Skip to content
Back/Claude Code

LLM Wiki Pattern — Karpathy

View in Graph
Updated 2026-10-27
4 min read
775 words

LLM Wiki Pattern — Karpathy

来源:Andrej Karpathy,2026-04

核心洞察

不要再把 LLM 当作文档的搜索引擎,要让它们成为不知疲倦的知识工程师。

传统的 RAG:每次提问,LLM 都在从头发现知识,没有积累。

LLM Wiki:知识被编译一次之后,就持续保鲜,而不是每次查询都重新推导。

三层架构

1. 原始资料层(raw/)

  • 文章、论文、图片、数据集
  • 只读,LLM 只看不改

2. Wiki 层(wiki/)

  • LLM 生成的 Markdown 文件
  • 摘要、实体页、概念页、对比分析、综述
  • LLM 全权维护,你只负责阅读

3. Schema 层(CLAUDE.md)

  • 告诉 LLM Wiki 怎么组织、遵循什么规范
  • 把 LLM 从通用聊天机器人变成专业 Wiki 维护者的关键

三个核心操作

Ingest(灌入)

新资料丢进 raw/,LLM:

  • 读完后讨论要点
  • 写摘要页
  • 更新索引
  • 更新所有相关实体页和概念页

一份资料可能触发 10-15 个页面更新

Query(提问)

向 Wiki 提问,LLM:

  • 搜索相关页面
  • 综合出带引用的回答
  • 可以是 Markdown、表格、幻灯片、图表

关键:好的回答可以被归档回 Wiki,变成新页面

Lint(健康检查)

LLM 自动检查:

  • 不一致的数据
  • 知识空白(用 web search 填补)
  • 新的连接和文章建议

为什么有效

方面 RAG LLM Wiki
知识积累 无,每次都从头检索 有,持续更新的 wiki
cross-references 每次重新计算 已经存在
矛盾检测 无 已标记
合成质量 取决于单次检索 反映所有已读内容

关键成功因素

来自 claude-code/pawelhuryn-claude-decision-engine:

  1. Knowledge architecture — INDEX.md 让 LLM 无需指向就能找到正确文件
  2. Decision journal — LLM 写回,每次会话后更新模板、假设、性能数据
  3. Quality gate — 硬规则覆盖默认值,如"当证据与直觉冲突,信任证据"

Counterpoints & Gaps

  • 缓存命中率问题:wiki 页面是动态选择的,cache hit rate 会显著下降(Yuchen Jin 的观察)
  • 维护出处和时效性的困难(Chat Data 的评论)
  • "活百科"感觉像第二份全职工作(Mia 的评论)

实践案例与社区应用

第二大脑的三个核心文件夹

来自社区实践,构建真正的Living System:

Identity(你是谁)

  • SOUL.md — 核心身份文档

Aspirations(你想成为谁)

  • GOALS.md — 目标
  • HABITS.md — 习惯
  • 12 FAVORITE PROBLEMS.md — 12个最爱问题

Live Logs(实时记忆记录)

  • DECISIONS LOG.md — 决策日志
  • LEARNINGS LOG.md — 学习日志
  • EMOTIONS LOG.md — 情绪日志

AGENTS.md — 解释所有文档,指导 AI 如何使用和自动更新文档

当 AI 深入理解「你是谁、你想成为谁、你的工作、你的核心问题、你的决策、你的感受」后,就不再只是第二大脑,而是一个活生生的系统——能发现你的限制性信念,作为教练帮你突破心理障碍。

Tolaria:LLM Wiki 的桌面应用实现

来源:AI 简报 2026-04-23 — Luca Rossi (@lucaronin)

Refactoring 作者 Luca Rossi 发布 Tolaria——开源 macOS 桌面应用,用于管理 markdown 知识库,同时服务于人类和 AI agent。

规模:

  • Luca 个人使用 10,000 条笔记(6 年 Refactoring 积累)
  • 2000 commits、100K+ 代码行、3000+ 测试(85% 覆盖率)、9.9/10 代码健康度、70+ ADR

AI 协作:

  • Agent 在 Tolaria 中创建新笔记、连接现有笔记、编辑已有内容
  • 作为 AI 编码的"活 artifact",展示 AGENTS 文件、hooks、文档等实践

与现有工作流对比:

  • vs Obsidian + Claude:Tolaria 是原生为 AI 协作设计的应用,而非插件/扩展
  • vs 纯 CLI 工具:有图形界面,降低非技术用户门槛
  • 开源目的:展示 AGENTS 文件、hooks、ADR 等 AI 编码最佳实践

Obsidian + Codex 实战案例

微博用户分享的五天构建经验:

规模:

  • 3800+ 笔记,2000+ 原始 raw 文件
  • 800+ 正式知识条目
  • 整合 3 条主线:论文研究、跨域知识、工作项目

工作流结构: Inbox → Projects / Areas / Resources / Archive → AI Workspace → Worklog

实际效果: 与 Codex 讨论论文构思时,AI 能串联之前所有相关工作细节(审稿修改、数据集等),仿佛和一个比你自己还清楚先前工作的同行讨论。新产出内容直接写成 Obsidian 笔记放入 inbox,定期让大模型自动整理归档。

关键洞察: 双向链接 + Wiki 编译 > 文件目录分类存储(本质还是圈地让大模型扫)或完全编译为黑盒向量化。白盒 + 本地文件 + 云同步,大模型能用,人自己也能用,而且好用。

变体与补充视角

简化版个人工作流

来自 Shann Holmberg 的分享(2026-04-12):

一种个人知识管理工作流程,通过结构化的 inbox + 自动化处理 + 可检索输出,构建可搜索、可关联的个人知识库。

核心流程 (4步法)

  1. Inbox (raw/)

    • 功能: anything inbox,降低记录 friction
    • 输入: clips, tweets, articles, ideas, papers, notes
    • 原则: 不筛选、不分类、先丢进去
  2. 自动化处理

    • 分类: 自动识别内容类型和主题
    • 标签: 提取关键词和概念
    • 摘要: 生成结构化摘要
    • 关联: 链接相关内容
  3. 知识整合

    • 去重: 合并重复或相似内容
    • 验证: 交叉验证信息来源
    • 完善: 补充上下文和元数据
  4. 可检索输出

    • 搜索: 全文检索能力
    • 关联: 自动推荐相关内容
    • 导航: 主题地图和路径

技术实现(简单版本)

raw/
  ├── tweets/
  ├── articles/
  ├── notes/
  └── clips/

processed/
  ├── by-date/
  ├── by-topic/
  └── by-source/

关键原则

  • 降低摩擦 — 记录应该像说话一样自然,不要为分类而中断思考,相信后续处理流程
  • 渐进式整理 — 先收集,后整理,允许暂时的混乱,定期回顾和提纯
  • 可行动性 — 知识应该能被快速检索,关联带来新洞察,输出驱动输入质量

使用场景

  • 研究人员 — 文献收集和整理,交叉引用和发现,写作素材库
  • 创业者 — 市场观察,竞品分析,灵感捕捉
  • 工程师 — 技术调研,解决方案库,故障排查记录

Karpathy 三层的架构

  • raw/: 原始输入,不做筛选
  • witness/: 结构化和验证
  • wiki/: 最终知识库

Andy Matuschak 的 Evergreen Notes

  • 原子化笔记
  • 概念导向
  • 双向链接

工具推荐

轻量级

  • Obsidian + 文件夹结构
  • Apple Notes + 标签
  • Notion + 数据库

重量级

  • 自建知识图谱
  • 向量数据库 + RAG
  • 专门化的知识管理工具

关联

2026-09-09: 大型交付物需要可合并的并行知识空间

Matt Pocock 的课程规划经验把 LLM Wiki 从个人知识检索扩展到多线程交付。对课程、演讲等超过一天的工作,先建立记录上下文、决策和开放问题的 LLM Wiki,再按章节拆分到独立线程,最后统一合并并处理冲突。

这个模式保留了 LLM Wiki 的编译思想,同时增加了任务拓扑。持久上下文负责保持目标,独立线程负责并行产出,整合阶段负责检查交叉依赖。并行本身不是质量保证,章节边界、合并规则和最终验收仍需要明确。

Counterpoints & Gaps

  • 该流程来自个人课程规划经验,没有提供与单线程工作流的时间和返工对照。
  • 章节拆分不当会制造重复上下文和合并冲突。
  • LLM Wiki 的内容仍需要来源、更新时间和状态标记,不能把并行草稿当成已验证知识。

Sources (addendum)

Pending Jean review

  • claude-code/llm-wiki-pattern — ai_draft; suggested action: run one multi-day deliverable with a context page, independent section threads, and a final conflict-resolution pass.

2026-09-10:LLM Wiki 从知识库变成交付物的共享工作面

来源:AI Briefing 2026-09-10 Morning

Matt Pocock 的课程规划经验把 LLM Wiki 推进到大型交付物的运行时状态。课程、演讲或视频先成为一个 deliverable,再按章节拆分到独立线程;人的大段口述输入进入 Wiki,Agent 生成 HTML 报告,夜间用多个子 Agent 对完整交付物做 lint。Wiki 因此同时承担目标、上下文、决策和审查入口,而不只是检索资料。

dotey 把相同结构概括为 Loop Engineering:做出小工具或 Skill,自己验收,分享获取反馈,再把经验整理成下一轮素材。这个循环把“知识沉淀”与“产物反馈”连接起来。两条材料都支持一个边界:持久化状态可以提高连续性,但不能把草稿、个人判断和验证过的知识混成同一层。

Every 的项目文件夹建议补充了落地结构:稳定约定、架构说明、阅读顺序、runbook 和事故历史应在 Agent 启动时可见。它让共享 Wiki 更接近可审查的项目记忆,但仍需要来源、更新时间和 lint。

Counterpoints & Gaps

  • 这些流程来自个人工作经验,没有证明相较单线程或普通笔记系统的稳定收益。
  • 多线程和夜间 lint 会增加合并、上下文和审查成本,章节边界需要按交付物验证。
  • Wiki、HTML 报告和项目文件夹仍可能保存过时或错误信息,不能替代独立验收。

Sources (addendum)

Pending Jean review

  • claude-code/llm-wiki-pattern — ai_draft; suggested action: run one multi-day deliverable with dictation, section threads, a shared Wiki, and a final lint, then compare rework and retrieval failures.

2026-10-23:Vault-as-agent-state 的外部独立案例

来源:AI Briefing 2026-10-23 Evening

一条社区长推把 Obsidian Vault 定位为 agent 循环的持久状态:inbox 捕获 → worktree 隔离起草 → diff 评审 → 用 supports/contradicts/supersedes 追加而非重写。这与本页描述的 LLM Wiki 模式互相印证,是同一模式的独立外部实现。

2026-10:知识库三代理分工

来源:AI Briefing 2026-10-19

Argona0x(3222 赞):个人知识库应由 Reader(原始来源只读采集)、Librarian(更新 wiki 页)、Checker(标记过期/冲突)三代理分工,防止记忆系统悄悄改写来源——与本 vault 工作流直接对应的角色划分。Matt Pocock:自建个人 Wiki 已成其业务基础设施,记忆托管给单一供应商有锁定风险。

Sources

Synthesized from 19 sources

Evolution

1 event
  1. absorbed

    Derived from source material

    This page is currently synthesized from 19 sources.

    From 刚刚,Karpathy 开源个人 LLM Wiki, llm-wiki, Thread by @karpathy, Thread by @kloss_xyz, Thread by @Yuchenj_UWTo LLM Wiki Pattern — Karpathy
    Sources: raw/to-learn/刚刚,Karpathy 开源个人 LLM Wiki.md · raw/to-learn/llm-wiki.md · raw/to-learn/Thread by @karpathy.md · raw/to-learn/Thread by @kloss_xyz.md · raw/to-learn/Thread by @Yuchenj_UW.md · raw/to-learn/LLM wiki:karpathy 公开构建个人本地知识库详细方法「超强提示词」.md · raw/to-learn/be personal.md · raw/to-learn/llm wiki use case.md · raw/to-learn/x-posts/2026-04-10 adward28 - Portable Agents.md · raw/to-learn/x-posts/2026-04-10 Caspar B - Superpowers Skill Pack.md · https://x.com/shannholmberg/status/2042838583698407622 · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-09-23-00.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-10-08-05.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-10-21-26.md · raw/briefing/AI Briefing/2026-09-09-23-00.md · raw/briefing/AI Briefing/2026-09-10-08-05.md · raw/briefing/AI Briefing/2026-09-10-21-26.md · raw/briefing/AI Briefing/2026-10-19-22-54.md · raw/briefing/AI Briefing/2026-10-23-22-55.md

Linked from