卡帕西引爆硅谷！公开「第二大脑」黑科技，1250万人围观

新智元报道

编辑：犀牛

【新智元导读】Karpathy公开个人知识管理新范式：让大模型把你的一切资料「编译」成一部活的百科全书——RAG已死，人类只需负责思考。

就在这两天，AI圈又被一个人引爆了。

不是Sam Altman，不是马斯克，是那个低调、却每次出手都能掀翻桌子的男人——Andrej Karpathy。

这次他是做了一件看起来更「朴素」的事情：把自己的知识管理方式公开了。

就这？就这。

但「就这」，让整个开发者社区炸了锅。

他在X上随手发的一条帖子，短短几天收获了1200多万次围观。

卡帕西背后的意思是：大模型的下一个战场，不是写更多代码，而是管理更多知识。

而他给出的方案，叫做「LLM Wiki」——一种让大模型当你的全职知识管家、24小时不间断整理、更新、自检个人知识库的全新范式。

GitHub上他附带的一份「想法文件」（idea file），不到12小时拿下超2100颗Star。

开发者Farza紧随其后，直接用这套思路，把自己2500条日记、笔记和iMessage消息，让大模型「编译」成了一个拥有400篇结构化文章的个人Wiki百科——Farzapedia。

一个给AI Agent用的、关于「你自己」的百科全书。

听起来科幻？但它已经在运行了。

LLM Wiki 到底是什么？

回忆一下你自己的日常：读了一篇好文章，收藏了；看了一篇论文，存了个PDF；开会记了一段笔记，扔进了Apple Notes；在微信群看到一个不错的观点，截了个图……

然后呢？

然后就没有然后了。

三天后你需要用到某条信息，翻遍所有app、所有文件夹，就是找不到。

要么是关键词想不起来，要么是存的地方太分散，要么干脆就是——记得看过，但忘了在哪看的。

信息越多，大脑越乱；收藏越勤，遗忘越快。

这就是传统知识管理的死穴——它需要你不断花时间手动整理，而人类天生懒得整理。

那AI能帮忙吗？当然能。

目前最主流的做法叫RAG（检索增强生成）：把一堆文档切成碎片，存进向量数据库，用户问问题的时候，AI去「搜」相关片段，拼凑出答案。

NotebookLM、ChatGPT的文件上传功能，本质上都是这个路子。

RAG好不好用？能用，但不够好。

卡帕西一针见血地指出了RAG的根本问题：它每次都在从零开始「重新发现」知识。

你今天问一个需要综合五篇论文才能回答的问题，AI把碎片翻了一遍给你拼了个答案。明天你换个角度再问，它得重新翻一遍、重新拼一遍。

什么都没有积累下来，什么也没有建立起来。

用卡帕西的原话说：「没有积累。」（There's no accumulation.）

那他的方案是什么？

让大模型不是每次「搜」你的文件，而是把你的文件「编译」成一部活的百科全书。

这就是「LLM Wiki」的核心思想。

LLM Wiki的完整架构

卡帕西在GitHub Gist上公开了他的完整构想。

虽然他刻意写得比较「抽象」——因为他认为在AI Agent时代，分享的应该是想法而非具体代码，让每个人的Agent去根据想法定制实现——但整套系统的骨架其实非常清晰。

第一层：原始数据（Raw Sources）

就是你的素材库。论文、文章、代码、图片、数据集……统统扔进一个raw/文件夹。

不需要你整理，不需要你分类，扔进去就行。

这一层是「不可变」的——大模型只读取，绝不修改。这是你的信息源头、真相之本。

卡帕西推荐用Obsidian Web Clipper浏览器插件，看到好文章一键转成Markdown，再用快捷键把图片全部下载到本地，确保以后网站挂了图也不会丢。

第二层：Wiki（The Wiki）

这是整个系统的核心。

大模型读完raw/里的素材后，不是简单地「索引」它们，而是主动地「编译」出一整套结构化的Wiki。

什么叫「编译」？

就像编译器把你的源代码变成可执行程序一样，大模型把你的「原始资料」变成了一部可导航、可查询、互相引用的知识体系。

具体来说，大模型会做这些事：给每篇素材写摘要，抽取关键概念，为重要主题撰写独立文章，在不同页面之间建立反向链接，维护一个总索引文件（index.md），记录操作日志（log.md）。

你几乎不用手动编辑Wiki里的任何内容。

写文章的是大模型，打标签的是大模型，建链接的是大模型。

用卡帕西自己的话说——Obsidian是IDE，大模型是程序员，Wiki是代码库。

第三层：规则文件（The Schema）

这是一份「说明书」，告诉大模型这个Wiki怎么组织、有什么规矩、遇到不同情况该怎么操作。

比如在Claude Code里是CLAUDE.md，在OpenAI Codex里是AGENTS.md。

这份文件由你和大模型「共同进化」——你用着用着发现什么规则好用就加上去，什么不好用就改掉。

四大操作：导入、查询、输出、自检

架构搭好了，日常怎么用？

卡帕西给出了四个核心操作。

操作一：导入（Ingest）

把新素材扔进raw/，告诉大模型：「处理这个。」

大模型读完之后，跟你讨论关键发现，然后写一篇摘要页，更新总索引，并且在整个Wiki中找到所有相关的页面——可能是某个概念页、某个人物页、某个对比页——逐一更新。

一篇新素材可能会触发10到15个Wiki页面的联动更新。

卡帕西个人喜欢一次导入一篇素材，边导入边看大模型写的摘要，确保方向对了。

当然你也可以批量导入，一口气扔100篇论文，让大模型自己慢慢消化。

操作二：查询（Query）

一旦Wiki积累到一定规模，你就可以对着它问各种复杂问题了。

卡帕西自己的一个研究Wiki攒了大约100篇文章、40万字。他本以为这个规模得搞一套复杂的RAG才行——结果发现根本不需要。

为什么？

因为大模型平时把索引文件和摘要维护得很好，它先读索引，找到相关页面，再钻进去细看。

40万字的规模，轻松应对。

而且查询的输出格式不限于文字——可以是Markdown文章，可以是Marp格式的幻灯片，可以是matplotlib图表，任何你想要的可视化形式。

操作三：回填（File Back）

这是最精妙的一步：把查询结果存回Wiki。

你问了一个对比分析的问题，大模型给了你一份精彩的回答——这份回答本身也是有价值的知识。

卡帕西的做法是把这些输出「归档」回Wiki，让它成为Wiki的一部分，供未来的查询使用。

你的每一次提问，都在让知识库变得更丰富。用的越多，它越聪明。

这不是消耗，是投资。

操作四：自检（Lint）

定期让大模型给Wiki做一次「体检」。

检查什么？数据不一致的地方；新素材推翻了旧结论的地方；有引用但没有独立页面的重要概念；孤立的、没有任何链接指向的页面；通过网络搜索可以补全的信息空缺。

这让整个Wiki不仅保持健康，还在不断生长。

VentureBeat对此有一个精彩的评价：「这就像一个能自我修复的活知识库。」（It acts as a livingAIknowledge base that actually heals itself.）

到这里，你会发现卡帕西做出来的东西，跟传统知识库完全不是一回事了。

传统知识库是一个需要你不断喂养的存储工具，而LLM Wiki是一个自运行的知识引擎——大模型负责整理、更新、自检、生长，人类只需要做一件事：思考。

Farzapedia：当你的一生被「编译」成百科全书

如果说卡帕西给出了理论框架，那开发者Farza就是第一个把这套理论「跑通」的人。

Farza做了一件听起来有点疯狂的事：他把自己的2500条日记、Apple Notes笔记和部分iMessage对话全部喂给了大模型，让AI从中「编译」出了一部关于他自己的个人Wiki百科——Farzapedia。

这部「百科全书」包含400篇详细文章，覆盖了他的朋友们、他创办过的公司、他的研究领域、甚至他最爱的动漫以及这些动漫对他的影响。

每篇文章都带有反向链接，形成了一个完整的知识网络。

但最关键的一点是——Farzapedia不是给Farza自己看的，是给他的AIAgent用的。

整个Wiki的结构和链接方式，天然适合Agent爬取。

Farza用Claude Code打开这个Wiki，Agent从index.md（总目录）开始，可以像蜘蛛一样顺着链接一层层钻到它需要的具体页面。

举个例子：Farza在设计一个新项目的落地页，他问Agent：「我最近有什么影响了我审美的电影和图片？帮我找找灵感。」

Agent怎么做的？

它在Wiki里找到了Farza的「哲学」文章——那里记录了他看一部吉卜力纪录片时的笔记；找到了「竞品分析」文章——里面有他截图保存的YC公司落地页；甚至翻出了他几年前存的1970年代披头士乐队周边商品的图片。

结果Agent给出了一份极其精准、极其「懂他」的创意方案。

Farza坦言，他一年前用RAG搭过类似的系统，但体验很差。

而基于文件系统的知识库，让Agent通过它真正理解的目录结构去查找信息，效果天差地别。

而Farzapedia最神奇的地方在于——它是「活」的。

当Farza往Wiki里添加新内容（一篇文章、一张灵感图、一份会议纪要），系统会自动判断这条新信息应该归入哪2到3篇已有文章，或者干脆创建一篇新文章。

用Farza的比喻：「它就像一个超级天才图书管理员，专门管理你的大脑——它永远在帮你把东西归到最合适的位置，而且它从不疲倦。」

权力归你

卡帕西在转发Farzapedia时，用了一段话来阐述他为什么如此推崇这种知识管理方式。

这段话值得仔细品味，因为它透露了一种关于「AI时代个人数据主权」的深层思考。

他归纳了四个核心优势：

第一，显式（Explicit）。你的知识不是藏在某个AI的「隐式记忆」里——那种你看不见、摸不着、也不知道它到底记了什么的黑箱。Wiki是显式的、可导航的，你可以清清楚楚看到AI知道你什么、不知道你什么，可以检视和管理这份「记忆制品」。

第二，你的（Yours）。数据就在你的本地电脑上，不在某个AI厂商的云端系统里。你不需要担心「我的数据被谁拿去训练了」，也不用恐惧「如果哪天换了AI服务商，我的记忆还能不能带走」。

第三，文件优于应用（File overApp）。整个知识库就是一堆Markdown文件和图片——最通用的格式。任何工具都能读取它们，任何Agent都能操作它们，你可以用Obsidian看，也可以自己写个界面来看。这叫「互操作性」。

第四，自带AI（BYOAI - Bring Your Own AI）。你想用Claude就用Claude，想用Codex就用Codex，想用开源模型就用开源模型。甚至你可以把Wiki当训练数据，微调一个「打从权重层面就认识你」的专属AI。AI厂商之间的竞争？让他们卷去，你只管挑最好的用。

卡帕西的总结很干脆：这种个性化方案把你放在了完全的控制位上。数据是你的，格式是通用的，内容是透明的。用哪个AI随你挑，让AI公司们保持紧张吧！

知识的「编译时代」来了

回头看卡帕西的LLM Wiki，你会发现它的精神内核其实并不新。

1945年，美国科学家Vannevar Bush在那篇著名的论文《As We May Think》中，就提出过一个叫「Memex」的构想——一个个人化的、持续策展的知识存储系统，文档之间由「关联线索」（associative trails）连接起来。

Bush认为，文档之间的连接和文档本身一样有价值。

这个想法比互联网还早了半个世纪。

后来，互联网确实实现了文档的连接，但走向了公共化、碎片化，而非个人化、结构化。

Bush当年没能解决的问题只有一个：谁来做维护？

现在，大模型解决了这个问题。

卡帕西的方案，本质上是对Bush的Memex做了一次「现代编译」：AI负责所有枯燥的维护工作——更新交叉引用、保持摘要最新、发现新旧数据的矛盾、维护几十上百个页面之间的一致性。

人类之所以放弃维护知识库，不是因为不想，而是因为维护成本增长得比价值更快。

大模型消除了这个瓶颈。

我们正在目睹一个新范式的诞生——从「AI搜索信息」到「AI编译知识」。

在这个范式里，大模型不再只是一个你问什么它答什么的「搜索引擎」，而是一个持续运转的「知识编译器」。

你的人生经历、工作素材、阅读记录、灵感碎片，都是它的「源代码」。

而它的产出，是一部只属于你的、永远在生长的、从不遗忘的「第二大脑」。

人类负责思考，AI负责记住。

这可能是大模型最「朴素」、却也最深刻的一个应用方向。

不炫技，不烧钱，不需要百万Token的上下文窗口，不需要复杂的向量数据库——就是一堆Markdown文件，加上一个勤劳的AI图书管理员。

1945年，Vannevar Bush只能把Memex画在纸上。

2026年，你可以把它跑在你的笔记本电脑上了。

未来已来。

参考资料：

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

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

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