【新智元導讀】Karpathy公開個人知識管理新范式：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，人類只需負責思考。

就在這兩天，AI圈又被一個人引爆了。

不是Sam Altman，不是馬斯克，是那個低調(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：把自己的知識管理方式公開了。

就這？就這。

但「就這」，讓整個開發(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：大模型的下一個戰(zhàn)場，不是寫更多代碼，而是管理更多知識。

而他給出的方案，叫做「LLM Wiki」——一種讓大模型當你的全職知識管家、24小時不間斷整理、更新、自檢個人知識庫的全新范式。

一個給AI Agent用的、關于「你自己」的百科全書。

聽起來科幻？但它已經(jīng)在運行了。

LLM Wiki 到底是什么？

然后呢？

然后就沒有然后了。

要么是關鍵詞想不起來，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)知識管理的死穴——它需要你不斷花時間手動整理，而人類天生懶得整理。

那AI能幫忙嗎？當然能。

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。

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。」（There'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

卡帕西在GitHub Gist上公開了他的完整構想。

雖然他刻意寫得比較「抽象」——因為他認為在AI Agent時代，分享的應該是想法而非具體代碼，讓每個人的Agent去根據(jù)想法定制實現(xiàn)——但整套系統(tǒng)的骨架其實非常清晰。

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）

這是整個系統(tǒng)的核心。

大模型讀完raw/里的素材后，不是簡單地「索引」它們，而是主動地「編譯」出一整套結構化的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」變成了一部可導航、可查詢、互相引用的知識體系。

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

這是一份「說明書」，告訴大模型這個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：導入、查詢、輸出、自檢

架構搭好了，日常怎么用？

卡帕西給出了四個核心操作。

操作一：導入（Ingest）

把新素材扔進raw/，告訴大模型：「處理這個?！?/p>

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

一篇新素材可能會觸發(fā)10到15個Wiki頁面的聯(lián)動更新。

卡帕西個人喜歡一次導入一篇素材，邊導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，你就可以對著它問各種復雜問題了。

為什么？

40萬字的規(guī)模，輕松應對。

操作三：回填（File Back）

這是最精妙的一步：把查詢結果存回Wiki。

你問了一個對比分析的問題，大模型給了你一份精彩的回答——這份回答本身也是有價值的知識。

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，都在讓知識庫變得更豐富。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；新素材推翻了舊結論的地方；有引用但沒有獨立頁面的重要概念；孤立的、沒有任何鏈接指向的頁面；通過網(wǎng)絡搜索可以補全的信息空缺。

這讓整個Wiki不僅保持健康，還在不斷生長。

VentureBeat對此有一個精彩的評價：「這就像一個能自我修復的活知識庫。」（It acts as a living AI knowledge base that actually heals itself.）

到這里，你會發(fā)現(xiàn)卡帕西做出來的東西，跟傳統(tǒng)知識庫完全不是一回事了。

傳統(tǒng)知識庫是一個需要你不斷喂養(yǎng)的存儲工具，而LLM Wiki是一個自運行的知識引擎——大模型負責整理、更新、自檢、生長，人類只需要做一件事：思考。

Farzapedia：當你的一生被「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就是第一個把這套理論「跑通」的人。

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

但最關鍵的一點是——Farzapedia不是給Farza自己看的，是給他的AI Agent用的。

整個Wiki的結構和鏈接方式，天然適合Agent爬取。

Farza用Claude Code打開這個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面。

Agent怎么做的？

結果Agent給出了一份極其精準、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：「它就像一個超級天才圖書管理員，專門管理你的大腦——它永遠在幫你把東西歸到最合適的位置，而且它從不疲倦。」

權力歸你

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

這段話值得仔細品味，因為它透露了一種關于「AI時代個人數(shù)據(jù)主權」的深層思考。

他歸納了四個核心優(yōu)勢：

第一，顯式（Explicit）。你的知識不是藏在某個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AI廠商的云端系統(tǒng)里。你不需要擔心「我的數(shù)據(jù)被誰拿去訓練了」，也不用恐懼「如果哪天換了AI服務商，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當訓練數(shù)據(jù)，微調(diào)一個「打從權重層面就認識你」的專屬AI。AI廠商之間的競爭？讓他們卷去，你只管挑最好的用。

卡帕西的總結很干脆：這種個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AI隨你挑，讓AI公司們保持緊張吧！

知識的「編譯時代」來了

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

這個想法比互聯(lián)網(wǎng)還早了半個世紀。

Bush當年沒能解決的問題只有一個：誰來做維護？

現(xiàn)在，大模型解決了這個問題。

卡帕西的方案，本質(zhì)上是對Bush的Memex做了一次「現(xiàn)代編譯」：AI負責所有枯燥的維護工作——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、維護幾十上百個頁面之間的一致性。

人類之所以放棄維護知識庫，不是因為不想，而是因為維護成本增長得比價值更快。

大模型消除了這個瓶頸。

我們正在目睹一個新范式的誕生——從「AI搜索信息」到「AI編譯知識」。

在這個范式里，大模型不再只是一個你問什么它答什么的「搜索引擎」，而是一個持續(xù)運轉的「知識編譯器」。

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、永遠在生長的、從不遺忘的「第二大腦」。

人類負責思考，AI負責記住。

這可能是大模型最「樸素」、卻也最深刻的一個應用方向。

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。