llm_wiki/wiki/LLM Wiki.md

categories, tags, created, source, type, aliases, marp

categories	tags	created	source	type	aliases	marp
LLM Wiki	wiki llm knowledge-management 知识管理/方法	2026-04-07	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	concept	LLM Wiki 模式 持久化知识库	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

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