"最近我发现一件非常有用的事情：用 LLM 来为自己感兴趣的研究主题构建个人知识库。这样一来，我最近大部分的 token 消耗，不再是用来「操作代码」，而是用来「操作知识」。"
这是 Andrej Karpathy——那个被称为"AI 大神"、特斯拉前 AI 总监、OpenAI 联合创始人——在 2026 年 4 月发的一条推特。
苏米注：这条推特炸了。8197 人点赞，1702 人转发。大家都在说：这可能就是 AI 时代知识管理的下一个范式。
故事从一个问题开始
你有没有过这样的经历？
你在网上看到一篇好文章，收藏了。过几天，你又看到一篇相关的，又收藏了。再过一段时间，你想找某个知识点，你记得你看过，但你不记得在哪一篇里了。于是你开始翻收藏夹，一篇一篇地点开，一页一页地找......
这就是现在大多数人使用 AI 处理知识的方式：
你问 AI 一个问题 → AI 从一堆文件里找相关内容 → AI 回答你
看起来挺方便对吧？但问题在于：每次你问问题，AI 都要重新从零开始找资料。
问你 5 次同样的主题，AI 就要找 5 次之前读过的资料。知识没有积累下来，就像熊瞎子掰玉米，掰一个丢一个。
这就是目前最流行的 RAG（检索增强生成）方式的根本缺陷。RAG 本质上是一个"临时工"——每次干活都要重新翻箱倒柜，干完就忘，下次还得重来。
苏米注：你的知识库越大，这个问题越严重。文档从 10 篇变成 100 篇，检索的噪音就指数级增长，回答质量反而下降。
Karpathy 的灵机一动
Karpathy 是最早意识到这个问题的人。
作为一个 AI 专家，他每天要读大量的论文、博客、技术文档。他发现，用传统的 RAG 方式，效率太低了。每次问问题，AI 都要从头开始"挖矿"，而且经常挖到不相关的东西。
他问了自己一个问题：
"能不能让 AI 在第一次读文章的时候，就直接把要点记成笔记？然后下次问我直接读笔记就行了？"
这个想法看似简单，实则是一个范式转换。传统 RAG 是"读时检索"——你问的时候才去找。而 LLM Wiki 是"写时编译"——信息进来的时候就整理好，问的时候直接用。
这就是 LLM Wiki 的核心思路：
- 添加来源 → AI 编译成结构化笔记 → 知识积累下来
- 问 AI 问题 ← AI 直接读整理好的笔记 ← 每次都在变聪明
知识只需要"编译"一次，之后就永久积累，不再重复处理。
用一个类比来说：RAG 就像你每次考试都从头翻课本找答案，而 LLM Wiki 就像你平时就做好了笔记，考试的时候直接翻笔记。哪个快？不言而喻。
LLM Wiki 三层架构
想象你的知识管理是一个小工厂，有三层流水线：
| 层级 | 相当于 | 作用 |
|---|---|---|
| 原始来源 | 你的书架 | 存放原始文章、PDF、笔记，永远不改 |
| Wiki | 你的读书笔记 | AI 把读过的内容整理成相互链接的笔记卡片 |
| Schema | 笔记格式说明书 | 告诉 AI 怎么整理笔记的规则 |
这三层之间的关系很清晰：原始来源是输入，Schema 是规则，Wiki 是输出。
你往"书架"上放新文章，AI 按照"说明书"的规则，自动把内容整理到"笔记本"里。笔记之间还会自动建立交叉链接——就像维基百科里的蓝色超链接一样。
注意：原始来源层是只读的，AI 永远不会修改你的原始文件。这是一个重要的设计原则——保证你的原始资料永远完整。
四大核心操作
就像一个工厂有四大工序：
- Ingest（摄取） - 把新文章丢给 AI，它自动提取要点写成笔记。支持 PDF、Markdown、网页链接、甚至截图。AI 不只是摘抄，而是理解内容后重新组织，并自动跟已有笔记建立关联。
- Query（查询） - 问 AI 问题，它从整理好的笔记里回答。因为笔记已经是结构化的，所以回答速度更快、更准确，而且每个回答都会标注来源。
- Lint（检查） - 让 AI 检查笔记有没有问题：是不是有矛盾的地方？有没有过时的信息？有没有孤立的页面没跟其他笔记连起来？这就像代码的 lint 工具，帮你保持知识库的健康。
- Writeback（写回） - 好的问答结果也要存进笔记里，让知识沉淀。你问了一个好问题，AI 给了一个好答案，这个答案本身也是一种知识——Writeback 会把它也编入 Wiki 里。
这四个操作形成了一个知识飞轮：你读得越多，Wiki 越丰富；Wiki 越丰富，回答越精准；回答越精准，Writeback 进来的知识质量越高......循环往复，知识库越来越"聪明"。
这就是为什么 Karpathy 说："正确的使用 LLM 的方式不是问答，而是编译。"
6 个推荐开源项目
第一类：功能最全
推荐 Ar9av/obsidian-wiki
这是目前功能最完整的实现框架，包含 13 个技能文件，覆盖完整流程。
- 支持多种 AI：Claude Code、Cursor、Windsurf、Codex 等都能用
- 自动追踪哪些文件处理过了，不重复劳动（Delta tracking）
- 支持图片、截图（需要带视觉的 AI），可以把论文里的图表也"编译"进知识库
- 来源追踪：每条笔记标明是"提取的"还是"AI 推测的"
- 与 Obsidian 深度集成，生成的 Wiki 直接就是 Obsidian vault
适合：想要完整功能、愿意花时间设置的人
git clone https://github.com/Ar9av/obsidian-wiki.git
cd obsidian-wiki
bash setup.sh第二类：最简单
推荐 ekadetov/llm-wiki
Claude Code 插件形式，安装即用。
- 一键安装，一个命令就自动帮你建好完整目录结构
- 只有几个核心命令：init、ingest、compile、query、lint
- 自动安装依赖
- 内置幻灯片生成功能——可以把知识库里的内容直接导出为演示文稿
适合：想要最快上手、不想折腾的人
claude plugin install github:ekadetov/llm-wiki
然后说 /llm-wiki: wiki init 我的第一个知识库第三类：不用动手
推荐 lucasastorian/llmwiki
这是唯一一个提供在线托管服务的实现。
- 一个完整的 Web 应用，有现成的网站 llmwiki.app，打开浏览器就能用
- 不用自己搭建服务器，不用配置环境，不用装任何插件
- 上传 PDF、文章 → 连接 Claude → AI 自动帮你整理成结构化 Wiki
- 有可视化界面查看知识图谱和文档关联
适合：不想自己配置、想要现成可用的人
进阶选择
nvk/llm-wiki
- 支持并行多代理研究——可以同时派出多个 AI"助手"分头去调查不同的子话题
- 支持论文驱动调查模式，特别适合学术研究场景
- 三级检索模式：快速、常规、深度，灵活控制速度和精度的权衡
ussumant/llm-wiki-compiler
- 增量编译，只更新变化的部分
- 官方声称可以节省 89% 的 token
- 适合文档量大、想省成本的人
RAG vs LLM Wiki：到底好在哪？
| 维度 | 传统 RAG | LLM Wiki |
|---|---|---|
| 处理时机 | 查询时检索原文 | 入库时预编译 |
| 知识积累 | 不积累，每次从零开始 | 持续积累，越用越聪明 |
| 回答质量 | 取决于检索质量，噪音多 | 基于结构化笔记，精准度高 |
| Token 消耗 | 每次查询都大量消耗 | 编译一次，查询时消耗极低 |
| 知识关联 | 文档之间相互孤立 | 自动建立交叉引用 |
| 可审计性 | 难以追溯信息来源 | 每条笔记标注来源 |
| 规模扩展 | 文档越多，检索越慢 | 文档越多，Wiki 越丰富 |
简单来说：RAG 是"即时搜索"，LLM Wiki 是"提前备课"。
当你的知识库还只有几篇文章的时候，两者差别不大。但当文档数量到达几十篇、上百篇的时候，LLM Wiki 的优势就非常明显了。
怎么选？决策树
问题 1：你会用命令行吗？
- 不会 → 选 lucasastorian/llmwiki（Web 界面，开箱即用）
问题 2：你用 Claude Code 吗？
- 是，想快速上手 → 选 ekadetov/llm-wiki（一条命令搞定）
- 是，想要完整功能 → 选 Ar9av/obsidian-wiki（功能最全）
问题 3：你做学术研究吗？
- 是 → 选 nvk/llm-wiki（多代理并行研究 + 论文驱动调查）
问题 4：你在意 API 成本吗？
- 非常在意 → 选 ussumant/llm-wiki-compiler（增量编译省 89% token）
总结
Karpathy 在他的 idea file 里写了一段话，我特别认同：
"维护知识库最繁琐的部分不是阅读或思考，而是记账本——更新交叉引用、保持摘要最新、标注新数据与旧声明的矛盾、维护数十个页面的一致性。人类放弃维基百科是因为维护负担增长比价值快。LLM 不会厌倦，不会忘记更新交叉引用，一次可以修改 15 个文件。知识库之所以保持维护，是因为维护成本接近零。"
苏米注：这就是 LLM Wiki 带来的改变：AI 不再只是回答问题的工具，而是帮你积累知识的"第二大脑"。
这篇文章讲了三件事：
- 为什么需要 LLM Wiki——传统 RAG 不积累知识，每次都从零开始，效率低下
- 它是怎么工作的——三层架构 + 四大操作，知识只编译一次，永久积累
- 怎么开始用——从 Web 版到插件版到完整框架，总有一个适合你
如果你感兴趣，我的建议是：先从一个你正在研究的小主题开始。不要一上来就想着"管理所有知识"——那太宏大了。先挑一个你最近在研究的话题，丢进去 5-10 篇文章，体验一下 AI 帮你"编译"知识的感觉。
毕竟，在这个信息爆炸的时代，比拥有知识更重要的，是知道怎么找到你需要的那一点知识。而比找到知识更重要的，是让知识自动积累、自动关联、自动更新——这恰恰就是 LLM Wiki 做的事情。
Github：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f