卡帕西引爆硅谷！公開「第二大腦」黑科技，1250萬人圍觀

新智元報道

編輯：犀牛

【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、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」，讓整個開發者社區炸了鍋。

他在X上隨手發的一條帖子，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。

GitHub上他附帶的一份「想法文件」（idea file），不到12小時拿下超2100顆Star。

開發者Farza緊隨其后，直接用這套思路，把自己2500條日記、筆記和iMessage消息，讓大模型「編譯」成了一個擁有400篇結構化文章的個人Wiki百科——Farzapedia。

一個給AI Agent用的、關于「你自己」的百科全書。

聽起來科幻？但它已經在運行了。

LLM Wiki 到底是什么？

回憶一下你自己的日常：讀了一篇好文章，收藏了；看了一篇論文，存了個PDF；開會記了一段筆記，扔進了Apple Notes；在微信群看到一個不錯的觀點，截了個圖……

然后呢？

然后就沒有然后了。

三天后你需要用到某條信息，翻遍所有app、所有文件夾，就是找不到。

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。

目前最主流的做法叫RAG（檢索增強生成）：把一堆文檔切成碎片，存進向量數據庫，用戶問問題的時候，AI去「搜」相關片段，拼湊出答案。

NotebookLM、ChatGPT的文件上傳功能，本質上都是這個路子。

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「重新發現」知識。

你今天問一個需要綜合五篇論文才能回答的問題，AI把碎片翻了一遍給你拼了個答案。明天你換個角度再問，它得重新翻一遍、重新拼一遍。

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？

讓大模型不是每次「搜」你的文件，而是把你的文件「編譯」成一部活的百科全書。

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去根據想法定制實現——但整套系統的骨架其實非常清晰。

第一層：原始數據（Raw Sources）

就是你的素材庫。論文、文章、代碼、圖片、數據集……統統扔進一個raw/文件夾。

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。

卡帕西推薦用Obsidian Web Clipper瀏覽器插件，看到好文章一鍵轉成Markdown，再用快捷鍵把圖片全部下載到本地，確保以后網站掛了圖也不會丟。

第二層：Wiki（The Wiki）

這是整個系統的核心。

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。

具體來說，大模型會做這些事：給每篇素材寫摘要，抽取關鍵概念，為重要主題撰寫獨立文章，在不同頁面之間建立反向鏈接，維護一個總索引文件（index.md），記錄操作日志（log.md）。

你幾乎不用手動編輯Wiki里的任何內容。

寫文章的是大模型，打標簽的是大模型，建鏈接的是大模型。

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

第三層：規則文件（The Schema）

這是一份「說明書」，告訴大模型這個Wiki怎么組織、有什么規矩、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。

這份文件由你和大模型「共同進化」——你用著用著發現什么規則好用就加上去，什么不好用就改掉。

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。」

大模型讀完之后，跟你討論關鍵發現，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10到15個Wiki頁面的聯動更新。

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，確保方向對了。

當然你也可以批量導入，一口氣扔100篇論文，讓大模型自己慢慢消化。

操作二：查詢（Query）

一旦Wiki積累到一定規模，你就可以對著它問各種復雜問題了。

卡帕西自己的一個研究Wiki攢了大約100篇文章、40萬字。他本以為這個規模得搞一套復雜的RAG才行——結果發現根本不需要。

為什么？

因為大模型平時把索引文件和摘要維護得很好，它先讀索引，找到相關頁面，再鉆進去細看。

40萬字的規模，輕松應對。

而且查詢的輸出格式不限于文字——可以是Markdown文章，可以是Marp格式的幻燈片，可以是matplotlib圖表，任何你想要的可視化形式。

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？數據不一致的地方；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 livingAIknowledge base that actually heals itself.）

到這里，你會發現卡帕西做出來的東西，跟傳統知識庫完全不是一回事了。

傳統知識庫是一個需要你不斷喂養的存儲工具，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。

這部「百科全書」包含400篇詳細文章，覆蓋了他的朋友們、他創辦過的公司、他的研究領域、甚至他最愛的動漫以及這些動漫對他的影響。

每篇文章都帶有反向鏈接，形成了一個完整的知識網絡。

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

舉個例子：Farza在設計一個新項目的落地頁，他問Agent：「我最近有什么影響了我審美的電影和圖片？幫我找找靈感。」

Agent怎么做的？

它在Wiki里找到了Farza的「哲學」文章——那里記錄了他看一部吉卜力紀錄片時的筆記；找到了「競品分析」文章——里面有他截圖保存的YC公司落地頁；甚至翻出了他幾年前存的1970年代披頭士樂隊周邊商品的圖片。

結果Agent給出了一份極其精準、極其「懂他」的創意方案。

Farza坦言，他一年前用RAG搭過類似的系統，但體驗很差。

而基于文件系統的知識庫，讓Agent通過它真正理解的目錄結構去查找信息，效果天差地別。

而Farzapedia最神奇的地方在于——它是「活」的。

當Farza往Wiki里添加新內容（一篇文章、一張靈感圖、一份會議紀要），系統會自動判斷這條新信息應該歸入哪2到3篇已有文章，或者干脆創建一篇新文章。

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時代個人數據主權」的深層思考。

他歸納了四個核心優勢：

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）。數據就在你的本地電腦上，不在某個AI廠商的云端系統里。你不需要擔心「我的數據被誰拿去訓練了」，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」。

第三，文件優于應用（File overApp）。整個知識庫就是一堆Markdown文件和圖片——最通用的格式。任何工具都能讀取它們，任何Agent都能操作它們，你可以用Obsidian看，也可以自己寫個界面來看。這叫「互操作性」。

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當訓練數據，微調一個「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。數據是你的，格式是通用的，內容是透明的。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，你會發現它的精神內核其實并不新。

1945年，美國科學家Vannevar Bush在那篇著名的論文《As We May Think》中，就提出過一個叫「Memex」的構想——一個個人化的、持續策展的知識存儲系統，文檔之間由「關聯線索」（associative trails）連接起來。

Bush認為，文檔之間的連接和文檔本身一樣有價值。

這個想法比互聯網還早了半個世紀。

后來，互聯網確實實現了文檔的連接，但走向了公共化、碎片化，而非個人化、結構化。

Bush當年沒能解決的問題只有一個：誰來做維護？

現在，大模型解決了這個問題。

卡帕西的方案，本質上是對Bush的Memex做了一次「現代編譯」：AI負責所有枯燥的維護工作——更新交叉引用、保持摘要最新、發現新舊數據的矛盾、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」，而是一個持續運轉的「知識編譯器」。

你的人生經歷、工作素材、閱讀記錄、靈感碎片，都是它的「源代碼」。

而它的產出，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。

不炫技，不燒錢，不需要百萬Token的上下文窗口，不需要復雜的向量數據庫——就是一堆Markdown文件，加上一個勤勞的AI圖書管理員。

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。

參考資料：

https://x.com/karpathy/status/2040470801506541998

https://x.com/karpathy/status/2039805659525644595

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