LLM Wiki – Karpathy开源的自运行个人知识库

如果你用过传统的RAG工具，可能会发现一个问题：每次提问，它都像是一次“开卷考试”，模型临时去翻你的资料库，答案拼凑感强，且用完即弃。知识似乎并没有真正沉淀下来。最近，AI领域的大牛安德烈·卡帕西（Andrej Karpathy）开源了一个名为“LLM Wiki”的项目，提出了一种截然不同的思路。它不再让LLM被动检索，而是让其主动担任起“知识库程序员”的角色，为你编译和维护一个持续生长、结构化的个人Wiki。

LLM Wiki是什么？一种知识管理的新范式

简单来说，LLM Wiki是一个自运行的个人知识库系统。它的核心突破在于，彻底改变了传统RAG那种“每次查询都从零开始检索”的模式。你可以把它想象成一个由LLM驱动的“知识编译器”。

这套系统通过一个预先定义好的Schema文件来指导LLM，让它能够主动地维护一个结构化的Markdown Wiki。原始资料（如PDF、文章）会被“编译”进这个Wiki，形成带有交叉引用、甚至能标注观点矛盾的持久化知识体。其架构分为清晰的三层：最底层是只读的原始资料（raw/），中间是LLM生成和维护的Markdown Wiki（wiki/），顶层则是定义规则的Schema文件（如CLAUDE.md）。

这样一来，知识随着你的使用而持续累积、增厚，而非重复推导。人类可以专注于提问和知识策展，而将繁琐的维护工作——更新关联页面、建立链接、检查一致性——交给LLM。这相当于让Obsidian这类笔记软件变成了IDE，让Wiki变成了代码库，而LLM则成了那位孜孜不倦的程序员。

主要功能：从灌入到巡检的全自动流程

LLM Wiki的设计围绕几个核心功能展开，形成一个完整的工作闭环：

• 知识灌入（Ingest）
  ：这是起点。你只需将新的PDF、文章等原始资料放入raw/目录，然后指令LLM Agent进行处理。接下来，LLM会自动提取关键信息、撰写摘要，并联动更新Wiki中的相关实体页、概念页。一次资料灌入，可能会触发10-15个关联页面的更新，效率远超手动整理。

• 智能查询（Query）
  ：基于已经编译好的Wiki内容来回答问题。它的输出非常灵活，支持Markdown、对比表格，甚至能生成Marp幻灯片或matplotlib图表，方便你直接用于演示或报告。

• 健康巡检（Lint）
  ：这是保证知识库质量的“自动医生”。它会定期检查知识库中的矛盾陈述、过时结论、孤立页面（没有链接的页面）以及缺失的引用，并能主动提出新的研究方向，让你的知识库保持清晰和一致。

• 索引维护
  ：系统会自动维护index.md（相当于内容目录，替代了传统RAG的向量检索）和log.md（操作时间线日志）。这套基于纯文本文件的机制，无需复杂的向量数据库，就能高效支撑中等规模（约100篇文献或40万字）的知识管理。

如何上手使用？

想要搭建自己的LLM Wiki，流程其实相当清晰：

1. 环境准备
   ：安装Obsidian作为Wiki的阅读和浏览工具。同时，需要准备一个像Claude Code这样的LLM Agent来担任“维护者”。

2. 初始化目录
   ：创建一个包含raw/（存放原始资料）、wiki/（存放LLM生成的内容）和CLAUDE.md（Schema配置文件）的文件夹结构。

3. 配置Schema
   ：将卡帕西在Gist上提供的Schema示例内容复制给你的Agent，让它据此生成定义Wiki结构、页面格式和工作流程的配置文件。这是整个系统的“宪法”。

4. 灌入资料
   ：把新文件放入raw/目录，然后指令Agent处理。LLM便会开始它的编译工作，提取信息并更新Wiki。

5. 查询与归档
   ：向Agent提问，获取基于Wiki的综合回答。一个精妙的设计在于，你可以指令它将优质的答案存回Wiki，成为新的页面，从而实现知识的持续累积。

6. 健康巡检
   ：定期运行巡检指令，让Agent检查并修复Wiki中的问题，保持知识库的健康度。

7. 浏览使用
   ：最后，在Obsidian中打开wiki/文件夹，你就能实时查看所有更新，通过点击双向链接深入探索，利用图谱视图直观地把控知识关联。

核心理念与关键机制

理解LLM Wiki，需要抓住这几个关键点：

• 本质
  ：它的目标不是临时检索，而是让LLM主动维护一个持续累积的结构化知识库。

• 架构
  ：三层分离结构（raw/wiki/Schema）是实现“编译”和“持久化”的基础。

• 核心操作
  ：整个流程围绕“灌入-查询-巡检”这三个核心动作展开，形成闭环。

• 关键机制
  ：知识“编译”一次、持续“保鲜”，交叉引用与矛盾标注被持久化保存，使得知识库越用越厚。

优势何在？为何值得关注

与现有方案相比，LLM Wiki带来了几个显著的优点：

• 知识复利累积
  ：这是最大的突破。它改变了传统RAG“从零检索、用完即弃”的模式，让Wiki成为持久化、可累积的产物。新资料会被自动整合进已有的知识网络，交叉引用和矛盾标注得以持续沉淀。

• 零维护负担
  ：LLM承担了所有繁琐的维护工作，包括自动更新大量关联页面、标注数据矛盾、维护索引等。人类得以解放出来，专注于更高级的策展与提问。

• 中等规模免基建
  ：对于个人或小团队的知识管理规模（约100篇文献），它仅靠Markdown索引文件就能实现高效检索，无需引入向量数据库、嵌入模型等复杂架构，技术门槛大幅降低。

• 动态自增强
  ：系统形成了“使用即增长”的飞轮效应。优质的问答可以一键归档回Wiki，成为新的知识节点，探索过程本身就在不断丰富知识库。

项目地址

整个项目的理念和详细Schema定义，都由卡帕西本人分享在GitHub Gist上，感兴趣的朋友可以前往查看：

与同类产品有何不同？

为了更清晰地定位LLM Wiki，我们将其与市场上两类主流产品做个简单对比：

对比维度	LLM Wiki	NotebookLM (RAG 代表)	Mem (AI 笔记代表)
知识模式	主动编译， 持续累积	被动检索， 每次从零拼凑	AI 自动整理， 但无显式编译层
维护主体	LLM 全职维护 （自动更新多页、 标注矛盾）	无维护， 每次临时检索	AI 黑盒处理， 用户难干预规则
核心架构	三层分离： raw/（只读） wiki/（LLM写） Schema（规则层）	单层： 原始资料直接作为 检索源	双层： 笔记内容 + AI 关联
索引机制	Markdown 索引文件 （中等规模免向量库）	向量嵌入 + 相似度检索	私有算法 （黑盒）
可定制性	白盒控制 ： 通过 CLAUDE.md 自定义页面格式、 更新规则、工作流	固定流程 ： 无法干预检索 和生成逻辑	黑盒限制 ： 仅能开关功能， 无法定义维护规则
输出沉淀	优质回答可 归档回 Wiki 形成新页面	回答消失于 对话历史	可保存但 缺乏结构化 归档机制
技术门槛	仅需 Markdown 文件 + Obsidian	依赖 Google 基础设施	依赖第三方 云服务

它能用在哪些地方？

这种主动编译、持续累积的知识库模式，应用场景非常广泛：

• 个人成长系统
  ：追踪年度目标、健康数据、心理状态与自我提升历程，整理日记、阅读笔记和播客心得，最终构建一个关于自我的、结构化的认知图谱。

• 学术研究助手
  ：针对某个特定领域进行数周或数月的深度钻研，持续阅读相关论文和报告，让LLM Wiki帮你逐步构建起一个包含历史沿革、不同学派论点的综合知识体系。

• 深度阅读伴侣
  ：在阅读一本复杂书籍时，逐章整理内容，自动建立人物关系页、主题解析页、情节线索页，最终形成类似“托尔金网关”那样完整的作品知识网络。

• 企业/团队知识库
  ：接入团队的Slack对话、会议纪要、项目文档和客户沟通记录，由LLM自动维护一个实时更新的内部Wiki，实现知识的自动沉淀与流转，无需额外投入人工整理。

总而言之，LLM Wiki代表了一种更激进、也更符合“智能”本意的知识管理思路。它将LLM从临时的“信息检索员”，提升为了长期的“知识架构师”。对于任何希望建立个人第二大脑，或寻求团队知识高效沉淀的人来说，这无疑是一个值得深入探索的新工具。