Karpathy 的 LLM Wiki：让 AI 做你的专属研究员，别只做搜索引擎

你有没有过这种体验：收藏了几百篇文章、几十篇论文、塞满了一个 Obsidian 库，但真到用的时候，你还是在用「关键词搜索」——找得到算你运气好，找不到就当没看过。

Andrej Karpathy（前 Tesla AI 总监、OpenAI 创始成员）提出了一个听起来简单但细想很颠覆的观点：你的知识库不应该是「被检索的档案馆」，而应该是「被编译的维基百科」。

他管这叫 LLM Wiki。

和 RAG 有什么区别？

RAG（检索增强生成）是目前主流的知识库方案：你问一个问题，系统去库里找相关片段，拼进 prompt 让 LLM 回答。它的本质是被动响应——你必须先提问，它才去翻东西。

LLM Wiki 的思路完全反过来。不是「等你问」，而是让一个 AI Agent 持续主动地编译你的原始资料——生成摘要、建立分类、打交叉链接、构建索引，最终输出一份结构化的 Markdown wiki。而且这个过程是持续的：你每加入一篇新文章，Agent 就会自动更新相关页面。

一个是被动查档员，一个是主动研究员。区别就在这里。

三层架构

Karpathy 的设计分三层：

原始资料层：你读的论文、文章、笔记、截图——不管格式，都扔进去。

AI 维护层：LLM Agent 定期对原始资料进行编译和整理。它不只是存，而是「读懂了再整理」。它会判断哪些内容相关、怎么归类、哪些需要建链接。

Schema 配置层：定义 wiki 的结构和规则。人和 Agent 有不同的编辑权限——你可以调整分类体系，Agent 负责执行。

实操怎么落地

Karpathy 已开源自己的 LLM Wiki 实例。核心工具链是：Claude Agent 做编译工作，Obsidian 做展示和编辑，Git 做版本管理。

这套组合的关键在于：Obsidian 的 Markdown 格式天然适合长期积累，Git 让你能回退 Agent 的任何错误修改，Agent 则承担了最耗时的手工整理工作。

一个更本质的问题

Karpathy 的 LLM Wiki 之所以值得关注，不只是因为它比 RAG 好用。它揭示了一个更大的趋势：AI 的真正价值不是替你回答问题，而是替你思考和整理。

当你的知识库是「活」的，它会随着你的输入不断生长。你得到的不只是一个高级搜索框，而是一个对你说「这些资料我帮你理好了，你看看有什么要调整」的研究助理。