为什么你学了 100 个项目，不如别人学 10 个
公众号名称：绿蚁红泥天欲雪
作者名称：问答
发布时间：2026-04-05 11:05
收藏夹里躺着 500 个链接，GitHub 上 Star 了 200 个项目，笔记本换过 Notion、Obsidian、飞书文档，但每次真正要用的时候，还是打开 Google 或 AI 从头来。就像西西弗斯推着那块永远到不了山顶的石头一样。
学了不少，但总感觉什么都没攒下来。
直到看到 Karpathy 最近分享的一个方法，我才意识到，问题不在学得不够多，而是学过的东西没有被”编译”过。
四个漏水口
这不是某一个环节出了问题，是整条链路都在漏。获取、加工、调用、输出，四个口，每个都在漏。但最扎心的是两个。
第一个是获取。Star 了 200 个 GitHub 项目，真正读过源码的有几个？大部分连 README 都没看完就点了收藏，然后告诉自己”回头再看”。回头是不可能回头的。你以为点了收藏就是学了，其实只是给焦虑做了一次按摩。
第二个是调用。同一个问题三个月后又遇到，又从头搜一遍。你甚至搜到了自己上次看过的同一篇文章，点进去还觉得挺新鲜。加工和输出的问题更隐蔽：你确实有印象，但让你组织成一段话讲给别人听，讲不出来；要写篇文章或做个调研，之前的积累散落各处，还是得重新查。
四个口，一条链路。学的越多，漏的越多。
这不是你的问题
很多人以为是自己不够自律——笔记没坚持写、知识没定期复盘、方法论没选对。
但你想想，试过 Notion 的人多吧？试过 Obsidian 的呢？试过卡片笔记法、双链笔记、PARA 方法的呢？最后坚持下来的有几个？
不是工具的问题，也不是你懒。是「人来维护知识结构」这件事本身就不可持续。
整理笔记比学习本身还累。你得分类、打标签、建链接、定期回顾、更新过时的内容。这套维护成本迟早会超过你的耐心上限，然后系统就荒废了。每个人都是这样，区别只是坚持到第几周放弃。
说白了，问题不是你该更勤快，而是这活儿本身就不该你干。
让 AI 来「编译」
4 月 2 日，Karpathy 在 X 上分享了他最近的工作方式；4 月 4 日，又把方法整理成了一份 gist，名字就叫《LLM Wiki》。核心思路很简单：
别自己整理了，让 LLM 替你干。
怎么做呢？先把原始资料扔进一个文件夹。文章、论文、代码仓库、截图，什么格式都行，不需要你先整理，先扔进去。
然后让 LLM 把这堆东西“编译”成一个结构化的知识库。注意，不是“帮我写个摘要”那么简单。是让 AI 把散装零件组装成一个有分类、有摘要、有交叉引用的 wiki。概念之间的关系、文档之间的关联，AI 自动建好。你只管扔材料，它负责组织。
最关键的一步：对这个知识库提问，然后把有价值的问答结果再存回知识库。每提一个好问题，知识库就不只是“被查询了一次”，而是被增量更新了一次。
打个比方：你负责买菜回家往冰箱里扔，AI 负责洗切配盘、分门别类码好。你想吃什么，跟它说一声，它直接给你端出来。而且你每次点菜，它就多记住你一个口味偏好。
Karpathy 用这套方法建了一个大约 100 篇文章、40 万字的研究知识库。他原本以为得上向量数据库、RAG 那一套复杂架构，结果发现，在这个规模下未必需要。LLM 自己维护索引和摘要，先读 index.md 这种总目录，再钻进相关页面，已经够用了。
文件组织 + 索引，就够了。
但真正值得你注意的，不是“AI 帮你整理笔记”这句话。
而是它把知识管理这件事，从“每次提问都重新检索一遍”，变成了“平时持续编译，查询时直接调用编译结果”。
这两个模式，差别非常大。
以前我们用 NotebookLM、ChatGPT 文件上传，或者大多数 RAG 系统，本质上都是临时检索。资料在那里，但知识没被真正加工成一个可复用的中间层。你每问一次，模型就重新去翻。
Karpathy 这套方法中间多了一层：wiki。原始资料不动，wiki 持续更新。旧结论被新资料推翻了，改 wiki；两个概念之间多了关联，补 wiki；你问出了一个高价值问题，答案也写回 wiki。
知识不是”被查到”，而是”被编译”了。
我自己的写作素材库，其实已经在往这个方向走。平时读到好文章、看到有意思的 GitHub 项目、刷到值得记的帖子，全部扔进一个素材文件夹，格式乱七八糟也不管。然后让 AI 按主题分类、生成摘要、标注关联。选题的时候不用翻收藏夹，直接查库，AI 会告诉我哪几篇素材跟这个话题相关、之间有什么交叉。用了几个月下来，最明显的感受是：选题变快了，不是因为想法多了，而是素材之间的连接替我想了一半。
网友的一条评论说得精准：
真正的洞察是那个循环——每次查询都让知识库变得更好，它是在自我累积的。
说白了，以前的学习模式是：学了 → 忘了 → 再学，每次都是独立事件。这套方法把模式变成了：学了 → 沉淀了 → 在旧积累上继续学。不是效率技巧，是学习方式的切换。
这套方法到底新在哪
我觉得这套方法至少有三个点，很多人一眼看过去会漏掉。
第一，它不是“第二大脑”旧话重说。
以前第二大脑的问题，不在于理念不对，而在于维护成本太高。你得自己分类、打标签、建双链、补摘要、修过期结论。人一忙，这套系统立刻长草。Karpathy 这套东西的关键，是把最烦、最脏、最不可能长期坚持的维护工作，整个外包给 LLM。
第二，它不是“做一个更高级的搜索框”。
搜索框解决的是“找得到”。wiki 解决的是“下次不用再从零理解”。这两者不是一个层级。前者像每次做饭都重新翻菜谱，后者像厨房里已经备好了半成品，想吃什么直接往前走一步。
第三，它不是一次性笔记，而是一个会自己维护自己的系统。
新资料进来，它更新摘要和索引；你提问，它生成分析，这些结果也能回写；定期还可以让它巡检，清理冲突和过期结论。知识库不是静态的存储，而是持续生长的活物。
不只是做研究
Karpathy 用它做 AI 研究，但这个思路适用于任何「需要持续积累知识」的场景：
比如学一个开源项目，以前你可能看完 README 就去看源码，看到一半忘了前面的设计思路，又得翻回去。现在把 README、核心源码片段、issue 里的关键讨论全扔进去，AI 帮你编译出一份”项目理解文档”，下次直接查库，不用从头看。
跟踪技术趋势、做竞品调研、追一个行业，都是同样的逻辑。平时把文章、帖子、融资新闻、产品更新往里扔，AI 会慢慢长出主题页、时间线、关联图。到你真要写分析或做分享的时候，不是从 30 个标签里翻，而是直接站在已经整理好的地图上看。
共同点是：你只需要持续往里扔素材，AI 负责让这些素材之间产生连接。你扔得越多，连接越密，下一次查询就越高效。
而且成本比你想的低。Karpathy 在 gist 里拆得很清楚，这套系统最小其实只有三层：
- raw sources：原始资料，保持不动
- wiki：LLM 维护的 markdown 页面
- schema：一份规则文档，告诉 LLM 应该怎么增量维护这个 wiki
说白了，一个文件夹，一堆 markdown，再加一份写给 AI 的“操作手册”，就是全部基础设施。
这里还有一个特别妙的比喻，我看完印象很深：Obsidian 是 IDE，LLM 是程序员，wiki 是代码库。你不用自己一行一行维护”知识代码”，你负责判断方向、补资料、提问题，它负责改文件、补链接、维持一致性。
整体的方法在这里，直接复制全文扔给 Claude Code 或 Codex 这类 agent，让它们跟你一起把规则具体化就行：
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
试一下
如果你想今天就试，不用一上来搞“大而全”的第二大脑。照着这个最小版本做就行：
- 建一个文件夹，丢 5-10 篇同一主题的文章进去
- 让 AI 生成三个文件：
index.md、log.md、一组主题页 - 再问它一个需要跨资料综合的问题，比如“这几篇文章对这个主题最大的分歧是什么？”
- 如果答案有价值，让它把这份分析存回知识库
这一步做完，你就已经不是在“记笔记”了，而是在启动一个会自我累积的系统。
不需要完美系统，从一个小主题开始。
你会发现，当知识有了结构，遇到问题时你不再是去搜索引擎碰运气，而是去自己的知识库里查库。
学得多不多不重要，留得下来多少才重要。
参考：
- Karpathy 的 gist《LLM Wiki》：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Karpathy 在 X 上的原帖，发布时间为 2026 年 4 月 2 日：可在 X 搜索
from:karpathy "LLM Knowledge Bases"
#AI #知识管理 #学习方法 #Karpathy #LLM #第二大脑 #效率 #知识库
Original 问答 绿蚁红泥天欲雪