这样当然能用。
但你用一阵子就会发现一个问题：
-
• 每次提问，AI 都像重新翻一遍资料 -
• 问完就结束了，答案没有真正沉淀下来 -
• 下次再问，还是得重新找、重新拼、重新整理
这也是为什么很多人明明已经开始用 AI 了，还是会觉得：
资料越来越多，收藏越来越多，但知识并没有真的留下来。
AI大神Andrej Karpathy 前两天公开了他是如何搭建个人知识库的，直接火了。
他讲的这套 LLM Wiki，最有价值的地方就在这里。
它是让 AI 持续帮你整理、更新、维护一个个人知识库，并且让知识库越用越聪明
你负责收集资料、提出问题、判断方向。
AI 负责整理、归档、关联、更新。
也就是说，它不是一个“问答工具”，而是一套“知识维护系统”。
一、它和普通“上传文件问 AI”的 RAG，到底有什么区别？
先说最直接的区别。
主流的做法是：
你上传文件
-> AI 去检索
-> 临时回答你
-> 回答停留在聊天记录里Karpathy 这套方法是：
你把资料放进原始资料库
-> AI 先把资料整理成 wiki
-> 你再基于 wiki 提问
-> 有价值的回答继续写回 wiki
-> 知识库越用越强两者最大的区别不是“能不能回答”，而是：
前者更像一次性问答，后者更像持续建设。
普通 RAG 的优点是快，适合冷启动，适合“我现在就想问一个问题”。
但它的问题也很明显：知识不沉淀，结构不稳定，回答和回答之间容易断。
Karpathy 这套设计的基点，恰恰是在解决这个问题。
二、Karpathy 这套知识库，巧妙到底巧妙在哪里？
如果只把它理解成“AI 帮你整理笔记”，其实低估它了。
我觉得它真正巧妙的地方，至少有 3 个。
1. 它不是让你自己整理，而是让 LLM 先替你“编译”
这是这套方法最打动我的地方。
过去我们做知识管理，最痛苦的环节从来不是“收集资料”，而是“整理资料”。
文章收藏了一堆，网页存了一堆，PDF 下了一堆，截图也留了一堆。
问题不是没有内容，而是这些内容彼此之间没有结构。
Karpathy 这套方法的思路非常简单：
不要把笔记分散在各种应用里，而是先全扔进一个文件夹。然后让 AI 帮你把这些材料编译成一个结构化 wiki。
这里的“编译”两个字特别关键。
因为它不是简单做个摘要就完了，而是会进一步做这些事：
-
• 自动生成摘要 -
• 自动提炼概念 -
• 自动建立页面之间的关联 -
• 自动分类整理 -
• 自动补出主题页、概念页、对比页 -
• 把零散资料逐步连成一个知识网络
也就是说，你不再面对一堆孤立的文件，
而是开始拥有一个能被持续调用的结构化知识库。
这一步为什么厉害？
因为它把最容易让人半途而废的“整理工作”，整个转交给了 LLM。
你负责收集，LLM 负责编译。
这就是它第一个特别巧妙的地方。
2. 它不是答完就完，而是会归档、会修复、会越用越强
很多 AI 工具的体验是这样的：
你问一个问题，AI 回答你。
回答完了，这次对话也就结束了。
真正有价值的东西，最后都留在聊天记录里。
Karpathy 这套不一样。
它有一个非常关键的设计：
每次探索的结果，不应该消失，而应该继续沉淀回 wiki。
比如你问出了一个特别好的结果：
-
• 一份高质量总结 -
• 一次清晰的对比 -
• 一个新的专题判断 -
• 一条之前没注意到的关联
这些内容都可以继续写回知识库。
这意味着，知识库不是静态的，
而是在你每一次使用之后都变得更完整一点。
更巧妙的是，它还不只是“存回去”。
Karpathy 还强调要让 LLM 定期对整个 wiki 做“健康检查”：
-
• 找出彼此冲突的数据 -
• 发现已经过时的结论 -
• 补全提到了但还没展开的概念 -
• 发现缺失的关联 -
• 必要时用搜索继续补资料 -
• 甚至给你建议下一步值得补什么内容
这就让知识库从“被动存档”，变成了一套会自我清理、自我修复、自我进化的系统。
这也是它第二个强的地方：
不是搭完一个知识库，而是让它开始自己迭代。
3. 它先把知识结构搭好，后面的查询成本会越来越低
Karpathy 这套方法的好处是：
前面已经把资料整理成了摘要页、主题页、概念页、索引页。
所以你后面再问问题时，
AI 往往不用每次都从一堆原始资料里从头翻起，
而是可以先利用已经整理好的结果来回答。
这带来的直接好处是后面的查询成本会更低，也就是省token。
三、手把手开始：怎么搭一个自己的 Karpathy 式知识库？
下面开始讲具体怎么做。
如果你是第一次接触这套方法，我建议你先不要被“知识库搭建”这四个字吓到。
Karpathy 给出来的核心，其实不是一套复杂软件，而是一份写给 Agent 的 markdown 说明书。
你完全可以先照着最简单的方式跑起来。
Gist 地址：
gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
最快启动方式，其实就两样东西：
-
• 一个 Agent -
• 一个 Obsidian
Agent 可以用 Claude Code、Codex、OpenCode 这类工具。
Obsidian 则负责让你实时看到知识库的目录、页面和链接关系。
0. 最快启动版：4 步跑起来
第一步：把这份文档直接丢给你的 Agent部署
打开 Claude Code、Codex 或 OpenCode。
新建一个空文件夹，准备作为你的知识库目录。
然后把 gist 链接，或者 markdown 内容，直接发给 Agent。
你可以直接说：
“请理解这份 gistgist.github.com/karpathy/442a6bf555914893e9891c11519de94f，帮我搭一个和 Karpathy 类似的个人知识库。
我想先做一个最小可运行版本。
请根据我的使用场景，帮我规划原始资料层、wiki 层和规则层。”
这时候 Agent 往往会反问你几件事，比如：
-
• 你这个知识库主要拿来做什么 -
• 是偏学习、写作，还是个人成长 -
• 你准备先整理哪一类资料
问完之后，它就会开始替你规划整个结构。
一般第一轮就会帮你搭出这些东西：
-
• 原始资料层 -
• wiki 层 -
• 规则层 -
• 索引页或日志页
第二步：装一个网页收藏插件
接下来，你需要解决一个很现实的问题：
以后看到好文章，怎么快速收进知识库？
最简单的做法，就是装一个网页收藏插件。
比如 Obsidian Web Clipper，或者你习惯的网页转 Markdown 工具。
这样你以后看到一篇值得保存的文章，
就可以直接一键存进你的资料目录。
如果你只是想先跑通，这种方式已经够用了。
当然我更推荐这个方法，可以用 agent-browser一句话让AI帮你收藏内容到知识库。让你常用的Agent一句话帮你安装agent-browser。
它是一个能让 AI Agent 直接操控真实 Chrome 浏览器的工具。也就是说，不是你自己去复制网页内容，而是 AI 代替你打开页面、读取正文、提取文本，再保存进知识库。
你可以把它理解成：
-
• AI 先帮你打开网页 -
• 再把正文抓出来 -
• 最后导入到 raw/目录里
这样你就不需要自己手动复制粘贴，也不需要每次都靠浏览器扩展。
它特别适合处理这些麻烦页面：
-
• JavaScript 动态加载的网站 -
• 需要登录后才能看的内容 -
• 带交互式图表的研究页面 -
• 需要不停滚动、展开、点“加载更多”才能看全的长页面
如果你平时会大量收集文章、竞品页面、研究资料，这种方法会比单纯收藏插件更省事。
最直接的使用方式就是对 Agent 说一句：
“把这个 URL 用agent-browser抓下来，存到 raw/。”
它就能直接去处理。
所以你可以选择你觉得简单的方式来做：
-
• 轻量资料，用 Web Clipper 一键保存 -
• 复杂网页，让 AI 用 agent-browser直接抓取
第三步：以后都在这个知识库目录里启动 Agent
到了这一步，你的知识库其实已经不只是一个文件夹了，
而是一套开始运转的工作流。
以后你继续整理资料、继续提问、继续写内容时，
最好都直接在这个知识库目录里启动 Agent。
这样它一进来就能读到：
-
• 你的规则文件 -
• 你的原始资料 -
• 你的 wiki 页面 -
• 你之前已经沉淀下来的结果
这时候你就可以直接做两件事：
-
• 继续往里面保存新资料 -
• 直接围绕这套知识库提问
比如：
-
• “帮我总结这批资料里最重要的 3 个主题” -
• “这几篇文章里有哪些观点是冲突的” -
• “基于现有 wiki，帮我整理一份专题总结”
到这里，其实你已经跑通了这套方法最重要的闭环：
看到资料 -> 保存进来 -> Agent 整理 -> wiki 沉淀 -> 继续提问
到这里，如果你只是做个人知识库，其实已经够用了。
但如果你是老板，或者你在带团队，就会发现企业知识库不是把文档丢给 AI 就结束了。它真正难的，不是工具，也不是模型，而是后面的持续运营。
为什么？因为企业里最有价值的知识，很多并不写在文档里，而是藏在老员工的经验、判断和具体做法里。文档能告诉你“是什么”，但员工真正想问的，往往是“为什么这么做”和“这种情况该怎么办”。这些隐性知识最重要，也最难沉淀，所以很多企业知识库一开始就先天不足，AI 学到的只是标准化文档，却学不到真正好用的经验。
第二个难点是维护。企业业务一直在变，制度一直在改，流程一直在迭代。如果没有责任人、更新机制和审核机制，知识库很快就会混进过期、重复甚至错误的内容。到了这一步，问题就不再是 AI 聪不聪明，而是知识底座本身是不是干净、是不是可信。
所以企业级知识库本质上不是一个单纯的技术项目，而是一个知识管理项目。知识库治理还需要其他 agent 一起参与，比如做检核、检验、冲突管理，再加上人工一起运维。
说白了，个人知识库解决的是“我能不能把知识留下来”，企业知识库解决的是“这些知识能不能长期稳定、持续可信地被团队使用”。这两者不是一个难度级别。
如果你想先从个人知识库开始，我建议你今天就找 3 到 5 份资料试一遍。
先跑通一次，你对这套方法的理解会比看十篇文章都快。
如果你是企业老板，或者你想给团队搭一个真正能落地的 AI 知识库，
那问题就不再只是“怎么搭一个能问答的系统”，
而是“怎么让它长期稳定、安全、可治理地运转”。
这部分，我这边也在做企业级 AI 知识库的搭建服务。
如果你正好有这方面的需求，欢迎来找我聊。