Andrej Karpathy 最近分享了一个他称之为 "LLM Wiki" 的工作流：不再把大模型主要用于写代码，而是将 Token 消耗在构建一个围绕个人研究兴趣的"可演化知识库"上。整个系统的架构极其简洁 -- 不需要数据库，不需要向量嵌入，不需要服务器，只需要 Markdown 文件和一个功能强大的模型。

这个思路的核心颠覆在于：在中等规模数据集上，LLM 本身已经具备足够的"自检索"和"自组织"能力，你可能不再需要复杂的 RAG 架构。

开始前的准备

• 所需工具：Claude Code（命令行工具）、Obsidian（可选，作为阅读前端）
• 技术要求：基本的命令行操作能力
• 预计时间：初始搭建 30 分钟，持续维护每天几分钟
• 项目地址：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

系统架构：三个组件

Karpathy 的架构只包含三个核心组件：

1. 一个 Markdown 文件文件夹

这就是你的知识库。可以包含任何内容：研究笔记、会议纪要、项目文档、读书笔记、代码片段。

2. 每个文件内部结构一致

优秀的 LLM Wiki 文档采用一致的内部格式 -- 标题、简短摘要、标签主题以及正文内容。模型利用这种结构更快地定位相关信息。

3. 使用 Claude Code 作为查询界面

打开终端，导航到你的 wiki 文件夹，启动 Claude Code，然后向它提问。Claude 会读取所需的文件，综合生成答案，甚至可以更新或添加笔记。

具体步骤

第一步：收集原始素材

创建一个 raw/ 目录，将与研究主题相关的所有素材一股脑放进去：

• 论文 PDF
• 技术博客（使用 Obsidian Web Clipper 转为 Markdown）
• GitHub 代码仓库
• 数据集
• 图片等多模态内容

这一步不需要任何结构设计，目标是最大化原始信息的完整性。

提示：使用 Obsidian Web Clipper 可以方便地将网页内容转为 Markdown，图片也会存储在本地，方便 LLM 通过视觉功能引用。

第二步：让 LLM "编译"素材

调用 LLM 对 raw/ 目录中的素材进行增量"编译"，生成结构化的 Wiki 页面。编译过程包括：

• 生成摘要和关键词
• 识别核心概念
• 撰写百科全书式条目
• 在相关概念之间创建反向链接

这个 Wiki 本质上是一个由 AI 自动撰写和维护的知识百科系统，存储为结构化的 Markdown 文件集合。

第三步：用 Obsidian 作为阅读前端

Karpathy 把 Obsidian 作为这个系统的"前端 IDE"，在这里可以：

• 查看原始数据
• 浏览编译好的 Wiki
• 查看衍生的可视化内容
• 使用 Marp 插件将 Wiki 内容生成演示幻灯片

核心原则：Wiki 中的所有数据都由 LLM 编写和维护，自己极少直接动手修改。

第四步：直接向 LLM 提问

当知识库规模逐渐扩大（Karpathy 提到一个包含约 100 篇文章、总计 40 万字的项目），你可以直接向 LLM Agent 提出复杂的系统性问题。

与传统 RAG 不同，Karpathy 依赖的是 LLM 对 Wiki 的"内生理解"能力 -- 模型通过自动维护的索引与摘要，高效定位信息并综合分析。

第五步：设置自动化维护

定期调用 LLM 对整个 Wiki 进行"体检"：

• 检测数据不一致
• 补全缺失信息
• 通过联网搜索引入新资料
• 主动挖掘潜在关联关系并生成新专题文章

为什么不需要 RAG

Karpathy 的方法与 RAG 的根本区别在于思路：

Karpathy 把 Markdown 文件视为"真理之源"。AI 做出的每一项声明都可以追溯到特定的文件，而你可以阅读、编辑或删除这些文件。

扩展方向

Karpathy 提到的下一步演化方向：通过合成数据生成与微调，将结构化知识"压缩"进模型权重。从依赖上下文窗口的外部知识系统，迈向模型内部的长期记忆。

社区也已经开始将这个思路产品化。有人推出了 Claudeopedia 等工具，在 Karpathy 方案的基础上增加了交互式可视化界面和定时自动复核功能。

参考

• Karpathy 的项目 Gist：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
• Obsidian Web Clipper：https://obsidian.md/clipper