1.5万星的Karpathy知识库，让散户激动了

来源：市场资讯

（来源：敏敏唠唠叨叨）

前特斯拉AI总监、OpenAI联创Andrej Karpathy在GitHub上发了一个知识库文件，叫 llm-wiki.md。

75行markdown，不到2000字，一周拿了15000个star。

很多人把它理解成"用AI做笔记的新方法"。

不是。

如果你做投资，它的意义远比"做笔记"大得多。

他到底说了什么

Karpathy的核心观点是，不要每次都让AI临时翻资料回答你。让AI帮你持续维护一个知识库，新信息进来就整理好，旧信息自动更新，资料之间的关联自动建立。

他管这个叫 LLM Wiki，说白了就是知识库。

那这个和我们现在常见的"丢文档给AI问问题"（也就是RAG）有什么区别？

打个比方：

RAG 像你每次出门都现查地图。堵车了？查一次。换路了？再查一次。每次都从零开始。

LLM Wiki 像有一个助手，每天帮你更新一张私人地图。哪条路修了，哪里新开了路，哪个口子最近特别堵——都标好了。你出门前扫一眼就行。

区别在四个字：知识复利。

为什么这件事对炒股的人特别重要

做投资的人，最大的损耗是什么？

不是信息少。2026年了，信息多到喝水都能呛着。

是研究不复利。

你一定有过这种经历：

去年认真研究过一只股票，写了好多笔记，今年再看，像没研究过一样

买入时有5条理由，跌了30%以后一条都想不起来

看了20份研报，关掉浏览器，脑子里只剩一个模糊的"好像挺看好的"

卖完一只股票，从来没认真想过"这次到底学到了什么"

问题不在于你不够努力。

问题在于，没有人帮你把零散的研究整理成可以反复调用、持续更新的资产。

这恰好是Karpathy解决的事。

从炒股角度来进行架构拆解

Karpathy的系统有三层，非常清晰：

第一层：原始资料

财报、研报、新闻、电话会纪要、行情数据、聊天记录。

这些是"只读"的——进来了就不改，永远当原始证据保存。

第二层：知识库（Wiki）

这是核心。

AI 读完原始资料后，不是简单做个摘要就完事。而是：

给每家公司建一个"档案页"：基本面、看多逻辑、风险、催化剂、退出条件

给每个投资主题建一个"主题页"：AI算力周期、存储景气度、港股高息、美联储政策

给每个策略建一个"策略页"：动量策略适合什么市场、全天候组合怎么配

给每个持仓建一个"论据页"：我为什么买的、证据是什么、什么情况下论据失效

最关键的是——这些页面之间互相连接。

美光的公司页链接到存储周期的主题页，存储周期链接到AI算力主题页，AI算力又链接到英伟达和台积电。新的财报出来，不只是更新一个页面，而是沿着这些连接，把相关的页面全部同步更新。

Karpathy自己的原话：

"一个新资料进来，可能要触及10-15个Wiki页面。"

这才是"知识复利"的意思：不是存了多少，而是连接了多少。

第三层：规则文件

一份告诉AI"怎么维护这个知识库"的说明书。

• 什么格式

• 什么命名规范

• 新资料进来怎么处理

• 多久做一次"健康检查"

• 哪些矛盾需要标记

相当于给AI立了一套投研纪律。

三个最狠的操作

他定义了三种核心操作，我觉得每一种都直接能用到投资上。

操作一：Ingest（入库）

新资料进来，不是往文件夹里一扔就完了。

AI 会：

• 读完资料

• 提取关键信息

• 更新对应的公司页、主题页、论据页

• 标记新信息和旧结论之间的矛盾

• 记录日志

举个例子：一份美光季报出来了。

AI 不只是写个"美光Q2收入beat"的摘要。它还会去检查——之前存储周期主题页里写的"库存正在去化"，和这份财报里的库存数据一致吗？之前的看多论据"DRAM价格趋势向上"，这次财报支持还是削弱了？

这才是真正的研究助理该做的事。

操作二：Query（查询）

你问问题，AI 不是从零开始翻资料。

它先看索引，找到相关的Wiki页面，读完之后综合回答。

更重要的是——好的回答可以存回知识库。

你问了一个"美光现在的看多逻辑还成立吗？"，AI 给了一个高质量分析，这个分析本身就变成知识库的一部分，下次不用重新推导。

这就像你的研究在"滚雪球"。

操作三：Lint（健康检查）

定期让AI扫描整个知识库，找问题：

有没有页面超过30天没更新？

有没有论据已经被新数据推翻但还没标记？

有没有公司页之间该有的关联没建上？

有没有该关注但还没建页面的主题？

这一步是投资者最容易忽略、也最需要的。

因为投资里最贵的错误，往往不是"买错了"，而是"该更新判断的时候没更新"。

你还在拿着一个半年前的看多逻辑，但世界已经变了。

他真正说对了什么

Karpathy最后说了一句很到位的话：

"人类放弃维护知识库，是因为维护成本增长快于知识价值。LLM改变了这个等式。"

这句话值得再读一遍。

为什么你的Notion笔记最后都荒了？为什么你的读书笔记从来不翻第二遍？为什么你明明研究过的公司，两个月后像没看过一样？

不是你懒。

是维护知识库这件事，对人类来说成本太高了。

更新交叉引用、保持信息同步、标记矛盾、补充缺漏——这些事极其重要，但极其无聊。

LLM 不觉得无聊。它一次能改15个文件，不会漏掉交叉引用，不会忘记标记矛盾。

当维护成本接近零的时候，知识库才真正能复利。

从"做研究"到"养资产"

不要只做研究，要养研究资产。

"做研究"是一次性的——看了一份报告，做了一个判断，然后这个判断就埋在聊天记录里了。

"养资产"是持续的——每一份报告都变成知识库的一部分，每一个判断都有证据链，每一次市场验证都更新了你对这家公司的理解。

具体来说：

做研究｜养研究资产

看完研报，记个要点｜更新到公司页，关联到主题页

买入时心里有想法｜写成thesis，列出证据和反证

跌了，"拿着吧" ｜检查论据是被强化了还是被削弱了

卖了，结束 ｜复盘页：为什么买、为什么卖、学到什么

再看同一只股票，从头来 ｜打开公司页，所有历史研究都在

前者是消耗，后者是积累。

这和量化有什么关系

你可能觉得这是主观投资者的事。做量化的人不需要这些。

恰恰相反。

量化最怕的就是叙事漂移——

你用一套逻辑建了模型，回测很好，上线跑。跑了三个月，回撤了。你开始讲一个新故事来解释为什么回撤是合理的。再过三个月，你已经忘了最初那套逻辑到底是什么了。

知识库能干什么？

锁住原始逻辑：建仓时的依据、参数选择的原因、回测里哪些假设是关键的

追踪演变：什么时候市场环境变了、什么时候你调了参数、为什么调的

防止自欺：当初说好的退出条件，到底是否触发了

主观研究给方向，量化模型给纪律，知识库给记忆。

三者缺一不可。

我正在做的方向

说到这里，其实可以分享一下我们在 Alpha GBM 上的一些思考。

我们做Alpha GBM，不是想用模型替代投资者思考。

而是想做一件事：

把信息、论据、量化验证、风险管理和执行建议连成一个闭环。

信息层：新闻、财报、行情数据的结构化整理

论据层：为什么看多/看空，证据是什么，证据有没有过期

验证层：历史统计、因子回测、风险暴露分析

执行层：在什么位置买、仓位多大、什么条件退出

复盘层：事后追踪，判断有没有失真

这不是一个"选股工具"。

这是一个让投资判断从"拍脑袋"变成"可追踪、可校验、可迭代"的系统。

和Karpathy说的LLM Wiki，底层逻辑是一样的：

让认知可以复利。

最后

Karpathy那75行markdown知识库之所以火，不是因为技术多高深。

是因为它击中了一个所有人都有、但很少有人说清楚的痛点：

我们不缺信息，我们缺的是把信息变成可复用判断的能力。

对做投资的人来说，这个痛点还要再加一句：

在市场里，过期的判断比没有判断更危险。

知识库不是用来存资料的。

是用来确保你的判断永远跟得上最新事实的。