Karpathy 的 LLM Wiki：会生长的 AI 个人知识库

2026年，如果你想搭建AI个人知识库，记住一个名字就够了：Karpathy的LLM Wiki，它会自动把你收藏的所有资料，变成一张会生长的知识网络。

Karpathy这个名字，相信大家都并不陌生啊，他是OpenAI的联合创始人，前特斯拉AI总监，AI圈顶流博主。前段时间啊，他在GitHub上发布了LLM Wiki，AI圈直接炸锅了。那这个东西是干嘛的呢，我先问你一个问题，你有给AI上传过知识库吗？如果用过，那你有没有发现，不管用了多久，它一点都没变聪明？这就是传统AI知识库的死穴。不管你用RAG做向量检索，还是让Agent直接遍历文档，本质上都一样。AI就跟你的秘书一样，你每次问它问题，它都要跑去档案柜里把原始材料翻一遍，看完再把答案给你。下次再问，又会翻一遍，这效率和工作质量太低了。

Karpathy看透了这一点，所以他干了一件很不一样的事，他把AI从"解释器"升级成了"编译器"。

什么意思呢？在他新提出的LLM Wiki这套体系里，AI将不再是每次翻资料的秘书，取而代之的是一个知识库工程师。打个比方，你有一个素材库，里面放所有原始资料，文章、论文等等啊。有了LLM Wiki，AI会主动把这些东西消化成一套结构化的Wiki。Wiki里面不是简单复制粘贴的资料，它会把原始资料分为实体页、概念页、主题总结页，并且把彼此之间会串起来形成一张知识网络。这个时候你再问AI，它会查Wiki，而不是再从头翻阅原始文件。甚至回答完你，答案还能存回Wiki，实现知识库的迭代。

那这套系统具体是怎么跑起来的呢？其实就三步，我用一个具体案例给你讲一遍。

假设你是一个研究员，雇了一个AI助理Wiki。你往素材库里扔了一篇新文章，AI助理会自动检测并先通读一遍，然后去翻Wiki里已有的所有内容：有重复的地方，更新补充；有全新的概念或人物出现，新建页面；有矛盾的位置，标记出来提醒你。这一步做完，这篇新文章就不再是孤立的文档，而是被"缝合"进了你的知识网络。你看，光是这一步，传统RAG根本就做不到。

这还没完，最绝的是，你问它问题，它回答完后，还会自动把有价值的答案写回Wiki。这样下次你再问类似的问题，它就不用再重新翻阅资料了。更厉害的是，它还能自己给自己做体检。比如哪些概念有矛盾？哪些页面写了但从来没人引用？它都会自己把这些问题列成报告，告诉你问题情况。

这三步走完，你就建立了一个会不断进化的知识底座，这就是LLM Wiki跟传统AI知识库最本质的区别。

不过说真的，我觉得LLM Wiki真正颠覆的，是它第一次给了人和AI一个清晰的边界。Karpathy的LLM Wiki架构，严格规定了哪些必须人做，哪些可以授权给AI，AI干了什么都可以被审查。一个目录结构，就是一份人机协作的操作说明书。并且这套方法还不挑工具，任何agent工具都能用。我自己已经在知识库上跑通了，把Wiki融合进去之后，原本一大堆文档检索效率大幅提升，在Obsidian里查看也特别方便。

所以如果你今年想搭一个真正靠谱的AI知识库，别走弯路了。试试Karpathy这套方法，这才是AI知识库该有的样子。