大咖Karpathy的工作秘訣，Hermes全新內置技能大揭秘！

AI 圈有些人一發東西，大家會習慣性多看兩眼。

Karpathy 就是這種人。

他是 OpenAI 早期成員，后來做過 Tesla 的 AI 負責人，也一直在做 AI 教育內容。

很多人第一次系統學習神經網絡、深度學習、LLM，可能都刷到過他的課程、視頻或者文章，Karpathy 個人網站里也介紹過這些經歷，是絕絕對對的大神級人物。

所以他最近在 GitHub Gist 上發了一篇叫 LLM Wiki 的小文檔，我覺得 Hermes 用戶很值得看一下。

這個文檔很短，但思路挺有意思。

它沒有上來做一個復雜軟件，也沒有扔給你一堆安裝命令。Karpathy 自己說，這是一份創意文件 “idea file”，可以復制到你自己的 LLM Agent 里，讓 Agent 和你一起把具體實現搭出來。

說成人話就是：

讓 AI 幫你把平時看過的資料、整理過的內容、問過的問題，慢慢養成一個自己的 wiki（知識百科）。

這事聽起來簡單，但對 Hermes 用戶很實用。

因為很多人現在用 Hermes，最大的問題不是不會問，而是問完就散。

今天讓它總結一個項目。
明天讓它整理一篇文章。
后天又讓它分析一個工具。

當時看著都挺好。

過幾天真要寫文章、做教程、找素材，又不知道去哪里翻。

聊天記錄里有一點。
收藏夾里有一點。
本地文件夾里有一點。
腦子里還剩一點模糊印象。

這就是 Karpathy 這個 LLM Wiki （大模型知識百科） 想解決的問題。

更巧的是，Hermes 現在已經把這個思路做成了內置 Skill。Hermes 的 Skills Hub 里可以看到 llm-wiki，并標注為內置；GitHub 上的 skill md文件也寫得很清楚：它基于 Karpathy 大神的思路，用來建立和維護一個持久、互相鏈接的知識庫。

所以這篇我們就用大白話講清楚：

Karpathy 這個方法到底好在哪？
Hermes 里的 llm-wiki 怎么用？
普通用戶怎么拿它做資料庫、選題庫、踩坑筆記？

一、我們平時怎么把 AI 用浪費了？

很多人用 AI 整理資料，大概都是這個流程。

看到一個 GitHub 項目：

幫我總結一下這個項目

看到一篇文章：

幫我提煉重點

看到一個工具說明：

幫我寫成大白話教程

AI 很快就給你答案。

當時挺爽。

但這段答案通常就“只”留在聊天記錄里了。

下次你再寫相關內容，可能又得重新問。
再過一段時間，你甚至忘了自己問過什么。

如果你是做內容的，這個問題會更明顯。

你研究過 Token。
研究過 MCP。
研究過 Prompt。
研究過 Hermes。
研究過 OpenClaw。
也整理過一堆 Skill。

可每次寫新文章，還是像重新開工。

以前攢下來的東西沒有長成體系。

Karpathy 這個 LLM Wiki 的思路，就是把這些零散內容收起來，讓 AI 幫你不斷整理、歸檔、補鏈接、查矛盾、更新頁面。

你可以把它理解成：

讓 AI 當你的資料管理員。

你負責找資料、提方向、做判斷。
它負責整理頁面、更新索引、建立關聯、維護記錄。

這就很適合 Hermes。

Hermes 本來就適合在 CLI 里長期用。
你跟它對話，它能讀文件、寫文件、執行任務。
現在加上 llm-wiki 這個 Skill，就能把“資料沉淀”這件事固定下來。

二、Karpathy 這個方法和普通 RAG 有什么區別？

很多人聽到知識庫，第一反應就是 RAG、向量數據庫、embedding、檢索增強。

這些當然有用。

但普通用戶聽到這些詞，頭已經有點大了。

Karpathy 這篇文檔的思路更樸素。

他講的是：很多文件上傳、NotebookLM、RAG 系統，常見做法是在你提問的時候，再從原始資料里找相關片段，然后拼出一個回答。這個方式能跑，但每次提問都像重新發現一次知識。

LLM Wiki 的路線更像這樣：

你丟進來一份新資料。 ->AI 先讀。 ->然后寫進 wiki。 ->更新相關概念頁面。 ->改索引。 ->補交叉鏈接。 ->記錄日志。 ->遇到新資料和舊資料說法不一致，還要標出來。

這樣你的資料庫會慢慢變厚。

下次再問的時候，它不用完全從零開始。

因為很多整理工作已經提前做過了。

打個比方。

普通問答像臨時請人幫你看一份資料。
LLM Wiki 更像請了個資料管理員，每次看完都會把資料放到合適的柜子里，還貼好標簽。

時間越久，差距越明顯。

三、Hermes 用戶為什么適合學這個？

我覺得它特別適合這幾類人。

1. 經常研究 AI 工具的人

比如你今天研究 Hermes。
明天研究 OpenClaw。
后天研究 MCP。
再過幾天又看到一個新 Skill。

如果每次都只是讓 AI 總結一下，資料很快就散了。

用 llm-wiki 的方式，可以把這些內容慢慢整理成：

• Hermes 使用筆記
• OpenClaw 使用筆記
• Skill 教程庫
• MCP 大白話資料
• 常見報錯和解決方法
• 適合寫文章的選題卡片

以后再寫文章，就有地方查了。

2. 做頭條、公眾號、小紅書內容的人

做內容最怕什么？

不是今天寫不出一篇。

是看了很多東西，最后留不下來。

你看到一個好項目，當時覺得能寫。
過兩天忘了。
看到一個評論區痛點，當時想收藏。
結果也找不到了。

llm-wiki 可以幫你把這些東西變成“選題庫”。

你每次看到資料，都讓 Hermes 幫你整理成固定格式。

比如：

• 這個項目適合誰
• 讀者痛點是什么
• 能不能給命令
• 有沒有保姆級教程空間
• 標題可以怎么起
• 有哪些需要驗證的地方

這樣后面選題會輕松很多。

3. 喜歡折騰 Hermes / OpenClaw 的用戶

這類用戶經常遇到安裝問題、環境問題、命令問題。

如果每次踩坑后都只是發個聊天記錄，后面還是容易重復踩。

你可以讓 llm-wiki 幫你整理成：

• 安裝問題
• 配置問題
• Skill 問題
• 模型問題
• CLI 命令問題
• 常見報錯

這些內容對你自己有用，對你寫文章也有用。

四、先確認 Hermes 里有沒有這個 Skill

打開 Hermes 后，先輸入：

/skills search wiki

如果看到 llm-wiki，就可以繼續。

也可以直接看完整 Skill 列表：

/skills

命令行里也可以試：

hermes skills list | grep wiki

如果能看到 llm-wiki，說明你可以直接玩。

如果暫時沒看到，先更新 Hermes，再重新搜：

hermes update

然后再回到新會話里試：

/skills search wiki

這里建議大家別一上來就說“幫我建一個知識庫”。

先確認 Skill 存在，再調用它。

這樣效果會穩一些。

五、第一次用，范圍一定要小

很多人一聽知識庫，就想干一件大事：

把自己所有文章、PDF、網頁、筆記全都導進去。

這個開局很容易亂。

我建議第一次只建一個小 wiki。

比如你是 Hermes / OpenClaw 用戶，可以這樣輸入：

/llm-wiki 幫我建立一個“AI Agent 寫作資料庫”。這個資料庫只整理三類內容：1. Hermes 使用經驗2. OpenClaw 使用經驗3. Skill 和命令教程先幫我規劃 wiki 結構，不要急著導入資料。

這條很適合第一次用。

它先讓 Hermes 規劃結構。

你可以先看它準備怎么分頁面、怎么命名、怎么整理。

覺得方向對了，再繼續喂資料。

Karpathy 在 LLM Wiki 文檔里提到，一個 wiki 大概可以分成三層：raw sources、wiki、schema。原始資料保持不動，wiki 由 LLM 生成和維護，schema 用來約束它怎么組織內容、怎么處理資料、怎么回答問題。

這套思路放到 Hermes 里，理解起來很簡單：

原始資料先別亂動。
整理出來的頁面交給 Hermes。
規則提前講清楚。

六、喂第一份資料，用這個模板

假設你看到一篇 MCP 文章，想放進自己的 AI Agent 資料庫。

可以復制這段：

/llm-wiki 請把下面這篇資料加入我的“AI Agent 寫作資料庫”。請按這個格式處理：1. 用大白話總結這份資料2. 提煉里面的關鍵概念3. 判斷它適合寫成哪類頭條文章4. 找出和 Hermes、OpenClaw、Skill、MCP 相關的地方5. 和已有 wiki 頁面建立關聯6. 標出需要我人工核實的信息7. 最后更新 index 和 log

如果是 GitHub 項目，可以換成這個：

/llm-wiki 請把這個 GitHub 項目整理進我的 AI Agent 寫作資料庫。項目地址：粘貼鏈接請輸出：1. 項目一句話介紹2. 適合什么用戶3. 最適合寫成文章的切入點4. 讀者能不能動手5. 有沒有命令或安裝步驟6. 和 Hermes / OpenClaw 有沒有關系7. 需要我后續驗證的地方

如果是你自己的舊文章，可以這樣：

/llm-wiki 請把我這篇舊文章加入知識庫。重點不要只做摘要，請幫我分析：1. 這篇文章屬于哪個主題2. 標題用了什么鉤子3. 哪些表達可以復用4. 后續還能延展出哪些選題5. 和已有頁面建立鏈接

這些模板對 Hermes 用戶比較友好。

不用寫代碼。
不用理解數據庫。
會在 CLI 里對話就能試。

七、以后寫文章，就讓它先查 wiki

知識庫建起來以后，你后面就可以換一種問法。

以前你可能會問：

幫我想 10 個 AI 科普選題

現在可以這樣：

/llm-wiki 基于我已有的 AI Agent 寫作資料庫，幫我找 10 個適合今日頭條的選題。要求：1. 讀者是 Hermes / OpenClaw 用戶2. 不要太偏開發3. 最好能給命令或操作步驟4. 標題要有真實痛點5. 每個選題說明它為什么值得寫

再比如你想寫一篇關于 Skill 的文章：

/llm-wiki 查一下我知識庫里關于 Skill、Prompt、Hermes 的內容。請幫我規劃一篇文章：標題方向：為什么會用 Skill 的人，越來越少手寫 Prompt要求：1. 大白話2. 有使用場景3. 有可復制命令4. 適合 Hermes / OpenClaw 用戶5. 結尾給收藏模板

這時候它就有資料可以參考了。

它不只是臨時幫你想一個標題。

它會把你之前研究過的東西拿出來重新組合。

Karpathy 文檔里也提到，提問產生的好回答，也可以寫回 wiki，變成新頁面。比如一次比較、一次分析、一次新發現，都可以繼續沉淀進去。

這點對內容創作者很有用。

你每次問出來的好東西，都可以留下。

八、定期讓它給知識庫做一次“體檢”

知識庫越用越久，也會慢慢變亂。

有些頁面重復了。
有些鏈接斷了。
有些說法過時了。
有些舊資料和新資料對不上。
有些概念出現很多次，卻一直沒單獨建頁面。

Karpathy 文檔里專門提到一個操作叫 lint（紗布，意思是“包扎傷口”-解決問題）。簡單講，就是讓 LLM 定期檢查 wiki 的健康狀況，比如找矛盾、找過時說法、找孤立頁面、找缺失鏈接、找值得繼續調查的問題。

Hermes 里可以這樣用：

/llm-wiki 請給我的 AI Agent 寫作資料庫做一次體檢。請檢查：1. 有沒有重復頁面2. 有沒有孤立頁面3. 有沒有過時信息4. 有沒有互相矛盾的內容5. 哪些頁面應該補鏈接6. 哪些主題值得繼續找資料7. 給我一份修復建議，不要直接大改

這條命令很值得收藏。

很多人的知識庫最后廢掉，

更多是因為沒人維護。

Karpathy 這套方法厲害的地方，就在這里。

人很容易嫌整理麻煩。
AI 不怕這種雜活。

它可以補鏈接、改索引、寫日志、檢查沖突。

你來決定哪些東西值得保留，哪些方向值得繼續挖。

九、適合直接保存的 3 個場景模板 模板 1：建立 AI 黑話資料庫

/llm-wiki 幫我建立一個“AI 黑話大白話資料庫”。初始主題包括：Token、Prompt、Agent、MCP、RAG、Skill、Vibe Coding、Hermes、OpenClaw。每個主題頁面都按這個格式：1. 一句話解釋2. 普通人容易誤解的地方3. 適合寫成文章的角度4. 可以舉的生活化例子5. 相關主題鏈接先規劃結構，不要一次性寫太多內容。

/llm-wiki 幫我建立一個“Hermes 使用筆記”。請按下面分類：1. 安裝教程2. 常用命令3. Skill 使用4. 報錯和解決方法5. 好用模板6. 適合寫文章的案例以后我每次發給你新的使用經驗，都按這個結構歸檔。

/llm-wiki 幫我建立一個“今日頭條 AI 選題庫”。每次加入資料時，請幫我整理：1. 資料來源2. 主題關鍵詞3. 讀者痛點4. 可寫標題5. 是否適合 Hermes / OpenClaw 用戶6. 是否能提供命令或操作步驟7. 收藏價值判斷

這三個模板你可以直接放在文章里。

讀者看到會比較有收獲。

十、新手最容易踩的幾個坑 1. 一上來就做“大而全”的知識庫

比如：

幫我建立一個我的全部知識庫

這個范圍太大。

新手更適合從一個小主題開始。

比如：

AI Agent 寫作資料庫Hermes 使用筆記OpenClaw Skill 教程庫AI 黑話大白話資料庫

越具體，越容易做出效果。

2. 只讓它總結，忘了讓它關聯

如果只是這樣：

幫我總結這篇文章

那還是一次性問答。

更好的說法：

請把它整理進我的 wiki，并和已有頁面建立關聯。

這一步才是 wiki 的價值。

資料之間連起來，后面才好查。

3. 完全不做人工判斷

AI 可以整理資料，但最后要不要保留、怎么歸類、哪些說法可信，還是要你看一眼。

尤其是：

• 安裝命令
• 版本變化
• GitHub 項目功能
• 第三方教程
• 需要實測的效果

這些內容最好加一欄：

需要人工核實的信息

讓 Hermes 標出來，你后面再確認。

十一、給新手的最小上手流程

如果你已經裝好 Hermes，可以直接跑這 4 步。

第一步：搜索 Skill

/skills search wiki

/llm-wiki 幫我建立一個“AI Agent 寫作資料庫”。范圍只包括：1. Hermes2. OpenClaw3. Skill 使用4. MCP 和 Prompt 這類 AI 黑話先規劃結構，不要導入資料。

/llm-wiki 請把下面這篇資料加入知識庫。請整理：1. 摘要2. 關鍵概念3. 適合寫成文章的角度4. 和已有頁面的關聯5. 需要我人工核實的地方

/llm-wiki 基于我已有知識庫，幫我規劃一篇今日頭條文章。要求：1. 有真實痛點2. 有可復制命令3. 門檻不要太高4. 讀者看完能馬上動手

這 4 步夠新手先跑起來。

十二、最后說幾句實在的

Karpathy 這個 LLM Wiki，最值得學的地方不是技術多復雜。

它提醒了一個很樸素的問題：

我們每天讓 AI 總結那么多文章、項目、教程，最后到底留下了什么？

如果所有東西都躺在聊天記錄里，用久了就會越來越散。

Hermes 現在把 llm-wiki 做成內置 Skill，剛好給普通用戶一個入口。

先別想著做一個龐大的第二大腦。

先建一個小資料庫。
先喂一篇文章。
先讓它幫你整理一次。
先看它怎么寫頁面、怎么補鏈接、怎么更新記錄。

跑通一次，你大概就能理解 Karpathy 這個方法為什么值得學。

以后你再用 Hermes，可以多問一句：

這次內容要不要也存進我的 wiki？

很多長期價值，就是從這句開始攢起來的。