- 创建分类页面：[[LLM Wiki]]
- 更新标签页面：[[主题-知识管理]]
**涉及页面**: 10 个新页面，1 个更新页面
**关键要点**:
- LLM Wiki 的核心思想是**持久化**而非**检索**
- 三层架构：Raw → Wiki → Schema
- 三种操作：Ingest、Query、Lint
- 与 Vannevar Bush 的 Memex 理念一脉相承
## [2026-04-07] ingest | 刚刚，Karpathy 开源个人 LLM Wiki（J0hn / AGI Hunt）
**来源**: <https://mp.weixin.qq.com/s/vYVx8yf9eoTGXSWIrpOZ6Q>
**操作**:
- 读取原始来源 `raw/刚刚，Karpathy 开源个人 LLM Wiki.md`
- 创建概念页面：[[Farzapedia]]、[[BYOAI]]、[[Contamination Mitigation]]
- 更新 [[LLM Wiki]]：添加四大优势、规模验证、阅读技巧、实践案例
- 更新 [[Andrej Karpathy]]：添加思想进化时间线、帖子数据、新造词
- 更新 [[RAG vs 持久化知识库]]：添加 Farza 的 RAG 实践佐证
- 更新 [[index]]：新增 3 个页面，来源数 1→2
- 更新 [[log]]：追加本条目
**涉及页面**: 3 个新页面，4 个更新页面
**关键要点**:
- Karpathy 帖子 3 天 4.3 万赞、1200 万浏览
- Farzapedia 是首个公开的 LLM Wiki 实践：2500 条日记 → 400 篇文章
- 四大优势：可见、你自己的、文件优先、BYOAI
- Steph Ango 提出 Contamination Mitigation 概念，Karpathy 认同
- Karpathy 思想进化：vibe coding → Agentic Engineering → 知识编译
- 开源的是**思路**而非代码——"idea file" 范式
- "Prompt Request" 的新含义
## [2026-04-07] ingest | Marp 学习资料汇编
**来源**: Marp 生态系统官方文档、Marpit 框架文档、Marp CLI 文档、Obsidian Marp 插件 README
**操作**:
- 收集并整合 5 个来源到 `raw/marp-guide.md`
- 创建概念页面：[[Marp]]
- 创建参考页面：[[Marp 指令语法]]、[[Marp 主题与样式]]、[[Marp 导出]]、[[Obsidian Marp 插件]]
- 更新 [[index]]：新增 Marp 板块（5 个页面），来源数 2→3
- 更新 [[log]]：追加本条目
**涉及页面**: 5 个新页面，2 个更新页面
**关键要点**:
- Marp = Markdown 写幻灯片，导出 HTML/PDF/PPTX
- 核心组件：Marpit（框架）→ Marp Core（引擎）→ CLI/插件（应用层）
- 指令系统：全局指令（theme/style）、局部指令（paginate/header/footer）、Spot 指令（`_` 前缀）
- 三个内置主题：default、uncover、gaia
- Obsidian 插件：预览 + 导出，需要 Node.js
- 自定义主题放在 `MarpTheme/` 目录，添加后需重启 Obsidian
## [2026-04-07] ingest | Marp CSS 主题推荐
**来源**: GitHub 社区主题仓库（Awesome-Marp、marpstyle、marp-community-themes、zhaoluting/marp-themes）
**操作**:
- 收集主题资料到 `raw/marp-themes.md`
- 创建参考页面：[[Marp 主题推荐]]
- 创建自定义主题 CSS：`Templates/MarpTheme/university-blue.css`（学校定制蓝主题）
- 创建演示文稿示例：[[示例-学校定制Marp演示]]
- 更新 [[index]]：新增主题推荐页面，来源数 3→4
- 更新 [[log]]：追加本条目
**涉及页面**: 2 个新 wiki 页面，1 个 CSS 主题，1 个示例文稿，2 个更新页面
**关键要点**:
- Awesome-Marp（⭐953）是最全面的中文友好学术主题，38 种自定义样式
- marp-community-themes 有在线预览站，10 个社区主题
- 自定义主题核心：CSS 变量控制颜色，class 指令切换页面布局（cover/trans/dark/cols-2/ending）
- 制作了 `university-blue` 主题作为学校定制示例：学术蓝基调、封面页/过渡页/深色页/两栏/结束页
- 演示文稿展示了论文答辩场景的完整用法
## [2026-04-07] ingest | Karpathy知识库「LLM Wiki」火爆了，全网围观讨论（机器之心）
**来源**: <https://mp.weixin.qq.com/s/-2H3xFx_R4KIIZ_vDpEYQw>
**操作**:
- 收集机器之心对 LLM Wiki 爆火现象的报道到 `raw/Karpathy知识库「LLM Wiki」火爆了，全网围观讨论.md`
- 更新 [[LLM Wiki]]：添加 Idea File 范式、Meta-Frame 概念、与 RAG 对比、扩展应用场景
- 更新 [[Andrej Karpathy]]：添加社区广泛讨论章节、更新思想进化时间线
- 更新 [[index]]：来源数 4→5，更新相关内容列表
- 更新 [[log]]：追加本条目
**涉及页面**: 2 个更新页面
**关键要点**:
- LLM Wiki 帖子爆火，Karpathy 自己也惊讶："哇，我这条推文真的火爆了！"
- **Idea File 范式**：在 Agent 时代，只分享想法（gist），不分享代码或应用。Agent 可以自动实现和定制
- **Meta-Frame（元框架）**：不依赖具体模型或技术栈，而是定义人类与 AI 协作管理知识的方式
- 被视为**自我增强的知识系统形态**和**具备产品潜力的雏形**
- 中等规模下不依赖传统 RAG：LLM 维护索引和摘要就够了
- 扩展应用场景：企业/团队内部 wiki、竞品分析、尽职调查、旅行规划、课程笔记

51
wiki/qmd.md Normal file
View File

@@ -0,0 +1,51 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- tool
- search
- 知识管理/工具
created: 2026-04-07
source: "[[llm-wiki]]"
type: tool
aliases:
- qmd search
---
# qmd
> **qmd** 是一个本地 Markdown 文件搜索引擎，支持混合 BM25/向量搜索和 LLM 重排序，适用于 [[LLM Wiki]] 规模增长后的搜索需求。
## 基本信息
| 属性 | 值 |
|------|-----|
| 仓库 | [github.com/tobi/qmd](https://github.com/tobi/qmd) |
| 类型 | 本地搜索引擎 |
| 支持格式 | Markdown |
| 搜索方式 | BM25 + 向量搜索混合 |
| 排序 | LLM 重排序 |
| 运行方式 | 全设备端（on-device） |
## 接口
| 接口 | 用途 |
|------|------|
| **CLI** | LLM 可以通过 shell 调用 |
| **MCP Server** | LLM 作为原生工具使用 |
## 在 LLM Wiki 中的角色
- 小规模时：[[index]] 文件足够导航
- 增长后：qmd 提供正式搜索能力
- 作为 MCP Server 可被 LLM Agent 直接调用，无需手动搜索
## 替代方案
如果不想引入外部工具，可以让 LLM 帮忙写一个简单的搜索脚本。
## 来源
- [[llm-wiki]] — Karpathy 推荐
- [[LLM Wiki]] — 核心概念页

79
wiki/知识库维护自动化.md Normal file
View File

@@ -0,0 +1,79 @@
---
categories:
- "[[LLM Wiki]]"
tags:
- wiki
- automation
- knowledge-management
- 知识管理/方法
created: 2026-04-07
source: "[[llm-wiki]]"
type: concept
aliases:
- Wiki 维护
- 知识库维护
---
# 知识库维护自动化
> **核心论点**：人类放弃 wiki 的原因不是阅读或思考的困难，而是**维护负担增长快于价值增长**。LLM 使维护成本趋近于零。
## 问题
维护知识库的枯燥部分不是阅读或思考，而是：
- 更新交叉引用
- 保持摘要最新
- 标注新旧数据的矛盾
- 维护数十个页面间的一致性
- 发现孤立页面和缺失概念
- 保持索引和日志的更新
==人类放弃 wiki 的原因：维护负担增长快于价值。==
## LLM 的优势
| LLM 能做什么 | 人类难以做到 |
|-------------|-------------|
| 不感到无聊 | 长期重复维护令人疲惫 |
| 不会忘记更新交叉引用 | 遗漏是常态 |
| 一次处理 15 个文件 | 逐个手动修改极慢 |
| 保持一致性 | 多页面间易不一致 |
| 主动发现矛盾 | 需要刻意检查 |
## 维护工作流
```mermaid
graph TD
A[新来源到达] --> B[LLM 读取并提取关键信息]
B --> C[创建/更新摘要页]
C --> D[更新实体页面]
D --> E[更新概念页面]
E --> F[检查并标记矛盾]
F --> G[更新交叉引用]
G --> H[更新 index.md]
H --> I[追加 log.md 条目]
style A fill:#f9f,stroke:#333
style F fill:#ff9,stroke:#333
```
## 人类的角色
人类的工作是：
1. **筛选来源** — 选择有价值的文档
2. **引导分析** — 决定强调什么
3. **提出好问题** — 探索有价值的方向
4. **思考意义** — 做出判断和决策
LLM 的工作是**其他一切**：总结、交叉引用、归档、簿记。
## 与 [[Memex]] 的联系
Vannevar Bush 在 1945 年提出 Memex 时，设想了一个个人化的、精心策划的知识存储系统，文档间的关联与文档本身同样有价值。他没能解决的问题是：**谁来做维护**。LLM 回答了这个问题。
## 来源
- [[llm-wiki]] — Karpathy Gist 原文
- [[LLM Wiki]] — 核心概念页

140
wiki/示例-学校定制Marp演示.md Normal file
View File

@@ -0,0 +1,140 @@
---
marp: "true"
theme: uncover
paginate: "true"
footer: XX大学 · 计算机科学学院
---
<!-- _class: cover -->
<!-- _paginate: false -->
# 基于深度学习的图像分类研究
### 张三 · 导师：李四 教授
计算机科学与技术专业 · 2026 届硕士毕业答辩
---
## 目录
1. 研究背景与意义
2. 相关工作
3. 方法设计
4. 实验结果
5. 总结与展望
---
<!-- _class: trans -->
## 一、研究背景与意义
---
### 研究背景
- 图像分类是计算机视觉的**基础任务**
- 深度学习在 ImageNet 上取得突破性进展
- AlexNet (2012) → VGG (2014) → ResNet (2015) → ViT (2020)
- 现有方法在**细粒度分类**上仍有提升空间
### 研究意义
> 提出一种基于注意力机制的多尺度特征融合方法，提升细粒度图像分类的准确率。
---
<!-- _class: cols-2 -->
## 相关工作
<div class="ldiv">
### 传统方法
- SIFT + SVM
- HOG 特征
- 词袋模型 (BoW)
- 精度有限，泛化性差
</div>
<div class="rdiv">
### 深度学习方法
- CNN 系列：ResNet, DenseNet
- 注意力机制：SE-Net, CBAM
- Transformer：ViT, Swin
- **本研究的切入点**
</div>
---
## 方法设计
### 整体框架
```python
class MultiScaleModel(nn.Module):
def __init__(self, backbone, num_classes):
super().__init__()
self.backbone = backbone
self.attention = CBAM(channels=512)
self.classifier = nn.Linear(512, num_classes)
def forward(self, x):
features = self.backbone(x)
attended = self.attention(features)
return self.classifier(attended)
```
---
## 实验结果
| 方法 | CUB-200 | Stanford Cars | FGVC-Aircraft |
| --------- | --------- | ------------- | ------------- |
| ResNet-50 | 84.2% | 91.3% | 89.7% |
| SE-ResNet | 86.1% | 92.8% | 91.2% |
| ViT-B/16 | 87.5% | 93.1% | 91.8% |
| **Ours** | **89.3%** | **94.6%** | **93.1%** |
> [!note] 本方法在三个细粒度数据集上均取得了最优结果。
---
<!-- _class: dark -->
### 关键发现
1. **多尺度融合**有效捕获不同粒度的视觉特征
2. 注意力机制使模型聚焦于**判别性区域**
3. 相比 ViT，训练数据量减少 **40%** 仍保持竞争力
---
## 总结与展望
### 主要贡献
- ✅ 提出多尺度注意力融合框架
- ✅ 在 3 个细粒度数据集上达到 SOTA
- ✅ 减少了对训练数据规模的依赖
### 未来工作
- 🔜 扩展到**目标检测**任务
- 🔜 探索**自监督预训练**的集成
- 🔜 在医学影像领域的应用验证
---
<!-- _class: ending -->
<!-- _paginate: false -->
# 谢谢！
### 欢迎提问与讨论