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
- 一个 AI 能读懂、能对话、能自动整理的“活知识库”,内容互相链接,不是普通文件夹
- 过去 10 年的脚本、数据、复盘、商业合作全沉淀进去
- 任何碎片信息(微信截图、炒菜时的语音)直接丢给 AI 归档,从多个记录入口收敛成一个
- 长视频也能让 AI 按账号逻辑拆成短视频,还能用数据发现盲点,不再拍脑袋决策
- 这个 Wiki 相当于账号的“后台操作系统”,任何 AI 工具读了它就能“认识”这个频道
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
- 图片、语音、视频、文本、文章截图、临时冒出来的碎想法,全部直接发给 AI Agent,让它自动归档到对应主题下
- 微信截图:比如合作伙伴问发面饼问题,他回答完直接把聊天截图发给 AI,AI 就把这次对话提炼、归档、连接进知识库
- 飞书语音:在厨房炒菜时突然有想法,打开飞书马上语音发给 AI,不用打字
存储形式——就是一个文件夹
- Wiki 以文件夹形式存在,底层应该就是 markdown 文件(参考卡帕西的 LLM Wiki 方法)
- 但 AI 会自动整理、分类、创建 topic,并在内容之间建链接,所以是“活的知识库”而不是死文件夹
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
- raw/ 原始资料层:论文、文章、图片等原件,不可改动,LLM 只读
- 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
- 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)
- Ingest(摄入):丢进一份新资料,LLM 读完写摘要、更新索引、改写相关的十几个关联页面
- Query(问答):直接对 Wiki 提复杂问题,Agent 自己翻页研究、综合回答;答案可以归档回 Wiki,让知识不断叠加
- Lint(体检):LLM 定期扫描——找矛盾、补缺失(可联网搜)、发现概念之间的新关联、推荐新的研究方向
- 归档输出:回答可渲染成 Markdown、Marp 幻灯片、图表等,存回 Wiki
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
- 网上评价褒贬不一:AI 会产生幻觉(一本正经胡说八道),做成知识库反而会放大,输出可能真假参半——需要人有判断力去审核
- Wiki 全由 AI 写,你很难发现它悄悄写错的地方
- 卡帕西提到下一步方向:用 Wiki 生成合成数据微调模型,让知识“长进”模型权重里,而不只停留在上下文窗口
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。