Karpathy 第二大脑工作法：从 raw 到 Wiki 知识库，手把手教你让 AI 自己维护
[!abstract] 核心摘要 2026 年 4 月，AI 界大佬 Andrej Karpathy 公开了一套用 AI 构建"第二大脑"的工作流。他把原始资料丢进文件夹，AI 自动编译成互连的 Wiki 知识库。不用向量数据库，不用 RAG，只要 Markdown 文件和一个像图书管理员一样的 LLM。
01 一条推文，让很多人坐不住了
2026 年 4 月 3 日深夜，Andrej Karpathy 在 X 上发了一条推文。
他是谁？OpenAI 联合创始人、前特斯拉 AI 负责人、"vibe coding"概念的提出者——这么说吧，当他说自己不用 AI 写代码了，整个行业都得停下来听听为什么。
他的原话是：
"我现在很少用 AI 生成代码了，而是用它来组织知识。"
不是那种空泛的理论，而是一套实实在在能跑的系统：他把原始研究资料丢进一个文件夹，让 LLM 自动构建并维护一整个相互链接的 Wiki 知识库。全程不需要人工编辑，AI 自己写文章、在相关概念之间创建反向链接、分类整理，新资料进来时还能自动更新。
他针对一个研究主题构建的 Wiki 已经长到了大约 100 篇文章、40 万词的规模，自己几乎不怎么动手改。
这条推文迅速爆火。第二天，他又跟进了一个"idea file"——一个 GitHub Gist，把完整架构都列出来了，可以直接复制粘贴给 LLM Agent，让它帮你搭建这套系统。
他的逻辑是：
在 LLM Agent 时代，分享具体的代码或应用意义不大了。你只需要分享想法，别人的 Agent 会根据自己的需求定制和搭建。
这篇文章要做的，就是拆解这套系统到底怎么运作、为什么重要，以及哪怕你从来没配过开发环境，也能搭建自己的版本。
02 什么是 LLM Wiki？
大多数 AI 工具的工作方式是这样的：你上传文档，问一个问题，AI 在你的文件里搜索并生成答案。这招管用，但AI 在每次提问后都会忘记一切。下次你再问问题时，它从头开始——重新阅读、重新搜索、重新推导答案。没有东西被保存，没有东西能积累。
LLM Wiki 把这个逻辑翻转过来了。
AI 不是每次都搜索你的原始文档，而是先读一遍你的文档，然后从中构建一个结构化的 Wiki。这个 Wiki 是一群 Markdown 文件——摘要页、产品页、概念页、人物页、对比表格——全部用 Wiki 风格的链接互相连接。
当你添加新文档时，AI 不会从头再来。它读新资料，然后更新现有的 Wiki：在已有页面上添加内容、在需要的地方创建新页面、标记矛盾之处、保持一致性。
**Wiki 是持久存在的产物。它会随时间复利。**你喂的资料越多，它就变得越丰富、连接越紧密。
03 为什么 RAG 不是答案？
如果你用过 ChatGPT 或 Claude 上传文件，那你已经接触过一种叫**RAG（检索增强生成）**的技术。
**它的工作方式是这样的：**你的文档被切成小块，这些小块被转换成数学表示（叫"嵌入"），当你提问时，系统搜索最相似的小块喂给 AI。
这招管用，但有个根本性的局限，一旦你认真用起来就会发现问题。
**每次你提问，AI 都是从零开始重新发现你的知识。**它搜索、检索一些片段，然后拼凑出答案。没有什么东西能积累下来。如果你问的问题需要串联五份不同文档里的想法，系统就得每次都重新找到并拼好这些碎片。
没有记忆，没有结构，没有想法之间的关系地图。
Karpathy 的做法不一样。LLM 不是每次查询都去翻原始文档，而是先读一遍原始材料，把它们"编译"成结构化的 Wiki：摘要、概念文章、反向链接、对比分析、索引，一应俱全。等你之后再提问时，AI 不需要搜索向量数据库，直接读相关的 Wiki 页面就行——这些页面里已经是经过整合、组织好的信息了。
用 VentureBeat 的报道来说，这套系统里的 LLM不是在当搜索引擎，而是在当研究图书管理员——一个主动撰写并维护持久记录的图书管理员。而且因为所有内容都是纯 Markdown 文件，你自己也能读，没有黑箱。每个论断都能追溯到具体的文件，用任何文本编辑器都能打开、阅读、编辑。
04 系统架构：三层就够了
Karpathy 的系统分好几层。我结合他分享的示意图，用不需要计算机科学学位也能懂的方式来讲。
第一层：原始资料（你的研究材料）
这是最底层，是地基。你收集文章、研究论文、图片、数据文件、代码仓库——任何跟你研究主题相关的东西，统统放进一个叫 raw/ 的文件夹。
这里的规则很简单：这个文件夹是"真相来源"。LLM 可以读，但绝不能写或修改。你的原始材料保持原样不动。
对于网页文章，Karpathy 用的是 Obsidian Web Clipper 浏览器扩展，一键就能把网页转成 Markdown 文件。他还会把相关图片下载到本地，这样 LLM 可以直接引用，不用依赖可能失效的网页链接。
你其实不需要什么高级工具。把 PDF 存到文件夹里、复制粘贴文章到文本文件、下载研究论文——这些都行。关键是把原始材料集中到一个地方。
第二层：Schema（给 LLM 的指令）
这是大多数人忽略的部分，但恰恰是让系统稳定运行的关键。
在 LLM 碰任何数据之前，你先给它一个配置文件——Karpathy 管它叫 CLAUDE.md（如果你用 Claude Code）或者 AGENTS.md（其他工具）。这个文件告诉 LLM：Wiki 应该怎么组织、页面格式用什么、命名规范是什么、摄取流程怎么运作。
**把它想象成 AI 的员工手册。**没有它，LLM 每次组织的方式都不一样。有了它，每次编译都遵循同样的结构，输出一致的结果。
你不需要从头写这个文件。Karpathy 的 GitHub Gist 就是这个——你直接复制粘贴到你的 LLM Agent，它就知道怎么建 Wiki 了。
第三层：Wiki（LLM 构建的东西）
这是系统的核心。LLM 读你的原始资料，然后"编译"成结构化的 Markdown 文件集合。Karpathy 的 Wiki 包含好几种页面类型：
-
实体页面（Entity pages）：涵盖研究中提到的具体人物、组织或项目。比如你在研究 AI 安全，三篇论文都提到同一个研究者，LLM 就会给这个人创建一个页面，从三篇资料里提取信息整合起来。
-
概念页面（Concept pages）：涵盖想法、方法和理论。如果多篇论文讨论同一种技术，LLM 会写一篇专门的文章解释它，并附上原始资料的引用。
-
摘要（Summaries）：每份原始资料都对应一个摘要页面，提炼关键点，你不用读完整篇原文就能掌握要点。
-
对比页面（Comparison pages）：把相关想法放在一起对比。如果两篇论文对同一个问题提出了 competing 的方案，LLM 会写一篇对比分析，把差异点都列出来。
-
综合页面（Synthesis pages）：围绕某个主题，把多份资料串联起来给出概述。
Wiki 里还有两个特殊文件：
index.md：按类别组织的主目录log.md：按时间顺序记录所有添加或变更的内容
页面之间用 Wiki 风格的 [[反向链接]] 互相连接，用 YAML frontmatter（元数据头）做分类，还可以用 Git 追踪版本历史。
**最关键的一点是：LLM 负责写和维护这一切。**你不需要手动创建页面、写摘要、加反向链接，AI 干这些活。你的工作是筛选放进 raw/ 文件夹的内容，以及提问。
05 三大操作：Ingest、Query、Lint
结构搭好之后，三个操作让系统持续运转：
1. Ingest（摄取）
当你添加新资料时发生的事。你把一篇新文章或论文丢进 raw/ 文件夹，LLM 读它、提取重要信息，然后更新 10-15 个 Wiki 页面——必要时创建新概念页面、更新现有页面、添加反向链接、刷新摘要。
**这是增量式的。**LLM 不会每次都从头重建整个 Wiki，它只读新资料，然后把它整合进现有结构。Karpathy 把这个过程叫做"编译"——这是从编程里借来的词，源代码被翻译成可执行的东西；在这里，原始研究被翻译成有组织的知识。
2. Query（查询）
当你提问时发生的事。LLM 搜索 Wiki 的索引，读相关页面，然后综合出答案。因为 Wiki 里已经有组织好、互连的摘要，AI 能回答那些需要串联多份资料的复杂问题——这正是传统 RAG 系统搞不定的。
Karpathy 说，40 万词的规模下，LLM 用自己的索引文件和摘要就能很好地导航 Wiki，不需要向量数据库、不需要嵌入、不需要相似度搜索，只要结构化的 Markdown，AI 就能读并推理。
3. Lint（清理）
这是维护环节。每隔一段时间，你让 LLM 扫描 Wiki 找问题：页面之间的矛盾、没有任何链接的"孤儿页面"、提到了但没有自己页面的重要话题、可能需要更新的老化信息。LLM 会标记这些问题，还能自动修复很多。
用社区成员在 Karpathy 帖子下的评论来说：
它就像一个活的 AI 知识库，真的能自我修复。
06 输出层：让知识回流
这里是实际落地的地方。Karpathy 不让答案只以纯文本形式出现在聊天窗口，而是让 LLM 生成他能用 Obsidian 查看的文件：
-
Markdown 页面：成为 Wiki 本身的一部分。当他问一个复杂问题并得到详尽答案时，他把答案"归档"回 Wiki。这意味着他自己的探索和查询一直在增值——每个问题都让知识库更丰富。
-
幻灯片演示：用 Marp 格式（一种把 Markdown 转成幻灯片的工具）。如果需要展示研究发现，LLM 直接生成幻灯片。
-
图表和可视化：用 matplotlib（一个图表库）。Wiki 里的数据被转成可视化呈现。
-
对比表格：用结构化格式把想法并置对比。
核心洞察：输出会回流到 Wiki 里。系统每用一次就变得更聪明。
07 实际怎么搭建？最小可行版本
你不需要是开发者。下面是最小可行版本：
第一步：安装 Obsidian
去 obsidian.md 下载免费应用，Mac、Windows、Linux 和手机端都能用。Obsidian 是个笔记应用，用存储在你电脑上的纯 Markdown 文件工作。它是你的"IDE"——你在这里查看和浏览 Wiki。
第二步：创建文件夹结构
在你的 Obsidian Vault（就是 Obsidian 用的那个文件夹）里创建两个子文件夹：raw/ 放原始资料，wiki/ 放编译输出。结构就这么简单。
第三步：安装 Obsidian Web Clipper
这是个免费的浏览器扩展，让你一键保存任何网页为 Markdown 文件。找到想加进知识库的文章，一键剪藏到 raw/ 文件夹。
第四步：开始收集原始资料
选一个你在研究或学习的主题，存 5-10 篇文章、论文或其他文档到 raw/ 里。这个阶段不用管组织——那是 LLM 的活儿。
第五步：设置你的 LLM Agent
这部分最需要技术熟练度，但 2026 年已经变得简单多了。你有几个选择：
- 用 Claude 的话，小 Wiki 可以直接用文件上传功能；大 Wiki 可以用 Claude Code（Anthropic 的命令行工具）直接操作你电脑上的文件。
- 用 Codex、Cursor 或其他编程 Agent，它们也能读写本地文件。
非技术用户最简单的做法：打开你常用的 AI 聊天工具，上传 raw/ 文件夹的内容，粘贴 Karpathy 的 idea file（从他的 GitHub Gist）作为指令，让 LLM 从你的资料编译一个 Wiki，把输出的 Markdown 文件存到 wiki/ 文件夹。
第六步：复制 Karpathy 的 idea file
去 gist.github.com/karpathy/442a6bf555914893e9891c11519de94f 复制整个 Gist。这是你的 schema——告诉 LLM 怎么构建和维护 Wiki 的指令。开始编译会话时把它作为上下文粘贴进去。
第七步：运行第一次编译
告诉 LLM 类似这样的话：
读
raw/文件夹里的所有文档。给每篇写一个摘要。然后识别所有资料里的主要概念、人物和组织。为每个创建 Wiki 页面，加上反向链接。创建一个按类别编目的index.md，还有一个记录处理内容的log.md。
LLM 会生成一组 Markdown 文件，把它们存到 wiki/ 文件夹，打开 Obsidian 浏览。
第八步：开始查询
现在你可以对着 Wiki 提问了。让 LLM 能访问 Wiki 文件，然后问：
"根据 Wiki，作者 X 和 Y 在主题 Z 上的主要分歧是什么？"
或者
"总结我们对概念 A 的所有了解，以及它和概念 B 的关系。"
答案会基于你的实际研究，而不是 LLM 的通用训练数据。
第九步：归档输出
得到好答案时，把它存成新的 Markdown 文件放进 Wiki。时间长了，你的探索和 Wiki 编译的知识会融合成比单独任何一个都更丰富的东西。
第十步：运行 Lint
每隔几周（或者 Wiki 明显增长时），让 LLM 扫描问题：孤儿页面、矛盾、缺失的概念文章、过时的信息。修复发现的问题。Wiki 会随着时间的推移越来越紧凑。
08 为什么这比你现在用的方法好？
大多数人管理研究资料就三种方式：浏览器书签（存了再也不看）、笔记应用里零散的条目、会话结束就消失的聊天记录。这三种都有同样的问题：没有任何东西相互连接，没有任何东西能随时间积累。
Karpathy 的系统解决了这个问题，因为 LLM 维护着连接。当你添加一份新资料提到 Wiki 里已有的概念时，LLM 会更新现有的概念页面并添加反向链接。你不需要记得三周前在哪篇论文里读过这个概念——系统帮你记着。
另一个优势是原始真相和编译知识的分离。你的原始资料永远不会被修改，Wiki 是上面的一层——一个你可以重新生成、编辑或丢弃的解读层，不会丢失任何原始材料。如果 LLM 误解了什么，你在 Wiki 里修正，不用动原始文件。
而且因为一切都是你自己电脑上的纯 Markdown，没有厂商锁定、没有订阅费、没有云依赖。就算 Obsidian 明天倒闭了，你还是有一文件夹的文本文件，用任何工具都能打开。
09 真正有意思的地方在哪里？
Karpathy 提到了一个值得思考的未来方向：当你的 Wiki 干净、全面、链接良好时，你可以用它生成合成训练数据，微调一个更小的 LLM，让它真正在权重里"知道"这些信息。你会从一个 AI 在查询时读取的知识库，变成一个内化了整个研究领域的专用模型。
这还是个高级用法。但更直接的应用已经足够让人兴奋。企业家 Vamshi Reddy 在 Karpathy 的帖子下有个观察让我印象深刻：
每家公司都有一个
raw/目录，但从来没人编译过它。那才是真正的产品。
想想看。每家公司都有一堆没人找得到、连得起来的 Slack 聊天记录、会议纪要、内部文档、产品规格和研究资料。同样的 Wiki 模式适用于所有这些场景：竞争分析、尽职调查、旅行规划、读小说系列时追踪人物和情节线、学习新技术领域、备考……
**这个系统与领域无关，因为 schema 层吸收了所有领域特定的配置。**改一下你的 CLAUDE.md 文件里的指令，同样的架构就能编译出不同类型的 Wiki。
10 它做不到什么？
有一位 Substack 作者说得特别实在，我觉得这句话值得我们记下来。
LLM 在"侦察"阶段确实很强——它能帮你把地形画得清清楚楚，把散乱的信息整理得井井有条，还能找出你自己可能忽略的那些关联。
但真正形成自己的原创观点，这活儿还是得人来干。
他提到了德国社会学家 Niklas Luhmann，那位用一辈子手写卡片笔记闻名于世的人。Luhmann 一直强调：用自己的话把东西写下来，那种"摩擦感"不是浪费时间，而是理解真正发生的时刻。读别人总结的东西，和自己亲手提炼，完全是两码事。
所以，对 Karpathy 这套系统，我们得说句大实话：
它把整理、连接、维护资料这些最烦人的苦活儿全包了——这些事人类本来就不擅长，也最容易犯懒。
但它代替不了你去思考。
AI 把地图画好了，你还是得自己去走。
这其实是笔挺划算的交易。
11 今天就能开始
如果你想试试，这里是最少需要的步骤：
- 从 obsidian.md 下载 Obsidian（免费）
- 安装 Obsidian Web Clipper 浏览器扩展
- 创建一个有
raw/和wiki/文件夹的 Vault - 剪藏 5-10 篇你关心的主题文章到
raw/ - 从 Karpathy 的 GitHub Gist 抓取他的 idea file
- 把它粘贴到你选的 LLM，附上你的原始文件
- 让它编译一个 Wiki
从小处开始，以后随时可以加更多资料。这套系统设计成增量增长的——每份新资料都整合进现有结构，不是从头处理。
如果几周后，你发现自己有一个 50 页的互连 Wiki（几乎没怎么编辑）、一个能用你自己的资料引用回答复杂研究问题的系统、一个越用越好的知识库——那你就会明白为什么 Karpathy 的推文会爆火。
瓶颈从来不是写代码，而是对问题的理解深度，知道该建什么。现在有了一套系统来解决这个问题。