--- title: "刚刚，Karpathy 开源个人 LLM Wiki" source: "https://mp.weixin.qq.com/s/vYVx8yf9eoTGXSWIrpOZ6Q" author: - "[[J0hn]]" published: created: 2026-04-07 description: "不是代码，是一份 75 行的「idea file」，丢给你的 Agent 就能跑。" tags: - "clippings" rating: 4 --- 原创 J0hn *2026年4月5日 09:01* Karpathy 的一条帖子，3 天拿下 4.3 万点赞、1200 万浏览，直接炸了。 ![图片](https://mmbiz.qpic.cn/mmbiz_png/ZKqVLiaIpzFlgLAynl1AFvb86Qf2iamFn55ysBhXmMe7xBSosbo3Rd5hScCHwTMe8Ju8ovZl3v46ibvpw8YrYdvt0g9mFRkbkJ3ah6Ve3ltibMo/640?wx_fmt=png&from=appmsg&watermark=1&tp=webp&wxfrom=5&wx_lazy=1#imgIndex=0) ![图片](https://mmbiz.qpic.cn/sz_mmbiz_png/ZKqVLiaIpzFmmUwicxcJklnVvZHhsp8lAgen5Xwkmu8sYiatHnnvxLMql5KIMfJqJCNqsiaPJsobbt2UmJGic5WQHdvr9KBD7eicPySMJ0gzJEGJI/640?wx_fmt=png&from=appmsg&watermark=1&tp=webp&wxfrom=5&wx_lazy=1#imgIndex=1) 两天前，Karpathy 在 X 上发了一条长帖，标题是： **LLM Knowledge Bases** 。 他说自己最近花在 LLM 上的 token，越来越少用来写代码了，更多是在「操控知识」。 > “ 我最近发现了一个非常有用的东西：用 LLM 来为各种研究兴趣构建个人知识库。这样一来，我最近的 token 消耗中，有很大一部分不再是用来操控代码，而是用来操控知识（以 Markdown 和图片的形式存储）。 两天后，他把这套方法论写成了一份 gist 发到 GitHub 上，开源给所有人。 ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 但这份开源，跟以往的不太一样。 01 ## 不是代码，是想法 Karpathy 这次开源的不是一个 repo，不是一个框架，甚至不是一段脚本。 ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 是一份……75 行的 Markdown 文件，他叫它 **idea file** 。 Karpathy 说： > “ 在这个 LLM Agent 的时代，分享具体的代码或应用已经意义不大了。你只需要分享想法，然后对方的 Agent 会根据你的具体需求来定制和构建。 你可以把这份文件直接丢给 Claude Code、OpenAI Codex 或者任何你喜欢的 Agent，它就能帮你搭建出你自己的 LLM Wiki，并指导你怎么用。 ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 换句话说： **开源的不再是代码，而是思路。** 造词大师 Karpathy 还顺便又造了个新词。 有人在评论区回复他，他提到 Peter Steinberger 跟他说，以后 PR 应该叫 **Prompt Request** ，而不是 Pull Request。因为 Agent 完全有能力自己实现大多数想法，没必要把你的想法用免费版 ChatGPT 写成一坨 vibe coding 的代码再提交。 02 ## 所以到底是啥 简单来说，Karpathy 搞了一套系统：让 LLM 帮你把乱七八糟的资料「编译」成一个结构清晰、互相链接的 Markdown Wiki。 传统的 RAG 大家都知道：你上传一堆文件，LLM 每次提问时去检索相关片段，然后生成答案。NotebookLM、ChatGPT 文件上传，基本都是这个思路。 问题在哪呢？ **每次提问，LLM 都在从头发现知识。没有积累。** ![RAG 每次从头来 vs LLM Wiki 知识持续积累](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) RAG 每次从头来 vs LLM Wiki 知识持续积累 Karpathy 的做法不同。 他让 LLM 读完原始资料后，不只是建索引等着被查询，而是主动把关键信息提取出来，整合到一个持续维护的 Wiki 里：更新实体页面、修订主题摘要、标注新旧数据之间的矛盾、不断强化已有的综合分析。 **知识被「编译」一次之后，就持续保鲜，而不是每次查询都重新推导。** 这就像把你的研究资料交给一位全职的图书管理员，他不会忘记更新交叉引用，不会厌烦琐碎的整理工作，一次操作就能同时修改 15 个文件。 03 ## 三层架构 ![LLM Wiki 三层架构](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) LLM Wiki 三层架构 LLM Wiki 三层架构 **原始资料层** ，也就是 `raw/` 目录。文章、论文、图片、数据集，统统往里扔。这一层是只读的，LLM 只看不改。 **Wiki 层** ，一堆 LLM 生成的 Markdown 文件。摘要、实体页、概念页、对比分析、综述。全部由 LLM 自动创建和维护，你只负责阅读。 **Schema 层** ，一个配置文件（比如 Claude Code 的 CLAUDE.md）。它告诉 LLM 这个 Wiki 怎么组织、遵循什么规范、遇到不同操作该走什么流程。 **这是把 LLM 从通用聊天机器人变成专业 Wiki 维护者的关键。** 04 ## 怎么跑 日常使用主要是三个操作： **灌入** 。把新资料丢进 raw/ 目录，告诉 LLM 去处理。LLM 读完之后会跟你讨论要点，写一页摘要，更新索引，然后跑去更新 Wiki 里所有相关的实体页和概念页。一份资料可能会触发 10 到 15 个页面的更新。 **提问** 。向 Wiki 提问。LLM 会搜索相关页面，读完之后综合出一个带引用的回答。回答可以是 Markdown、对比表格、Marp 幻灯片、matplotlib 图表，各种格式都行。关键的一步是： **好的回答可以被归档回 Wiki，变成新的页面。** 你的每一次探索，都在给知识库「添砖加瓦」。 **巡检** 。定期让 LLM 对 Wiki 做一次「体检」：找矛盾、补缺失、发现新的关联、标记需要深入研究的方向。LLM 还挺擅长给你出下一步的研究题目。 ![灌入、提问、巡检的知识循环](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 灌入、提问、巡检的知识循环 Karpathy 说自己平时就是一边开着 LLM Agent，一边开着 Obsidian。LLM 在对话中做编辑，他在 Obsidian 里实时看结果，点链接、翻图谱、读更新后的页面。 > “ Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。 他在一个研究方向上积累了大约 **100 篇文章、40 万字** 。本来以为得上花哨的 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算顺畅。 05 ## 评论区 这条帖子的评论区也是相当热闹和优质，Karpathy 自己就回了几十条。 有人问怎么用它来读书。Karpathy 的建议是：用 epub 格式而不是 PDF，一章一章地喂给 LLM，让它边读边整理。 > “ 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。 还有人问他底层用了什么技术栈。答案是：就是一个嵌套目录，里面是 `.md` 文件和 `.png` 图片，再加几个 `.csv` 和 `.py` ，Schema 写在 AGENTS.md 里。 没有数据库，没有框架。 Karpathy 还补了一个操作细节：他目前是手动添加每一份资料的，一份一份来，全程在线参与。等 LLM「学会」了这个 Wiki 的模式之后，后面再加新文档就轻松了，只需要说一句「把这份新文档归档到我们的 Wiki：（路径）」就行。 Obsidian 的创始人 Steph Ango 也在评论区出现了，提出了一个叫「Contamination Mitigation」的概念：建议把个人的笔记库和 Agent 的工作区分开，让 Agent 在一个「乱一点的」空间里折腾，整理好的成果再搬回你的主库。Karpathy 对此表示认同，他的 raw/ 目录就是起这个作用的。 有人问他会不会出个视频教程。Karpathy 说： > “ 我刚好也在想这个。 06 ## Farzapedia Karpathy 帖子炸了之后两天，一个叫 Farza 的开发者就搞出了一个让人眼前一亮的实践。 ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) Farza 的 Farzapedia 演示 Farza 让 LLM 从他的 2500 条日记、Apple Notes 和一些 iMessage 对话中，生成了一个 **关于他自己的个人维基百科** 。 ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) 这个 Wiki 包含 400 篇详细文章，涵盖了他的朋友、创业项目、研究方向，甚至他最喜欢的动漫以及这些动漫对他的影响，全部带有反向链接。 ![Farzapedia 个人知识百科的工作流程](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) Farzapedia 个人知识百科的工作流程 注意，关键在于： > “ 这个 Wiki 不是给我看的，是给我的 Agent 看的。 Wiki 的文件结构和反向链接对任何 Agent 来说都非常容易爬取。他可以在 Wiki 上启动 Claude Code，Agent 从 index.md 出发，就能精准定位到需要的页面。 举个例子：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 就自己跑去翻他的 Wiki，拉出了吉卜力纪录片的笔记、YC 公司落地页的截图，甚至是他几年前保存的 1970 年代甲壳虫乐队周边的照片，然后给出了一个相当靠谱的回答。 Farza 说他一年前用 RAG 做过类似的系统，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。 07 ## Karpathy 点赞 Karpathy 看到 Farzapedia 之后专门发了一条帖子，列出了这种方式做 AI 个性化的四个优势： ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) **可见。** 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。 **你自己的。** 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。 **文件优先。** 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 来处理它们。想用 Obsidian 看就用 Obsidian，想自己写个界面也行。 **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。 ![图片](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) Karpathy 还总结道： > “ 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。 08 ## 一个 80 年前的梦 Karpathy 在 gist 里提到了一段 81 年前的往事。 1945 年，Vannevar Bush 提出了 **Memex** 的概念：一个私人的、经过整理的知识库，文档之间有关联性的「踪迹」相互连接。Bush 的愿景其实比后来的万维网更接近 Karpathy 现在做的事情：私密的、主动整理的、文档之间的连接和文档本身同样重要。 **Bush 没能解决的问题是：谁来做维护？** 81 年后……答案来了：LLM。 它不会忘记更新交叉引用，不会觉得整理工作无聊，一次操作就能触及几十个文件。Wiki 能持续保持更新，因为维护的成本趋近于零。 09 ## 从 vibe coding 到知识编译 回头看 Karpathy 这两年的轨迹，能看到一条清晰的演进线： 2025 年 2 月，他造了 **vibe coding** 这个词，意思是写代码的时候完全「跟着感觉走」，让 AI 写，自己不看。 2025 年底，他提出了 **Agentic Engineering** ，用 AI Agent 来写代码，但加上了人类的监督和审查。 2026 年 4 月，LLM Knowledge Bases。这回 LLM 操控的……不再是代码，而是知识本身了。 ![Karpathy 的思想进化路线](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) Karpathy 的思想进化路线 **Markdown 正在成为 AI 时代的编程语言。** 不管是指导 Agent 的 CLAUDE.md，驱动研究的 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。 10 ## 动手试试 如果你想试试，上手门槛其实不高。 把 Karpathy 的 gist 内容复制给你的 Agent，然后说：「帮我建一个关于 XX 的 LLM Wiki」。Agent 会帮你创建目录结构、写好配置文件、引导你完成第一次资料灌入。 Karpathy 推荐了几个工具： - **Obsidian** 作为浏览和可视化 Wiki 的 IDE - **Obsidian Web Clipper** 浏览器插件，一键把网页文章转成 Markdown - **qmd** ，一个本地的 Markdown 搜索引擎，支持 BM25 和向量混合搜索，全部在本地运行 - **Marp** 插件，直接从 Wiki 内容生成幻灯片 - **Dataview** 插件，对页面元数据做查询，生成动态表格 整个 Wiki 说到底就是一个 Markdown 文件的 Git 仓库，版本历史、分支、协作，全都是现成的。 **Karpathy 自己也承认，目前这套系统还是「一堆拼凑的脚本」。** 但他觉得这里面有一个巨大的产品机会，应该有人来把它做成真正好用的产品。 Yuchen Jin 用 Claude Agent 画了一张架构图来总结这套模式，顺便问了 Karpathy 一个问题：你会开源你自己的个人 LLM Wiki 吗？想象一下，如果牛人们都发布自己的 living wiki，那会是什么样的世界。 ![Yuchen Jin 用 Claude Agent 生成的 LLM Wiki 架构图](data:image/svg+xml,%3C%3Fxml version='1.0' encoding='UTF-8'%3F%3E%3Csvg width='1px' height='1px' viewBox='0 0 1 1' version='1.1' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink'%3E%3Ctitle%3E%3C/title%3E%3Cg stroke='none' stroke-width='1' fill='none' fill-rule='evenodd' fill-opacity='0'%3E%3Cg transform='translate(-249.000000, -126.000000)' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E) Yuchen Jin 用 Claude Agent 生成的 LLM Wiki 架构图 **人负责选题、判断和思考。** **LLM 负责剩下的一切。** ◇ ◆ ◇ 相关链接： 继续滑动看下一个 AGI Hunt 向上滑动看下一个 搜索范围 全网 文库 学术 所有文献 所有文献 中文库 英文库 --- PubMed 北大核心 中科院分区 全部 --- 中科院1区 中科院1-2区 中科院1-3区 JCR 全部 --- JCR：Q1 JCR：Q1-Q2 JCR：Q1-Q3 SCIE EI 图片 视频 播客 我的 全部 我的 通识-持续更新 知识库obsidian 秘塔AI入门精选和使用技巧 AIforEDU AI全栈提示词助手prompt专家 Download | Tailscale 营养师 芯片·半导体 行业全景库（持续更新） 慢成长图书馆（持续更新） 心灵工具箱 强度 深入 简洁 深入 深度研究 先想后搜 先搜后扩 科技新闻