一、AI大神Karpathy的LLM Wiki设计模式简介

1.0、目前大多数人使用AI的现状

想象一下这样的场景：你带领着两个实习生（1号、2号），但她两的做事方式完全不一样：

        1号实习生，你每次问她一个问题，她回答完后就忘记了，下次再问她类似的问题，她根本没有记住上次的内容，又从头说了另一种回答，十分不稳定，并没有任何改善。

        2号实习生是你每次问她一个问题，她都会在每次回答后将资料整理在一篇笔记中，下次你在问她类似的问题，她翻开笔记就能回答，且还会对笔记内容进行更新优化，回答效果趋于稳定，且回答的越来越好。

        而我们大部分人使用AI的方式就很像1号实习生；每次都是打开新的对话，之前聊过的内容都消失了，这就导致AI对你的研究内容是没有记忆的，每次都是从新开始，十分不稳定。而Karpathy大神做的事，就是将AI尽可能的变为2号实习生。

1.1、Karpathy的LLM Wiki设计模式

        Karpathy的LLM Wiki设计模式是：让AI帮你搭建一座会自己长大的百科全书。搭建流程分为如下六个步骤：

1.1.1、把资料全部放在一个文件夹中

        Karpathy在网上看到一些好的文章、论文、Github上的源码、图片等内容，就会借助名为【Web Clipper、Obsidian Web Clipper】的浏览器插件将看到的这些网页内容存到电脑本地的【raw】文件夹中。

        raw：表示原生、未加工，是“原始素材”，没有经过任何整理的内容。

1.1.2、告诉AI将原始素材编译为百科全书

        LLM Wiki设计模式的关键就是这里，Karpathy自己并不整理笔记，他是让AI自己阅读完【raw】文件夹中的所有原始文件，然后自动生成一本Wiki的（即：这是一组有结论的笔记，包含【自动写摘要】【自动分类】【自动在相关主题之间建立连接】）。他自己只是负责将新的资料丢到【raw】文件夹中，AI就负责将新的资料消化进现有的知识体系里。

        注意：你自己的笔记和AI产出的知识库应该分开存放（若混在一起，则你搜寻的结果、连接图、反向连接都会被AI生成的内容淹没；这样你就没办法分清哪些是自己的想法、哪些是AI整理出来的了）【raw】文件夹中的内容是属于自己亲自整理出来的权威来源，AI产出的Wiki则独立存放，且AI产出Wiki的每篇文章都有反向连接指向原始资料，随时可以追溯来源。

1.1.3、直接对这本百科全书提问

        当wiki长到一定的规模（Karpathy说他某个主题的知识库大约有100篇文章、40万字）时就可以直接对AI提问了；AI会去翻这本百科全书来回答你。Karpathy本以为要用RAG技术，但是发现AI自己维护的索引和摘要已经够好了，不需要额外的搜寻系统.

1.1.4、答案不只是文字

Karpathy不是让AI回一段文字就结束了，他会让AI产出各种不同格式的输出：

AI输出格式	说明
Markdown文件	格式化的笔记，可以在支持Markdown的软件中漂亮展示（如：obsidian、Joplin）
Marp简报	一种可以将Markdown笔记之间转换为投影片的工具，不用打开PowerPoint。
matplotlib图表	可用程序画出来条形图、折线图、圆饼图等效果图

真正聪明的地方是：他会把这些查询结果【回存】到百科全书里面（也就是说：你每次问的问题与得到的答案，都会变成知识库的一部分）【知识库越用越厚，越用越好用】。

1.1.5、定期让AI帮知识库做“健康检查”

        Karpathy会让AI扫描整本百科全书，找出资料相互矛盾的地方，补上缺漏的资讯（用网络搜索）发现不同主题之间有趣的关联。这可应对到现实工作中的一种情况（每个季度需要盘点一次档案，看看有没有过时的资料、重复的内容、或者是漏掉的东西）。

1.1.6、自己做小工具

        Karpathy使用vibe coding的方式做了一个简易的搜索引擎，有网页界面也有命令行版本（这一步的目的是：当知识库大到一定的程度，你会想要更好的方式来搜寻和操作它）一切为了便利。除了可以生成静态的图表与简报外，还可以让AI直接生成动态可交互的仪表盘，这样就可以让知识的表现更加灵活。

1.2、LLM Wiki设计模式的适用场景

LLM Wiki设计模式的适用场景	说明
个人体系管理	可用于将个人的日记、文章、相关资料、知识体系等内容分析整理，搭建出个性化的知识库，方便自我提升、追踪自己的目标、查缺补漏。
主题的深度研究	可针对特定的主题——不断充实相关的论文、笔记、报告、文章等原始素材，便可逐步构建出一个不断演进论点的主题百科。
阅读梳理书籍	可对书籍边读边将每章的内容归档整理出核心观点与摘要，为书籍中的人物、主题、叙事情节登线索建立各自的页面，并相互关联。这样读完书籍后，你就拥有了一本丰富的伴读知识库（可在极短的时间内消化书籍，充实自己）。
商业百科	可根据产品相关的需求、数据、SOP内容维护产品的体系化百科，为产品赋能。 团队内可根据聊天记录、会议记录、项目文档等资料产出对应项目的知识库，并不断跟踪进展，信息共享。
其他	可实现其他方面（如：竞品分析、旅游规划、内容梳理、学习指导、信息共享等）随着时间的推移提供的原始素材越来越多，即可将这些内容按照你的要求梳理、归纳、提炼出各种有意义的场景

1.3、LLM Wiki设计模式的基础架构

LLM Wiki设计模式架构	说明
原始素材【raw】	你收集的原始资料（如：文章、论文、图片、数据文件等），这些内容是不可改变的，是知识库的基础来源；【LLM（大语言模型）只能读取它们，但是决不能修改它们】。
知识库【wiki】	是由LLM（大语言模型）生成的所有Markdown格式文件的根目录（包含核心观点、概念、摘要、对比表格、概览与综合分析等内容）；【LLM完全拥有这一层的所有权，它可以负责创建、更新、维护交叉引用并保持一致性】。
约束配置【agent】	是一个配置文件（如：claude code的CLAUDE.md、Codex的AGENTS.md）主要是用于告诉LLM这个wiki的结构是什么、命名约定是什么，以及在读取资料、回答问题或者维护wiki时应该要遵守什么流程，如何操作等约束说明。这个约束配置会随时时间的推移需要你不断的优化。
索引目录【index】	它是wiki中所有内容的目录；每个页面都包含核心的观点、摘要及其日期与来源等元数据；按类别组织，LLM在每次读取新资料时都会更新它。LLM回答问题时，会先查看index找到相关页面，在中等规模下（约100份资料，数百个页面）时，该方法效果很好，不用搭建复杂的向量检索（RAG）基础设施。
操作日志 【LLM output log】	它是按照时间顺序记录的；这是一个【只能追加的记录】（记录了何时发生什么【查询、检查、新增的内容】）。注意：若每条记录都以一致的前缀开头，则日志就能用最简单的工具进行解析，这能让LLM了解最近做了什么。

1.4、为什么LLM Wiki设计模式有效

        大家知道，维护知识库最繁琐的工作是将内容记录清楚（即：记录的内容、交叉引用、保持核心概念、摘要的最新；以及新旧数据的冲突，且要保持多个页面间保持一致性）这个维护负担是十分繁重且枯燥的。但这个工作给到LLM将是如鱼得水，因为LLM就擅长处理这些重复性高的枯燥内容，且效率十分高效，它可以一次性就能操作多个文件进行关联操作，可以轻而易举的保持知识库的最新良好状态。

       人类并不擅长这类重复枯燥的操作；人类更擅长的是精选资料、指导分析梳理、并进行思考、提出有建设性的问题等顶层操作，而LLM则是将剩下的内容搞定，呈现出来，人类在进行审阅优化，以此循环推进。

二、怎么做？才能搭建出LLM Wiki模式的知识库

2.1、建立你的原始素材库

        你可以使用的免费工具有【Obsidian】【Notion(免费版)】【MarkText】；做法很简单，你只用将你看到值得保存的论文、报告、笔记、图片等内容全部保存到【原始素材】(raw)文件夹下，不用管格式与分类，直接存下。

        在这里你还可以在浏览器中安装插件（如：Web Clipper或Obsidian Web Clipper）,就可以将在网页存成笔记到本地了，十分便捷。

        【重点：不需要花费大量的时间来整理内容，这些繁琐的工作教给AI】。

2.2、 定期让AI消化原始素材

        每周或每月，定期的把你的原始素材给到AI（如：Claude、OpenCode、阿里千问、本地使用Ollama搭建的LLM）,然后使用如下类似的提示让AI执行：

#让AI自动整理原始素材的约束配置（即：告诉AI怎么做）示例：
你是我个人知识库的管家，请阅读“原始素材”文件夹中的所有文件，读完后请执行如下操作：
1、提炼每个文件中的核心观点、概念；
2、为每个核心观点、概念写1-6句摘要；
3、在 “个人知识库”文件夹下的“文章摘要”文件夹中为每一个核心观点、概念创建一篇markdown格式的笔记，且该笔记需要指明主题，若笔记已存在则更新，否则创建新的，且该笔记在最后必须链接上它的来源；
4、在根目录下创建一个名为“索引.md”的文件中记录每个核心观点、概念的的链接，并将核心观点、概念按照主题分类，若遇到旧的内容，请更新；
5、在根目录下创建一个名为“地图.md”的文件中标出不同概念之间的关联，按照主题分类，以思维导图的模式呈现，若遇到旧的内容，请更新；
6、在 “个人知识库”文件夹下的“报告洞察”文件夹中按照当前的日期给出一篇markdown格式的总结报告；且该报告中也需要列出目前资料里面还缺少哪些方面；最后在报告末尾给出建议、方向。
7、将此次所有的思考与操作内容按照当前的日期生成一份markdown格式的文件，且按照追加方式将每条日志写入到该文件中，且每条日志以二级标题开头，包含时间戳、操作类型和内容，且该文件是位于根目录下名为“LLMLog”的文件夹中，且不能修改或删除历史记录。

agents.md文件中对AI的框架进行约束后，则可以打开LLM(大语言模型)进行操作了，如下为使用obsidian为前端内容编辑查看工具，配合大语言模型OpenCode实现对个人知识库的操作【即：在opencode左侧的加号(+)选择知识库的根目录，然后在输入框中输入根据当前目录下的agents.md定义的内容框架执行】：

2.3、 对你的知识库提问

当你的wiki（知识库）积累到一定的程度，你就可以使用LLM进行对话了，且在开始对话的时候：

        1、首先把自己的wiki（知识库）告诉AI，让它使用你自己的wiki作为背景资料。

        2、接着你就可以咨询AI关于知识库内资料的相关问题了（此时AI就会根据你累积的所有资料来给出回答，而不是从零开始了）；但要注意：AI的单次对话能读的上限（ChatGPT大概是10万字；Claude大概是15万字），因此若你的wiki太大，则可以在开始的时候就只告诉AI你此次想要咨询的相关资料作为背景资料。

        进阶的做法是：Claude的Projects可以实现将档案上传为专业知识（即：可以将你的wiki设置为永久背景，这样每次新开对话就不用重新设置指定的wiki背景了）。

三、其他资料

AI员工——OpenCode、OpenClaw+Ollama的安装与配置https://coffeemilk.blog.csdn.net/article/details/158777768免费笔记软件且优先本地私有化——Joplin、Obsidianhttps://blog.csdn.net/xiaochenXIHUA/article/details/159675434?spm=1001.2014.3001.5501