我用Andrej Karpathy的LLM wiki思路实现了“活”的个人知识库（附模板）
公众号名称：sudden的AI日常
作者名称：是sudden哦
发布时间：2026-04-23 20:02
原文链接：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
“知识只需要整理一次，之后一直维护更新，不用每次提问都重新推导。这个wiki是个能不断生长的知识库。”
4步带你复刻大神思路，构建属于自己的“活”知识库。
OpenAI联合创始人，Andrej Karpathy在4月初发了个推特，非常火爆，内容是用LLM管理个人知识库的方法论 (llm-wiki)，目前已经有2000万的浏览量。
我去A神的Github上找到了他给的方法论详细说明，或者说，提示词
（但不要直接用哦，效果不好，得针对性改造，我们下面说）
仔细研究了A神思路，我的结论是，这套方法，
适合
-
垂直领域科研（攒你读过的好论文、专利、会议等）
-
单个项目研发（攒项目规范、设计文档、用户手册、需求文档等）
-
个人内容创作（攒素材、自己的作品、喜欢的作品等）
总之，需要攒知识的场景（文档<500篇）
不适合
-
企业级海量知识库管理（还是乖乖搞RAG吧）
-
简单的问答（直接问AI就行了）
当然，不试试怎么知道适不适合自己呢
下面跟着我开始实战吧，万一对你有启发呢 ～ ❥(^_-)
适用于个人知识库wiki的工作手册、行动规范（二次改造或直接喂给你的智能体都行），
关注公众号【AI Power Lab】，回复暗号「个人知识库」，免费领取，马上拥有你自己的成长型知识库！
01
Karpathy思路拆解
我们先把Karpathy发的LLM-wiki原文拿出来仔细研究一下
（篇幅较长，我们挑重点说，A神原文点击文末“阅读原文”就可以看啦）
本节以下内容是原文翻译后我整理的。
核心思路
现在大家用大模型处理文档，基本都是RAG那套：传一堆文件上去，提问的时候模型去捞相关片段，攒个答案出来。能用是能用，但每次提问模型都得从零开始扒资料，根本没积累。
这套方法论不是等提问的时候才去翻原始资料，而是让大模型一点点攒一个能一直用的wiki库——就是一堆互相链接起来的Markdown文件。
存入新资料的时候，大模型不只是建个索引等着以后搜，它会先读一遍，把关键信息抽出来，再揉到已经有的wiki里：
-
该更新实体页面的更新
-
该改主题摘要的改
-
发现新资料和以前的说法矛盾就标出来，之前的结论对就加固，不对就推翻重来
知识只需要整理一次，之后一直维护更新，不用每次提问都重新推导。
这个wiki是个能不断生长的知识库：交叉引用已经做好了，矛盾的地方也标出来了，里面的结论已经是你所有看过的资料的总和，你每加一份资料，每提一个问题，这个维基就更完善一点。
你基本不用自己写wiki的内容——全是大模型写，全是它维护。你就负责找资料、定方向、提对问题就行。
剩下那些苦活累活：总结内容、做交叉引用、归档、维护记录，全丢给模型，这些活才是知识库能用得久的关键。
整体架构
总共分三层：
1. raw，原始资料层
- 你自己收集的所有源文件，文章、论文、图片、数据都算。
2. wiki，维基层
-
大模型生成的一堆Markdown文件，包括摘要、实体页面、概念页面、对比内容、总览、综合结论。
-
这一层全归大模型管，它自己建页面，有新资料了就更新，维护交叉引用，保证所有内容前后一致。你读，它写。
3. schema，规则层
-
是一份文档（比如我们将要构建的METADATA.md，Claude Code用的CLAUDE.md，或者其他智能体用的AGENTS.md），告诉大模型这个维基的结构是什么，有啥命名规范，收新资料、回答问题、维护维基的时候要按什么流程走。
-
这是最核心的配置文件——有了它大模型才是个靠谱的维基管理员，不然就是个普通的聊天机器人。
-
你和大模型可以慢慢迭代这份文档，找到最适合你用的规则。
过程
- 收新资料（Ingest）
把新资料丢到原始资料文件夹(raw)里，告诉大模型处理就行。
常规流程是这样：模型先读资料，和你过一遍重点，在wiki里写个摘要页，更新索引，把整个wiki里相关的实体和概念页面都更新一遍，最后在日志里加条记录。
一份资料可能会改10到15个维基页面。
2. 提问（Query）
提问题，大模型会去wiki里搜索相关页面，读完之后给你整合成带引用的答案。
有个很重要的点：好的答案可以直接当成新页面存回维基里。
比如你要求做的对比、分析、发现的新关联——这些都是有用的东西，别让它们消失在聊天记录里。
这样你每次探索的内容，就和新收的资料一样，能一直攒在知识库里。
3. 定期检查（Lint）
隔段时间就让模型给维基做个体检，查查这些问题：
页面之间有没有矛盾，有没有已经被新资料推翻的过时说法，有没有没人链接的孤立页面，有没有提到过但没单独建页面的重要概念，有没有漏了的交叉引用，有没有能靠搜网页补上的信息缺口。（在做研究时，可能发现连你自己都没注意到的知识缺口）
索引和日志
有两个特殊文件，能帮你和模型在维基变大了之后快速找东西，作用不一样：
- index.md
是按内容分类的，相当于整个维基的目录：每个页面都有链接、一句话简介，还可以加日期、引用了多少份来源之类的元数据。
按类别分好，比如实体、概念、来源之类的，模型每次收新资料都会更新它。
回答问题的时候，模型先读索引找相关页面，再去细看具体内容。
维基不大的时候（大概100份来源、几百个页面），这么用比搞嵌入RAG那套基础设施好用多了。
（你看，学术研究、项目开发、个人内容创作这些方面，几百份文档足够装下了）
2. log.md
是按时间排序的，只加内容不改以前的，记录什么时间干了什么：收了什么新资料、回答了什么问题、做了什么检查。
为啥这套玩法有用？
维护知识库最烦的不是读资料或者想问题，而是那些杂活：更新交叉引用、保持摘要最新、标出来新资料和旧内容的矛盾、保证几十页内容前后一致。
为啥大家建维基都坚持不下来？因为维护的成本涨得比价值快。
大模型不会嫌烦，不会忘了更新交叉引用，一次改15个文件都不是事。维护成本几乎为零，维基当然就能一直更新下去。
人就干人该干的活：挑资料、定分析方向、提好问题、想这些内容到底有啥意义，剩下的全丢给大模型。
02
成果：个人知识库wiki实战
看到这里的你一定是个有耐心能干成事儿的人，也请点个赞鼓励一下我吧～❥(^_-)
下面我们按照Andrej Karpathy的思路，一步步搭建个人知识库。
我搭的这个知识库，适用于个人内容创作，如果想应用在学术研究、项目研发等场景，过程是一样的！
整体效果
搭好之后长这样，圈出来的就是上文提到的三层架构：raw, wiki, schema(就是llm-wiki-blogs.md）
wiki工作手册
llm-wiki-blogs.md就是我和大模型讨论出来的wiki工作手册，内容长这样，
行动规范
另外，为了这个wiki更好用，我还额外补充了行动规范——METADATA.md，长这样
关系图谱
在Obsidian里，看看wiki关联，长这样，很直观，
对AI来说，更直观，它能够非常高效甚至出你不意的给出亮眼回答（它能注意的你看不到的关联）
适用于个人知识库wiki的工作手册、行动规范（二次改造或直接喂给你的智能体都行），
关注公众号【AI Power Lab】，回复暗号「个人知识库」，免费领取，马上拥有你自己的成长型知识库！
03
过程：个人知识库wiki实战
在开始前，先把你自己收集原始文档（如你自己的写的东西、你喜欢的作品等）放到raw文件夹下/Document/llm-wiki-blogs/raw/
然后进入这个知识库的根目录（比如，我的是/Document/llm-wiki-blogs/），claude启动Claude Code（或你的智能体框架）
- 讨论
和你的智能体讨论着来（我用的Claude Code），一起制定规范
我的提示词如下：
阅读这个文档/Document/llm-wiki-blogs/llm-wiki.md，我准备让你按照文档思路，给/Document/llm-wiki-blogs/raw/路径下的文档建立wiki，供我积累相关知识。你先阅读，然后我们商量一下做一份适合我目标的llm-wiki-blogs.md的说明文档，用于指导你干活，你可以多问我问题。
仔细描述你的需求，讨论完成后，cc会构建相应的路径、文档和规范
- 大模型处理(Ingest)
接着，让大模型按照规范开始建立wiki
第一次建wiki比较费token，但这是一次性成本，后续增加了内容做增量更新就好。
处理好了，不要着急，要有耐心，值得等待
这是建好wiki后，你可以通过obsidian打开这个路径，就可以看到比较直观的知识库了，
当然，不用obsidian也可以，直接在文件夹打开就能看到（但还是建议用Obsidian，方便直观还有很多插件）
- 使用(Query)
提问题，大模型会去wiki里搜索相关页面，读完之后给你整合成带引用的答案。
有个很重要的点：好的答案可以直接当成新页面存回维基里。
比如你要求做的对比、分析、发现的新关联——这些都是有用的东西，别让它们消失在聊天记录里。
这样你每次探索的内容，就和新收的资料一样，能一直攒在知识库里。
提问
我的提问
我想写一篇博客，主题为：openclaw避坑指南。请你给出相关素材和建议
部分输出
好内容增加到wiki
我认为大模型根据我的知识库整理的内容不错，有价值，就让大模型自己去按照它梳理的架构写出来，存到wiki下面，作为知识。
可以在Obsidian里看到这篇内容
- 检查(Lint)
隔段时间就让模型给维基做个体检，查查这些问题：
页面之间有没有矛盾，有没有已经被新资料推翻的过时说法，有没有没人链接的孤立页面，有没有提到过但没单独建页面的重要概念，有没有漏了的交叉引用，有没有能靠搜网页补上的信息缺口。（在做研究时，可能发现连你自己都没注意到的知识缺口）
模型很擅长给你提新的值得研究的问题，还有该找什么新资料，这样维基越做越大也不会乱。
制定的巡检规则
让大模型去巡检
巡检结论
我的感受
非常好用，给的信息都是我知识库的内容，比RAG那套思路快准狠。（RAG更适合企业级海量数据的情况）
04
总结
最后再提一下，LLM-wiki这套知识库构建思路，适合哪些场景。
适合：
-
垂直领域科研（攒你读过的好论文、专利、会议等）
-
单个项目研发（攒项目规范、设计文档、用户手册、需求文档等）
-
个人内容创作（攒素材、自己的作品、喜欢的作品等）
总之，需要攒知识的场景（文档<500篇）
不适合：
-
企业级海量知识库管理（还是乖乖搞RAG吧）
-
简单的问答（直接问AI就行了）
不要光收藏不点赞哦 ～❥(^_-)
适用于个人知识库wiki的工作手册、行动规范（二次改造或直接喂给你的智能体都行），
关注公众号【AI Power Lab】，回复暗号「个人知识库」，免费领取，马上拥有你自己的成长型知识库！
往期推荐
智能体搭建| 如何用OpenClaw搭建你的“一人公司”（附完整配置模板）
OpenClaw技能玩法，7个必装神级技能推荐，让你的小龙虾成为工作利器
内容效果不满意？点此反馈