跳到正文
🌾大余之道
返回

llm-知识库

这条视频是某博主分享自己折腾 AI 一个多月的心得,核心就一句话:AI 不替他做菜,但替他管住了过去全部流失的经验。

他要解决的问题 作为个人博主,选题记录在 Excel、灵感在备忘录、资料散在截图照片里,做完一期视频,为什么做、翻过什么车、数据说明了什么,过阵子就忘光。连自己做面食系列更新,都得翻自己以前的视频重学一遍。

他的解法:搭一个 LLM Wiki

但 AI 有边界 做菜、翻车、品尝判断 AI 完全帮不上忙——烤肠翻车十几次,AI 一次都省不了。方法参考卡帕西的 LLM Wiki,但要警惕 AI 幻觉(他亲测 AI 会自己编数据还不承认)。

结语:AI 不能替你思考和判断,但如果你有自己的积累和方向,它能帮你把过去的价值连成系统,走得更远。


视频里他没有指定某个专门的工具,他的收集方式其实是“AI Agent + 一个文件夹形式的 Wiki”,具体是这样的:

收集入口——什么都直接丢给 AI

存储形式——就是一个文件夹

核心思路:他不再维护多个工具(Excel 选题表、备忘录、flomo、人工索引),而是把“记录”和“整理”都外包给 AI Agent——人只管随手丢,AI 负责归到对应主题底下并和已有内容建立连接。

也就是说,关键不在某个收集工具,而在**“一个统一入口 + AI 自动归档 + 文件夹里的互相链接”**这套流程。


卡帕西的 LLM Wiki 是 Andrej Karpathy(前 OpenAI 联合创始人、前特斯拉 AI 总监)在 2026 年 4 月发推分享的一套个人知识库搭建方法。视频里的小川就是参考它做的。

核心思想

把 LLM 当“编译器/程序员”,把知识库当代码库来维护——原始资料丢给 LLM,让它自动“编译”成一份互相链接的 Markdown Wiki,人几乎不亲手写、不亲手改,只负责提问和把关方向。他自己的研究 Wiki 大约有 100 篇文章、40 万字。

系统的三层结构

  1. raw/ 原始资料层:论文、文章、图片等原件,不可改动,LLM 只读
  2. Wiki 层:LLM 生成并维护的 Markdown 文件——摘要、概念词条、实体页、对比分析,页面之间有反向链接
  3. Schema 规则层:一份说明文件(如 CLAUDE.md / AGENTS.md),告诉 LLM 这套 Wiki 的组织规范和维护流程

四个核心操作(不断循环)

和传统 RAG 的区别

传统 RAG卡帕西方法
检索向量数据库 + 相似度搜索LLM 直接读维护好的索引和页面
积累每次问答临时重组,不留沉淀每次探索都归档,知识复利
可追溯向量是黑盒每个结论都能追到具体 .md 文件
维护成本需要向量库、嵌入服务只要一个文件夹

怎么上手

工具很简单:Obsidian 当阅读前端(IDE)+ 一个 Claude Code / Codex 之类的 Agent + 一个 Markdown 目录。卡帕西的原话是“Obsidian 是 IDE,LLM 是程序员,Wiki 是代码库”。他也公开了项目 Gist(gist.github.com/karpathy/…),把原文直接发给你的 AI 就能开工。

局限与争议

一句话概括:这套方法的精髓不是工具,而是“让 AI 增量编译、人只管喂养和提问、所有交互都沉淀回系统”这个工作流。