前段时间，Karpathy（OpenAI创始成员）的LLM Wiki火遍全网，核心观点：传统RAG没有知识积累；而LLM Wiki可持续演进、复利增长

很快，就有人在GitHub上开源了 Karpathy 所提的的LLM知识库：Graphify，目前已20.8kStar，很火热。

指向任意文件夹。在 Claude Code 中运行/graphify。然后。done

你可以这样询问它：

• “什么调用了这个函数？” “这两个概念之间有何联系？” “这个项目中最重要的节点是什么？”

无需向量数据库。无需安装。无需配置文件。

经过对graphify工作原理的分析发现，其核心思路跟微软GraphRAG很是相似。

被Karpathy的LLM Wiki杀死的是RAG，而GraphRAG还活着~

graphify关键步骤

• 处理文档、论文和图片，从中提取概念、关系和设计动机
• 用 Leiden 社区发现算法做聚类

来源于AI作弊码：工作原理

微软GraphRAG关键步骤

• 实体&关系抽取
• 层次Leiden社区发现

graphify使用指南

• 安装

手动安装（curl）mkdir -p ~/.claude/skills/graphifycurl -fsSL https://raw.githubusercontent.com/safishamsi/graphify/v3/graphify/skill.md \  > ~/.claude/skills/graphify/SKILL.md  把下面内容加到 ~/.claude/CLAUDE.md：- **graphify** (`~/.claude/skills/graphify/SKILL.md`) - any input to knowledge graph. Trigger: `/graphify`When the user types `/graphify`, invoke the Skill tool with `skill: "graphify"` before doing anything else.

• 用法
• 得到什么

God nodes —— 度最高的概念节点（整个系统最容易汇聚到的地方）

**意外连接 **—— 按综合得分排序。代码-论文之间的边会比代码-代码边权重更高。每条结果都会附带一段人话解释。

置信度分数—— 每条 INFERRED 边都有 confidence_score（0.0-1.0）。你不只知道哪些是猜出来的，还知道模型对这个猜测有多有把握。EXTRACTED 边恒为 1.0。

语义相似边—— 跨文件的概念连接，即使结构上没有直接依赖也能建立关联。比如两个函数做的是同一类问题但彼此没有调用，或者某个代码类和某篇论文里的算法概念本质相同。

超边（Hyperedges） —— 用来表达 3 个以上节点的群组关系，这是普通两两边表达不出来的。比如：一组类共同实现一个协议、认证链路里的一组函数、同一篇论文某一节里的多个概念共同组成一个想法。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】