卡帕西引爆硅谷！公開「第二大腦」黑科技，1250萬人圍觀

新智元報(bào)道

編輯：犀牛

【新智元導(dǎo)讀】Karpathy公開個(gè)人知識(shí)管理新范式：讓大模型把你的一切資料「編譯」成一部活的百科全書——RAG已死，人類只需負(fù)責(zé)思考。

就在這兩天，AI圈又被一個(gè)人引爆了。

不是Sam Altman，不是馬斯克，是那個(gè)低調(diào)、卻每次出手都能掀翻桌子的男人——Andrej Karpathy。

這次他是做了一件看起來更「樸素」的事情：把自己的知識(shí)管理方式公開了。

就這？就這。

但「就這」，讓整個(gè)開發(fā)者社區(qū)炸了鍋。

他在X上隨手發(fā)的一條帖子，短短幾天收獲了1200多萬次圍觀。

卡帕西背后的意思是：大模型的下一個(gè)戰(zhàn)場(chǎng)，不是寫更多代碼，而是管理更多知識(shí)。

而他給出的方案，叫做「LLM Wiki」——一種讓大模型當(dāng)你的全職知識(shí)管家、24小時(shí)不間斷整理、更新、自檢個(gè)人知識(shí)庫的全新范式。

GitHub上他附帶的一份「想法文件」（idea file），不到12小時(shí)拿下超2100顆Star。

開發(fā)者Farza緊隨其后，直接用這套思路，把自己2500條日記、筆記和iMessage消息，讓大模型「編譯」成了一個(gè)擁有400篇結(jié)構(gòu)化文章的個(gè)人Wiki百科——Farzapedia。

一個(gè)給AI Agent用的、關(guān)于「你自己」的百科全書。

聽起來科幻？但它已經(jīng)在運(yùn)行了。

LLM Wiki 到底是什么？

回憶一下你自己的日常：讀了一篇好文章，收藏了；看了一篇論文，存了個(gè)PDF；開會(huì)記了一段筆記，扔進(jìn)了Apple Notes；在微信群看到一個(gè)不錯(cuò)的觀點(diǎn)，截了個(gè)圖……

然后呢？

然后就沒有然后了。

三天后你需要用到某條信息，翻遍所有app、所有文件夾，就是找不到。

要么是關(guān)鍵詞想不起來，要么是存的地方太分散，要么干脆就是——記得看過，但忘了在哪看的。

信息越多，大腦越亂；收藏越勤，遺忘越快。

這就是傳統(tǒng)知識(shí)管理的死穴——它需要你不斷花時(shí)間手動(dòng)整理，而人類天生懶得整理。

那AI能幫忙嗎？當(dāng)然能。

目前最主流的做法叫RAG（檢索增強(qiáng)生成）：把一堆文檔切成碎片，存進(jìn)向量數(shù)據(jù)庫，用戶問問題的時(shí)候，AI去「搜」相關(guān)片段，拼湊出答案。

NotebookLM、ChatGPT的文件上傳功能，本質(zhì)上都是這個(gè)路子。

RAG好不好用？能用，但不夠好。

卡帕西一針見血地指出了RAG的根本問題：它每次都在從零開始「重新發(fā)現(xiàn)」知識(shí)。

你今天問一個(gè)需要綜合五篇論文才能回答的問題，AI把碎片翻了一遍給你拼了個(gè)答案。明天你換個(gè)角度再問，它得重新翻一遍、重新拼一遍。

什么都沒有積累下來，什么也沒有建立起來。

用卡帕西的原話說：「沒有積累。」（There's no accumulation.）

那他的方案是什么？

讓大模型不是每次「搜」你的文件，而是把你的文件「編譯」成一部活的百科全書。

這就是「LLM Wiki」的核心思想。

LLM Wiki的完整架構(gòu)

卡帕西在GitHub Gist上公開了他的完整構(gòu)想。

雖然他刻意寫得比較「抽象」——因?yàn)樗J(rèn)為在AI Agent時(shí)代，分享的應(yīng)該是想法而非具體代碼，讓每個(gè)人的Agent去根據(jù)想法定制實(shí)現(xiàn)——但整套系統(tǒng)的骨架其實(shí)非常清晰。

第一層：原始數(shù)據(jù)（Raw Sources）

就是你的素材庫。論文、文章、代碼、圖片、數(shù)據(jù)集……統(tǒng)統(tǒng)扔進(jìn)一個(gè)raw/文件夾。

不需要你整理，不需要你分類，扔進(jìn)去就行。

這一層是「不可變」的——大模型只讀取，絕不修改。這是你的信息源頭、真相之本。

卡帕西推薦用Obsidian Web Clipper瀏覽器插件，看到好文章一鍵轉(zhuǎn)成Markdown，再用快捷鍵把圖片全部下載到本地，確保以后網(wǎng)站掛了圖也不會(huì)丟。

第二層：Wiki（The Wiki）

這是整個(gè)系統(tǒng)的核心。

大模型讀完raw/里的素材后，不是簡(jiǎn)單地「索引」它們，而是主動(dòng)地「編譯」出一整套結(jié)構(gòu)化的Wiki。

什么叫「編譯」？

就像編譯器把你的源代碼變成可執(zhí)行程序一樣，大模型把你的「原始資料」變成了一部可導(dǎo)航、可查詢、互相引用的知識(shí)體系。

具體來說，大模型會(huì)做這些事：給每篇素材寫摘要，抽取關(guān)鍵概念，為重要主題撰寫?yīng)毩⑽恼拢诓煌撁嬷g建立反向鏈接，維護(hù)一個(gè)總索引文件（index.md），記錄操作日志（log.md）。

你幾乎不用手動(dòng)編輯Wiki里的任何內(nèi)容。

寫文章的是大模型，打標(biāo)簽的是大模型，建鏈接的是大模型。

用卡帕西自己的話說——Obsidian是IDE，大模型是程序員，Wiki是代碼庫。

第三層：規(guī)則文件（The Schema）

這是一份「說明書」，告訴大模型這個(gè)Wiki怎么組織、有什么規(guī)矩、遇到不同情況該怎么操作。

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

這份文件由你和大模型「共同進(jìn)化」——你用著用著發(fā)現(xiàn)什么規(guī)則好用就加上去，什么不好用就改掉。

四大操作：導(dǎo)入、查詢、輸出、自檢

架構(gòu)搭好了，日常怎么用？

卡帕西給出了四個(gè)核心操作。

操作一：導(dǎo)入（Ingest）

把新素材扔進(jìn)raw/，告訴大模型：「處理這個(gè)。」

大模型讀完之后，跟你討論關(guān)鍵發(fā)現(xiàn)，然后寫一篇摘要頁，更新總索引，并且在整個(gè)Wiki中找到所有相關(guān)的頁面——可能是某個(gè)概念頁、某個(gè)人物頁、某個(gè)對(duì)比頁——逐一更新。

一篇新素材可能會(huì)觸發(fā)10到15個(gè)Wiki頁面的聯(lián)動(dòng)更新。

卡帕西個(gè)人喜歡一次導(dǎo)入一篇素材，邊導(dǎo)入邊看大模型寫的摘要，確保方向?qū)α恕?/p>

當(dāng)然你也可以批量導(dǎo)入，一口氣扔100篇論文，讓大模型自己慢慢消化。

操作二：查詢（Query）

一旦Wiki積累到一定規(guī)模，你就可以對(duì)著它問各種復(fù)雜問題了。

卡帕西自己的一個(gè)研究Wiki攢了大約100篇文章、40萬字。他本以為這個(gè)規(guī)模得搞一套復(fù)雜的RAG才行——結(jié)果發(fā)現(xiàn)根本不需要。

為什么？

因?yàn)榇竽Ｐ推綍r(shí)把索引文件和摘要維護(hù)得很好，它先讀索引，找到相關(guān)頁面，再鉆進(jìn)去細(xì)看。

40萬字的規(guī)模，輕松應(yīng)對(duì)。

而且查詢的輸出格式不限于文字——可以是Markdown文章，可以是Marp格式的幻燈片，可以是matplotlib圖表，任何你想要的可視化形式。

操作三：回填（File Back）

這是最精妙的一步：把查詢結(jié)果存回Wiki。

你問了一個(gè)對(duì)比分析的問題，大模型給了你一份精彩的回答——這份回答本身也是有價(jià)值的知識(shí)。

卡帕西的做法是把這些輸出「歸檔」回Wiki，讓它成為Wiki的一部分，供未來的查詢使用。

你的每一次提問，都在讓知識(shí)庫變得更豐富。用的越多，它越聰明。

這不是消耗，是投資。

操作四：自檢（Lint）

定期讓大模型給Wiki做一次「體檢」。

檢查什么？數(shù)據(jù)不一致的地方；新素材推翻了舊結(jié)論的地方；有引用但沒有獨(dú)立頁面的重要概念；孤立的、沒有任何鏈接指向的頁面；通過網(wǎng)絡(luò)搜索可以補(bǔ)全的信息空缺。

這讓整個(gè)Wiki不僅保持健康，還在不斷生長(zhǎng)。

VentureBeat對(duì)此有一個(gè)精彩的評(píng)價(jià)：「這就像一個(gè)能自我修復(fù)的活知識(shí)庫。」（It acts as a livingAIknowledge base that actually heals itself.）

到這里，你會(huì)發(fā)現(xiàn)卡帕西做出來的東西，跟傳統(tǒng)知識(shí)庫完全不是一回事了。

傳統(tǒng)知識(shí)庫是一個(gè)需要你不斷喂養(yǎng)的存儲(chǔ)工具，而LLM Wiki是一個(gè)自運(yùn)行的知識(shí)引擎——大模型負(fù)責(zé)整理、更新、自檢、生長(zhǎng)，人類只需要做一件事：思考。

Farzapedia：當(dāng)你的一生被「編譯」成百科全書

如果說卡帕西給出了理論框架，那開發(fā)者Farza就是第一個(gè)把這套理論「跑通」的人。

Farza做了一件聽起來有點(diǎn)瘋狂的事：他把自己的2500條日記、Apple Notes筆記和部分iMessage對(duì)話全部喂給了大模型，讓AI從中「編譯」出了一部關(guān)于他自己的個(gè)人Wiki百科——Farzapedia。

這部「百科全書」包含400篇詳細(xì)文章，覆蓋了他的朋友們、他創(chuàng)辦過的公司、他的研究領(lǐng)域、甚至他最愛的動(dòng)漫以及這些動(dòng)漫對(duì)他的影響。

每篇文章都帶有反向鏈接，形成了一個(gè)完整的知識(shí)網(wǎng)絡(luò)。

但最關(guān)鍵的一點(diǎn)是——Farzapedia不是給Farza自己看的，是給他的AIAgent用的。

整個(gè)Wiki的結(jié)構(gòu)和鏈接方式，天然適合Agent爬取。

Farza用Claude Code打開這個(gè)Wiki，Agent從index.md（總目錄）開始，可以像蜘蛛一樣順著鏈接一層層鉆到它需要的具體頁面。

舉個(gè)例子：Farza在設(shè)計(jì)一個(gè)新項(xiàng)目的落地頁，他問Agent：「我最近有什么影響了我審美的電影和圖片？幫我找找靈感。」

Agent怎么做的？

它在Wiki里找到了Farza的「哲學(xué)」文章——那里記錄了他看一部吉卜力紀(jì)錄片時(shí)的筆記；找到了「競(jìng)品分析」文章——里面有他截圖保存的YC公司落地頁；甚至翻出了他幾年前存的1970年代披頭士樂隊(duì)周邊商品的圖片。

結(jié)果Agent給出了一份極其精準(zhǔn)、極其「懂他」的創(chuàng)意方案。

Farza坦言，他一年前用RAG搭過類似的系統(tǒng)，但體驗(yàn)很差。

而基于文件系統(tǒng)的知識(shí)庫，讓Agent通過它真正理解的目錄結(jié)構(gòu)去查找信息，效果天差地別。

而Farzapedia最神奇的地方在于——它是「活」的。

當(dāng)Farza往Wiki里添加新內(nèi)容（一篇文章、一張靈感圖、一份會(huì)議紀(jì)要），系統(tǒng)會(huì)自動(dòng)判斷這條新信息應(yīng)該歸入哪2到3篇已有文章，或者干脆創(chuàng)建一篇新文章。

用Farza的比喻：「它就像一個(gè)超級(jí)天才圖書管理員，專門管理你的大腦——它永遠(yuǎn)在幫你把東西歸到最合適的位置，而且它從不疲倦。」

權(quán)力歸你

卡帕西在轉(zhuǎn)發(fā)Farzapedia時(shí)，用了一段話來闡述他為什么如此推崇這種知識(shí)管理方式。

這段話值得仔細(xì)品味，因?yàn)樗嘎读艘环N關(guān)于「AI時(shí)代個(gè)人數(shù)據(jù)主權(quán)」的深層思考。

他歸納了四個(gè)核心優(yōu)勢(shì)：

第一，顯式（Explicit）。你的知識(shí)不是藏在某個(gè)AI的「隱式記憶」里——那種你看不見、摸不著、也不知道它到底記了什么的黑箱。Wiki是顯式的、可導(dǎo)航的，你可以清清楚楚看到AI知道你什么、不知道你什么，可以檢視和管理這份「記憶制品」。

第二，你的（Yours）。數(shù)據(jù)就在你的本地電腦上，不在某個(gè)AI廠商的云端系統(tǒng)里。你不需要擔(dān)心「我的數(shù)據(jù)被誰拿去訓(xùn)練了」，也不用恐懼「如果哪天換了AI服務(wù)商，我的記憶還能不能帶走」。

第三，文件優(yōu)于應(yīng)用（File overApp）。整個(gè)知識(shí)庫就是一堆Markdown文件和圖片——最通用的格式。任何工具都能讀取它們，任何Agent都能操作它們，你可以用Obsidian看，也可以自己寫個(gè)界面來看。這叫「互操作性」。

第四，自帶AI（BYOAI - Bring Your Own AI）。你想用Claude就用Claude，想用Codex就用Codex，想用開源模型就用開源模型。甚至你可以把Wiki當(dāng)訓(xùn)練數(shù)據(jù)，微調(diào)一個(gè)「打從權(quán)重層面就認(rèn)識(shí)你」的專屬AI。AI廠商之間的競(jìng)爭(zhēng)？讓他們卷去，你只管挑最好的用。

卡帕西的總結(jié)很干脆：這種個(gè)性化方案把你放在了完全的控制位上。數(shù)據(jù)是你的，格式是通用的，內(nèi)容是透明的。用哪個(gè)AI隨你挑，讓AI公司們保持緊張吧！

知識(shí)的「編譯時(shí)代」來了

回頭看卡帕西的LLM Wiki，你會(huì)發(fā)現(xiàn)它的精神內(nèi)核其實(shí)并不新。

1945年，美國(guó)科學(xué)家Vannevar Bush在那篇著名的論文《As We May Think》中，就提出過一個(gè)叫「Memex」的構(gòu)想——一個(gè)個(gè)人化的、持續(xù)策展的知識(shí)存儲(chǔ)系統(tǒng)，文檔之間由「關(guān)聯(lián)線索」（associative trails）連接起來。

Bush認(rèn)為，文檔之間的連接和文檔本身一樣有價(jià)值。

這個(gè)想法比互聯(lián)網(wǎng)還早了半個(gè)世紀(jì)。

后來，互聯(lián)網(wǎng)確實(shí)實(shí)現(xiàn)了文檔的連接，但走向了公共化、碎片化，而非個(gè)人化、結(jié)構(gòu)化。

Bush當(dāng)年沒能解決的問題只有一個(gè)：誰來做維護(hù)？

現(xiàn)在，大模型解決了這個(gè)問題。

卡帕西的方案，本質(zhì)上是對(duì)Bush的Memex做了一次「現(xiàn)代編譯」：AI負(fù)責(zé)所有枯燥的維護(hù)工作——更新交叉引用、保持摘要最新、發(fā)現(xiàn)新舊數(shù)據(jù)的矛盾、維護(hù)幾十上百個(gè)頁面之間的一致性。

人類之所以放棄維護(hù)知識(shí)庫，不是因?yàn)椴幌耄且驗(yàn)榫S護(hù)成本增長(zhǎng)得比價(jià)值更快。

大模型消除了這個(gè)瓶頸。

我們正在目睹一個(gè)新范式的誕生——從「AI搜索信息」到「AI編譯知識(shí)」。

在這個(gè)范式里，大模型不再只是一個(gè)你問什么它答什么的「搜索引擎」，而是一個(gè)持續(xù)運(yùn)轉(zhuǎn)的「知識(shí)編譯器」。

你的人生經(jīng)歷、工作素材、閱讀記錄、靈感碎片，都是它的「源代碼」。

而它的產(chǎn)出，是一部只屬于你的、永遠(yuǎn)在生長(zhǎng)的、從不遺忘的「第二大腦」。

人類負(fù)責(zé)思考，AI負(fù)責(zé)記住。

這可能是大模型最「樸素」、卻也最深刻的一個(gè)應(yīng)用方向。

不炫技，不燒錢，不需要百萬Token的上下文窗口，不需要復(fù)雜的向量數(shù)據(jù)庫——就是一堆Markdown文件，加上一個(gè)勤勞的AI圖書管理員。

1945年，Vannevar Bush只能把Memex畫在紙上。

2026年，你可以把它跑在你的筆記本電腦上了。

未來已來。

參考資料：

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

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

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