【新智元導(dǎo)讀】Karpathy公開個(gè)人知識(shí)管理新范式：讓大模型把你的一切資料「編譯」成一部活的百科全書——RAG已死，人類只需負(fù)責(zé)思考。

就在這兩天，AI圈又被一個(gè)人引爆了。

不是Sam Altman，不是馬斯克，是那個(gè)低調(diào)、卻每次出手都能掀翻桌子的男人——Andrej Karpathy。

這次他是做了一件看起來更「樸素」的事情：把自己的知識(shí)管理方式公開了。

就這？就這。

但「就這」，讓整個(gè)開發(fā)者社區(qū)炸了鍋。

他在X上隨手發(fā)的一條帖子，短短幾天收獲了1200多萬次圍觀。

卡帕西背后的意思是：大模型的下一個(gè)戰(zhàn)場(chǎng)，不是寫更多代碼，而是管理更多知識(shí)。

而他給出的方案，叫做「LLM Wiki」——一種讓大模型當(dāng)你的全職知識(shí)管家、24小時(shí)不間斷整理、更新、自檢個(gè)人知識(shí)庫(kù)的全新范式。

一個(gè)給AI Agent用的、關(guān)于「你自己」的百科全書。

聽起來科幻？但它已經(jīng)在運(yùn)行了。

LLM Wiki 到底是什么？

然后呢？

然后就沒有然后了。

要么是關(guān)鍵詞想不起來，要么是存的地方太分散，要么干脆就是——記得看過，但忘了在哪看的。

信息越多，大腦越亂；收藏越勤，遺忘越快。

這就是傳統(tǒng)知識(shí)管理的死穴——它需要你不斷花時(shí)間手動(dòng)整理，而人類天生懶得整理。

那AI能幫忙嗎？當(dāng)然能。

RAG好不好用？能用，但不夠好。

卡帕西一針見血地指出了RAG的根本問題：它每次都在從零開始「重新發(fā)現(xiàn)」知識(shí)。

什么都沒有積累下來，什么也沒有建立起來。

用卡帕西的原話說：「沒有積累?！梗═here's no accumulation.）

那他的方案是什么？

這就是「LLM Wiki」的核心思想。

LLM Wiki的完整架構(gòu)

卡帕西在GitHub Gist上公開了他的完整構(gòu)想。

雖然他刻意寫得比較「抽象」——因?yàn)樗J(rèn)為在AI Agent時(shí)代，分享的應(yīng)該是想法而非具體代碼，讓每個(gè)人的Agent去根據(jù)想法定制實(shí)現(xiàn)——但整套系統(tǒng)的骨架其實(shí)非常清晰。

第一層：原始數(shù)據(jù)（Raw Sources）

不需要你整理，不需要你分類，扔進(jìn)去就行。

這一層是「不可變」的——大模型只讀取，絕不修改。這是你的信息源頭、真相之本。

第二層：Wiki（The Wiki）

這是整個(gè)系統(tǒng)的核心。

大模型讀完raw/里的素材后，不是簡(jiǎn)單地「索引」它們，而是主動(dòng)地「編譯」出一整套結(jié)構(gòu)化的Wiki。

什么叫「編譯」？

就像編譯器把你的源代碼變成可執(zhí)行程序一樣，大模型把你的「原始資料」變成了一部可導(dǎo)航、可查詢、互相引用的知識(shí)體系。

用卡帕西自己的話說——Obsidian是IDE，大模型是程序員，Wiki是代碼庫(kù)。

這是一份「說明書」，告訴大模型這個(gè)Wiki怎么組織、有什么規(guī)矩、遇到不同情況該怎么操作。

比如在Claude Code里是CLAUDE.md，在OpenAI Codex里是AGENTS.md。

四大操作：導(dǎo)入、查詢、輸出、自檢

架構(gòu)搭好了，日常怎么用？

卡帕西給出了四個(gè)核心操作。

操作一：導(dǎo)入（Ingest）

把新素材扔進(jìn)raw/，告訴大模型：「處理這個(gè)?！?/p>

大模型讀完之后，跟你討論關(guān)鍵發(fā)現(xiàn)，然后寫一篇摘要頁(yè)，更新總索引，并且在整個(gè)Wiki中找到所有相關(guān)的頁(yè)面——可能是某個(gè)概念頁(yè)、某個(gè)人物頁(yè)、某個(gè)對(duì)比頁(yè)——逐一更新。

一篇新素材可能會(huì)觸發(fā)10到15個(gè)Wiki頁(yè)面的聯(lián)動(dòng)更新。

卡帕西個(gè)人喜歡一次導(dǎo)入一篇素材，邊導(dǎo)入邊看大模型寫的摘要，確保方向?qū)α恕?/strong>

操作二：查詢（Query）

一旦Wiki積累到一定規(guī)模，你就可以對(duì)著它問各種復(fù)雜問題了。

為什么？

40萬字的規(guī)模，輕松應(yīng)對(duì)。

操作三：回填（File Back）

這是最精妙的一步：把查詢結(jié)果存回Wiki。

你問了一個(gè)對(duì)比分析的問題，大模型給了你一份精彩的回答——這份回答本身也是有價(jià)值的知識(shí)。

卡帕西的做法是把這些輸出「歸檔」回Wiki，讓它成為Wiki的一部分，供未來的查詢使用。

你的每一次提問，都在讓知識(shí)庫(kù)變得更豐富。用的越多，它越聰明。

這不是消耗，是投資。

操作四：自檢（Lint）

定期讓大模型給Wiki做一次「體檢」。

檢查什么？數(shù)據(jù)不一致的地方；新素材推翻了舊結(jié)論的地方；有引用但沒有獨(dú)立頁(yè)面的重要概念；孤立的、沒有任何鏈接指向的頁(yè)面；通過網(wǎng)絡(luò)搜索可以補(bǔ)全的信息空缺。

這讓整個(gè)Wiki不僅保持健康，還在不斷生長(zhǎng)。

VentureBeat對(duì)此有一個(gè)精彩的評(píng)價(jià)：「這就像一個(gè)能自我修復(fù)的活知識(shí)庫(kù)?！梗↖t acts as a living AI knowledge base that actually heals itself.）

到這里，你會(huì)發(fā)現(xiàn)卡帕西做出來的東西，跟傳統(tǒng)知識(shí)庫(kù)完全不是一回事了。

傳統(tǒng)知識(shí)庫(kù)是一個(gè)需要你不斷喂養(yǎng)的存儲(chǔ)工具，而LLM Wiki是一個(gè)自運(yùn)行的知識(shí)引擎——大模型負(fù)責(zé)整理、更新、自檢、生長(zhǎng)，人類只需要做一件事：思考。

Farzapedia：當(dāng)你的一生被「編譯」成百科全書

如果說卡帕西給出了理論框架，那開發(fā)者Farza就是第一個(gè)把這套理論「跑通」的人。

Farza做了一件聽起來有點(diǎn)瘋狂的事：他把自己的2500條日記、Apple Notes筆記和部分iMessage對(duì)話全部喂給了大模型，讓AI從中「編譯」出了一部關(guān)于他自己的個(gè)人Wiki百科——Farzapedia。

但最關(guān)鍵的一點(diǎn)是——Farzapedia不是給Farza自己看的，是給他的AI Agent用的。

整個(gè)Wiki的結(jié)構(gòu)和鏈接方式，天然適合Agent爬取。

Farza用Claude Code打開這個(gè)Wiki，Agent從index.md（總目錄）開始，可以像蜘蛛一樣順著鏈接一層層鉆到它需要的具體頁(yè)面。

Agent怎么做的？

結(jié)果Agent給出了一份極其精準(zhǔn)、極其「懂他」的創(chuàng)意方案。

Farza坦言，他一年前用RAG搭過類似的系統(tǒng)，但體驗(yàn)很差。

而Farzapedia最神奇的地方在于——它是「活」的。

用Farza的比喻：「它就像一個(gè)超級(jí)天才圖書管理員，專門管理你的大腦——它永遠(yuǎn)在幫你把東西歸到最合適的位置，而且它從不疲倦?！?/strong>

權(quán)力歸你

卡帕西在轉(zhuǎn)發(fā)Farzapedia時(shí)，用了一段話來闡述他為什么如此推崇這種知識(shí)管理方式。

這段話值得仔細(xì)品味，因?yàn)樗嘎读艘环N關(guān)于「AI時(shí)代個(gè)人數(shù)據(jù)主權(quán)」的深層思考。

他歸納了四個(gè)核心優(yōu)勢(shì)：

第一，顯式（Explicit）。你的知識(shí)不是藏在某個(gè)AI的「隱式記憶」里——那種你看不見、摸不著、也不知道它到底記了什么的黑箱。Wiki是顯式的、可導(dǎo)航的，你可以清清楚楚看到AI知道你什么、不知道你什么，可以檢視和管理這份「記憶制品」。

第二，你的（Yours）。數(shù)據(jù)就在你的本地電腦上，不在某個(gè)AI廠商的云端系統(tǒng)里。你不需要擔(dān)心「我的數(shù)據(jù)被誰拿去訓(xùn)練了」，也不用恐懼「如果哪天換了AI服務(wù)商，我的記憶還能不能帶走」。

第四，自帶AI（BYOAI - Bring Your Own AI）。你想用Claude就用Claude，想用Codex就用Codex，想用開源模型就用開源模型。甚至你可以把Wiki當(dāng)訓(xùn)練數(shù)據(jù)，微調(diào)一個(gè)「打從權(quán)重層面就認(rèn)識(shí)你」的專屬AI。AI廠商之間的競(jìng)爭(zhēng)？讓他們卷去，你只管挑最好的用。

卡帕西的總結(jié)很干脆：這種個(gè)性化方案把你放在了完全的控制位上。數(shù)據(jù)是你的，格式是通用的，內(nèi)容是透明的。用哪個(gè)AI隨你挑，讓AI公司們保持緊張吧！

知識(shí)的「編譯時(shí)代」來了

回頭看卡帕西的LLM Wiki，你會(huì)發(fā)現(xiàn)它的精神內(nèi)核其實(shí)并不新。

這個(gè)想法比互聯(lián)網(wǎng)還早了半個(gè)世紀(jì)。

Bush當(dāng)年沒能解決的問題只有一個(gè)：誰來做維護(hù)？

現(xiàn)在，大模型解決了這個(gè)問題。

卡帕西的方案，本質(zhì)上是對(duì)Bush的Memex做了一次「現(xiàn)代編譯」：AI負(fù)責(zé)所有枯燥的維護(hù)工作——更新交叉引用、保持摘要最新、發(fā)現(xiàn)新舊數(shù)據(jù)的矛盾、維護(hù)幾十上百個(gè)頁(yè)面之間的一致性。

人類之所以放棄維護(hù)知識(shí)庫(kù)，不是因?yàn)椴幌?，而是因?yàn)榫S護(hù)成本增長(zhǎng)得比價(jià)值更快。

大模型消除了這個(gè)瓶頸。

我們正在目睹一個(gè)新范式的誕生——從「AI搜索信息」到「AI編譯知識(shí)」。

在這個(gè)范式里，大模型不再只是一個(gè)你問什么它答什么的「搜索引擎」，而是一個(gè)持續(xù)運(yùn)轉(zhuǎn)的「知識(shí)編譯器」。

你的人生經(jīng)歷、工作素材、閱讀記錄、靈感碎片，都是它的「源代碼」。

而它的產(chǎn)出，是一部只屬于你的、永遠(yuǎn)在生長(zhǎng)的、從不遺忘的「第二大腦」。

人類負(fù)責(zé)思考，AI負(fù)責(zé)記住。

這可能是大模型最「樸素」、卻也最深刻的一個(gè)應(yīng)用方向。

1945年，Vannevar Bush只能把Memex畫在紙上。

2026年，你可以把它跑在你的筆記本電腦上了。

未來已來。