Karpathy 的 LLM Wiki 火了，我改造了一下，比原版更好用

Apr 06, 2026

参考：Karpathy’s LLM Wiki Gist

AI 界的全球顶流 Andrej Karpathy 发了一个 Gist，讲怎么用 LLM 来管理个人知识库，现在超级无敌火爆。我仔细看了一遍他的方案，从建立个人 Wiki 的角度来说，方案很优雅，但直接照搬不现实，因为 AI 研究者和我这种 AI 内容创作者的需求差太远了。

其实我用 OpenClaw + Obsidian 来做个人知识库管理的实践，已经有 2 个多月了，有很多自己的心得。这次结合他的方法论，升级了我的方案，打造了一套既优雅、又实用的 AI 知识库管理，分享给大家。

Karpathy 想解决什么问题

一句话：别让 AI 每次都从零开始帮你想，让它帮你把知识攒起来。

你肯定有过这种体验 — 同一个问题，换个 session 问 AI，它又从头推导一遍。之前聊过的上下文全丢了。Karpathy 的解法是：让 LLM 把每次对话中产生的知识，沉淀成 Markdown 文件。下次再问，AI 先翻已有的笔记，在这个基础上往前推。

知识像滚雪球一样越攒越多，交叉引用越来越密，AI 对你的领域理解越来越深。

他的原话：

“维护知识库最累的不是阅读和思考，而是记账。”

读文章、判断价值、决定方向 — 这些是人该干的事。但整理格式、更新链接、维护索引、检查哪篇过时了 — 这些 bookkeeping 的活，交给 AI 干最合适。

Karpathy 方案的核心设计

三层架构

思路很清晰：原始输入、加工产物、操作规则，三件事分开管。

三个核心动作

Ingest（入库） — 新资料进来时，AI 读一遍，写摘要，判断该放哪，更新相关页面的链接，追加到索引。一条龙。

Query（查询） — 问 AI 一个问题，它在 Wiki 里搜相关内容，综合回答。关键是：如果查的过程中发现了新关联（比如两篇笔记其实在讲同一件事但没互相链接），AI 会把这个发现写回 Wiki。查询本身也在改进知识库。

Lint（健康检查） — 定期让 AI 扫一遍，找出问题：哪些页面成了孤岛没人引用？哪些内容太久没更新该过时了？哪些概念出现了矛盾？

两个特殊文件：index.md 按主题做全局目录，log.md 记录时间线。

我的方案：同样的思路，不同的落地

我的工具栈是 Obsidian + OpenClaw + Claude Code，通过 AGENTS.md 定义操作规则，不绑定特定 AI 工具。

从三层变成五层

Karpathy 的 Wiki 是个终点 — 知识沉淀下来就完了。但我做内容创作，知识存着不用等于没有。所以我的系统多了两层。

Notes/（输入层）
  ├── Clippings/    网页剪藏
  ├── Inbox/        碎片想法
  └── Conversation/ 跟 AI 的有价值对话
        ↓ Ingest 分发
Knowledge/（知识层）    方法论、读书笔记、原创思考
Software/（技能层）      工具技巧、开发思考、产品研发计划
LifeOS/（行动层）        投资、健康、保险、联系人
        ↓ 素材调用
Writing/（产出层）       视频脚本、文章、运营 SOP

行动层意味着知识要落地。投资笔记不是写完就完，要指导真实的交易决策。健康计划要变成每周的训练安排。

产出层意味着知识要变成产品。视频、文章、课程 — 知识库是弹药库，写作才是开枪。