---
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)