如何搭建 Karpathy 的 LLM Wiki？可能是全网最易用的保姆级教程

公众号名称：绿蚁红泥天欲雪

作者名称：问答

发布时间：2026-04-08 08:15

karpathy 的 LLM Wiki 的推文快速点燃整个 AI 圈，随后他也快速给出了完整的 idea 文件。两天时间，5000+ 星标，1400+ 复刻。

大部分人都会收藏这个 Gist，但什么都不做。

不是因为这有多难。而是因为没人给他们清晰的操作和现成的提示词。这篇文章就是解决这个问题的。

我自己也花时间研究和实践了下，下面是我做的 LLM Wiki 的架构图（可快速了解你理念和流程）和基于 Dan Koe 的所有文章生成的 Wiki 截图。Wiki 的体验还不错，但细节需要打磨。

聪明的你一定一眼能看到这张图的重点在：信息提取，即压缩生成Wiki。我相信这一部分随着此概念的爆火，会有专业人士做成工程化的方案和产品出来。

以下是译文，写的很详细，只需按步骤复制粘贴就可实现一个自己的初版。

作者：godofprompt
原文：karpathy’s second brain: how to build it

10万人收藏了 karpathy 的推文

本文会带你走完整个系统，交给你每一步都能直接复制粘贴的提示词，并告诉你这套系统会在哪些地方崩掉，这样你就不会在一个根本无法规模化的事情上浪费整个周末。

“人类的工作是筛选来源、引导分析、提出好问题，然后思考这一切意味着什么。大模型的工作就是除此之外的所有事。” — Andrej Karpathy

核心概念（60秒版）

你的知识散得到处都是。文章存在四个不同的 App 里。2023年的书签你永远不会再看。会议笔记躺在一个你早就忘了存在的文件夹里。

现在，当你向 AI 问一个关于自己资料的问题时，它每次都从零开始。上传文档、提问、得到答案。下次会话？它忘得一干二净。ChatGPT 文件上传、NotebookLM，以及大多数 RAG 系统都是这么工作的。零积累。

Karpathy 的想法把这一切倒过来了。

AI 不再每次都去检索你的原始文件，而是只读一次你的来源，就编译出一个结构化的 wiki。摘要、交叉引用、观点之间的关联、矛盾标记。

全部由 AI 维护。全部以简单的 markdown 文件存储。

下次你问问题时，AI 不用翻原始文档。它读的是自己已经建好的 wiki。

关联已经铺好了。

综合分析已经反映你读过的所有东西。

每新增一个来源，wiki 就更丰富一分。你问的每个问题都可以归档进去。知识在复利增长，而不是每次重置。

他的成果：约100篇文章，约40万字，全在一个研究方向上。他一个字都没写。是 AI 写的、链接的、分类的，并且维护了这一切。

没有数据库。没有 embedding。没有向量存储。只有文件夹和文本文件。

为什么你应该在意？

三个当下就有用的场景：

如果你是创作者或营销人员，这就是内容研究引擎。把竞争对手拆解、趋势文章、受众洞察一股脑扔进 raw/。wiki 会浮现出你手动找永远找不到的模式和角度。

如果你是创业者或顾问，这是你的客户工作、市场研究或竞争分析的第二大脑。你生成的每份报告都会反哺回系统。到第三个月，你的 AI 对这个领域的理解比大多数雇员还深。

如果你是学生或研究者，这才是 Karpathy 真正造这东西的目的。跨几十篇论文的深度研究，AI 追踪观点如何关联、作者在哪些地方有分歧、还有哪些空白没填上。

*这也可以用于很多业务研发工作流。

开始之前：你需要什么

→ 任何能读取本地文件的 AI 编码工具（Claude Code、Cursor、Codex 或类似的）

→ 一个文本编辑器（推荐 Obsidian，但 VS Code、记事本、什么都行）

→ 10份以上你关心的主题的源文档

→ 初始设置30分钟，之后每个源文档10分钟

就这样。没有特殊软件。没有要注册的账号。没有要安装的插件。

本文的其余部分就是搭建过程。7个步骤。每个步骤都有你要粘贴到 AI 里的精确提示词。按顺序来。

第一步：创建文件夹结构（2分钟）

在你机器的任意位置创建这个：

my-knowledge-base/
├── raw/           # 你的源材料。AI 只读，永远不修改。
│   └── assets/    # 图片、截图、图表
├── wiki/          # AI 维护的 wiki。你读。AI 写。
├── outputs/       # 报告、分析、查询答案
└── AGENTS.md      # 让整个系统跑起来的模式文件

三个文件夹，一个文件。如果你在这里花了超过2分钟，你想多了。

第二步：编写你的模式文件（所有人都会跳过的步骤。别跳。）

模式文件就是普通聊天机器人和有纪律的 wiki 维护者之间的区别。

它告诉你的 AI 这个知识库是关于什么的、如何组织，以及当你添加来源、提问或运行维护时该做什么。

其他指南都给你一个10行的模板。但这里是基于 Karpathy 的 gist、针对真实使用工程化的完整生产级模式：

# 知识库模式

## 身份
这是一个关于 [你的主题] 的个人知识库。
由 LLM agent 维护。人类筛选来源并提出问题。LLM 做其他所有事。

## 架构
- raw/ 包含不可变的源文档。永远不要修改 raw/ 中的文件。
- wiki/ 包含编译好的 wiki。LLM 完全拥有这个目录。
- outputs/ 包含生成的报告、分析和查询答案。

## Wiki 约定
- 每个主题在 wiki/ 中都有自己的 .md 文件
- 每个 wiki 文件以 YAML frontmatter 开头：
  ---
  title: [主题名称]
  created: [日期]
  last_updated: [日期]
  source_count: [支撑本页的原始来源数量]
  status: [draft | reviewed | needs_update]
  ---
- frontmatter 之后，是一个段落摘要
- 使用 [[主题名称]] 进行 wiki 页面之间的内部链接
- 每个事实性声明都引用来源：[来源: filename.md]
- 当新信息与现有内容矛盾时，明确标记：
  > 矛盾：[旧声明] vs [新声明] 来自 [来源]

## 索引和日志
- wiki/index.md 按类别列出每个页面，并附一行描述
- wiki/log.md 是仅追加的按时间记录
- 日志条目格式：## [YYYY-MM-DD] 操作 | 描述
  （操作：ingest, query, lint, update）

## 摄入工作流
处理新来源时：
1. 完整阅读源文档
2. 与用户讨论关键要点
3. 在 wiki/ 中创建或更新摘要页面
4. 更新 wiki/index.md
5. 更新整个 wiki 中所有相关实体和概念页面
6. 从现有页面添加指向新内容的反向链接
7. 标记与现有 wiki 内容的任何矛盾
8. 追加条目到 wiki/log.md
9. 单个来源应该触及10-15个 wiki 页面

## 查询工作流
回答问题时：
1. 先读 wiki/index.md 找到相关页面
2. 阅读所有相关 wiki 页面
3. 综合答案并附带 [来源: page-name] 引用
4. 如果答案揭示了新洞见，提议将其归档回 wiki/
5. 将有价值的答案保存到 outputs/

## 清理工作流（每月）
检查：
- 页面之间的矛盾
- 被新来源取代的过时声明
- 没有入链的孤立页面
- 被提到但从未解释的概念
- 缺失的交叉引用
- 没有来源归属的声明
输出：wiki/lint-report-[日期].md，附带严重级别

## 关注领域
[列出这个知识库涵盖的 3-5 个主题]

复制这个。自定义关注领域。将其作为 CLAUDE.md 放到你的项目根目录。

第三步：填充你的 raw 文件夹（10分钟倾倒，零整理）

打开 raw/，把所有东西都扔进去：

→ 把文章复制粘贴到 .md 或 .txt 文件

→ 从你现在用的任何 App 导出笔记

→ 把截图和图表保存到 raw/assets/

→ 粘贴研究论文、PDF、竞争对手拆解

→ 把你囤了几个月的书签都倒进去

不要整理。不要重命名。不要清理。这是 AI 的工作。

Karpathy 的专业提示：Obsidian Web Clipper 浏览器扩展一键把任何网页文章转换成 markdown。

设置一个热键（设置 → 热键 → “下载附件”）把所有图片拉到本地，这样 AI 可以引用它们。

如果你不用 Obsidian，从浏览器复制粘贴也挺好。

目标是量。不是完美。

第四步：运行你的第一次摄入

打开你的 AI agent。把它指向你的项目文件夹。粘贴这个：

摄入提示词：

"读取 CLAUDE.md 中的模式。然后处理 raw/ 中的 [文件名]。完整阅读它，与我讨论关键要点，然后：在 wiki/ 中创建摘要页面、更新 wiki/index.md、更新所有相关概念和实体页面、添加反向链接、标记任何矛盾、并追加到 wiki/log.md。"

一次处理一个来源。Karpathy 也是这么做的。阅读摘要。检查更新。引导 AI 该强调什么。这比一次性批量处理所有东西效果要好得多。

5-10个来源后，你的 wiki/ 文件夹会有一个索引、一个日志，以及15-30个互联的页面。

就是在这个时候一切就豁然开朗了。

第五步：开始查询你的知识库

一旦你有10+个 wiki 页面，系统就真的有用了。粘贴这个：

查询提示词：

"阅读 wiki/index.md。基于知识库中的内容，回答：[你的问题]。引用哪些 wiki 页面支撑了你的答案。如果这揭示了值得保留的新关联，在 wiki/ 中创建一个新页面并更新索引。"

能提取最大价值的问题：

→ “这个知识库的三个最大空白是什么？”

→ “哪些来源彼此有分歧，在什么问题上？”

→ “基于这里的内容，我下一步应该研究什么？”

→ “只用 wiki 内容写一篇500字的[主题]简报”

→ “[概念A] 和 [概念B] 之间存在什么关联？”

关键循环：好的答案应该归档回 wiki。

一个比较、一个分析、你发现的一个关联。

这些在知识库里像被摄入的来源一样复利增长。

每个问题都让下一个答案更好。

第六步：运行每月健康检查

这是没人做的一步。这是防止整个系统慢慢腐朽的一步。粘贴这个：

清理提示词：

"按照 CLAUDE.md 中的清理工作流，对 wiki/ 进行全面健康检查。输出到 wiki/lint-report-[日期].md，附带严重级别（🔴 错误、🟡 警告、🔵 信息）。建议3篇文章来填补最大的知识空白。"

为什么这很重要：当 AI 写出稍微错误的东西而你把它保存回去，下一个答案就会基于这个错误的东西建立。

两个月后，你有五页在强化同一个错误。健康检查会在它滚雪球之前抓住它。

每月一次检查。花你10分钟时间。如果你想让系统保持可信，这是不可商量的。

第七步：让它复利增长

这是系统发挥价值的地方。

4-6周持续使用后，你不只是在搜索笔记。

你在查询一个结构化的知识系统，它比你更理解你的来源之间的关联。

三种加速复利的方法：

把探索输出归档回去：当 AI 生成一个你觉得有价值的比较或分析时，把它保存到 wiki/ 或 outputs/。

Karpathy 说他自己的探索和查询”总是在知识库里累积”。

添加可视化输出：让 AI 将答案渲染为 markdown 表格、图表或幻灯片（Marp 格式）。

这些成为可复用资产，而不是一次性聊天消息。

所有东西版本控制：你的 wiki 只是 markdown 文件。

初始化一个 git repo。你获得完整历史、分支，以及撤销 AI 搞砸的任何东西的能力。

好了。搭建就是这样。现在这里是没人会告诉你的部分。

这套系统在哪里会崩（诚实版）

这是一个新兴模式，不是成品。Karpathy 自己称之为”一个临时的脚本集合”，并说还有真正的产品的空间。

在把你的知识托付给它之前，你需要知道这些：

上下文窗口天花板。

Karpathy 的 wiki 在约100篇文章和约40万字时有效。但即使是12.8万 token 的上下文窗口也只能容纳约9.6万字。AI 通过索引选择性阅读，这意味着它可能会遗漏东西。研究表明 LLM 存在”迷失在中间”效应，长输入中心的信息会被降级处理。你的查询结果会有盲点。接受这一点。

错误复利。

AI 写了一个有细微错误的 wiki 页面。你基于它查询。错误进入你的答案。你把答案归档回去。现在两页在强化同一个错误。每月清理有帮助，但做清理的 AI 和犯错的 AI 有同样的盲点。这是最大的风险。Karpathy 的 gist 上一个评论者一针见血：“当输出被归档回去时，错误也在复利。”

幻觉不会消失。

wiki 方法减少幻觉，因为 AI 基于你的来源提供答案。但它不消除它。AI 仍然可以综合出源材料中不存在的关联。而且因为 wiki 看起来权威（干净的 markdown、交叉引用、引用），你更可能信任错误信息。别信。

成本不是零。

每次摄入、每次查询、每次清理检查都花费 token。一个触及10-15个页面的单个来源，用前沿模型可能要花 2-5 美元的 API 调用。50个来源光是摄入就要100-250美元。比研究助理便宜。不是免费。

它不能扩展到企业级。

Karpathy 说索引文件方法在约100篇文章时无需 RAG 就能工作。在10,000+个来源时，这个模式会崩。索引增长太大。数千页的一致性变得不可能。你会需要这个系统设计要避免的基础设施。知道天花板在哪。

单模型盲点。

你的整个 wiki 是一个模型对你的来源的解释。那个模型有偏见和倾向。对于高风险决策，一个 gist 评论者建议通过4+个模型独立运行查询，然后比较一致性。更稳健。也贵4倍。

你该怎么办

→ 错误复利：每月清理检查。手动交叉验证关键声明。在高风险决策上永远不要盲目信任 wiki。

→ 上下文限制：保持每个 wiki 聚焦一个领域。多个领域？多个知识库。

→ 成本：用前沿模型做摄入和复杂查询。便宜模型做简单更新。

→ 幻觉：上面的模式要求每个声明都有来源引用。如果一页做出了没有 [来源: filename] 的声明，清理会标记它。

→ 规模：接受这是一个个人工具，不是企业基础设施。如果你超越了它，那是好事。

为什么它仍然重要

尽管有以上所有，这是目前可用的最实用的个人知识系统。

原因简单得要命：人类放弃 wiki 是因为维护增长快于价值。

你开始整理，感觉棒了两周，然后维护工作扼杀了动力，你再也没碰过它。

LLM 不会无聊。它们不会忘记更新交叉引用。它们可以在一次通过中触及15个文件而不抱怨。

Lex Fridman 确认他运行类似的设置。

他生成交互式 HTML 可视化，并创建”迷你知识库”，他在语音模式下加载这些知识库进行7-10英里的跑步。

DAIR.AI 的 Elvis Saravia 一直为 AI 研究策展构建 LLM 知识库。

多个开源实现在 Karpathy 的 gist 发布后48小时内 hit 了 GitHub。

这不再是实验了。

它正在成为任何做严肃研究的人的标准实践。

你的完整提示词库（复制所有内容）

本文的每个提示词，收集在一个地方：

模式：从第二步复制完整的 CLAUDE.md 模板。

摄入（单个来源）：

"读取 CLAUDE.md 中的模式。处理 raw/ 中的 [文件名]。完整阅读它，与我讨论关键要点，然后：创建摘要页面、更新索引、更新所有相关页面、添加反向链接、标记矛盾、记录摄入。"

摄入（批量，较少监督）：

"读取 CLAUDE.md。按顺序处理 raw/ 中所有未处理的文件。对每个：创建摘要、更新索引、更新相关页面、记录摄入。自动进行。"

查询：

"读取 wiki/index.md。回答：[问题]。引用 wiki 页面。如果这个答案值得保留，提议将其归档为新的 wiki 页面。"

清理：

"按照 CLAUDE.md 中的清理工作流，对 wiki/ 进行全面健康检查。输出到 wiki/lint-report-[日期].md，附带 🔴/🟡/🔵 严重性。建议3篇文章来填补空白。"

探索：

"读取 wiki/index.md 并识别现有主题之间5个最有趣的未探索关联。对每个，解释它可能揭示什么洞见，以及什么来源能帮助确认它。"

简报：

"基于 wiki/ 中的所有内容，写一篇500字的[主题]高管简报。引用来源。结构为：当前状态、关键张力、开放问题、建议的下一步。"

去搭建吧

收藏 Karpathy 的 gist 和从中受益的区别，就是一个下午的时间。

选你的主题。创建文件夹。复制模式。

把你已有的扔进去。运行你的第一次摄入。

然后明天再用另一个来源做一次。

下周再用五个更多来源做一次。

wiki 每次都会更聪明。这就是全部意义。

三个文件夹。一个模式。

一个 AI 做你永远不会自己做的苦力活。

停止收藏书签。开始编译知识。

参考：

Karpathy LLM Wiki gist：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

#AI #LLM #Karpathy #知识管理 #Agent #RAG #信息管理 #深度分析

cover_image

原创问答绿蚁红泥天欲雪