LLM Wiki

LLM Wiki – Karpathy开源的自运行个人知识库

LLM Wiki：革新个人知识管理，让AI成为你的专属知识管家

在信息的时代，如何有效地管理和利用个人知识库，已成为一项关键挑战。传统的检索增强生成（RAG）方法，虽然在一定程度上提升了信息获取的效率，但其“每次查询从零开始检索”的模式，在知识的积累和结构的深度上存在局限。现在，由Karpathy推出的LLM Wiki，正以前所未有的方式，颠覆了我们对个人知识库的认知。

LLM Wiki的独特之处

LLM Wiki并非简单的信息存储工具，而是一个能够自主运行、持续进化的个人知识系统。它巧妙地绕开了传统RAG的瓶颈，通过一份Schema文件，引导大型语言模型（LLM）主动构建和维护一个结构化的Markdown Wiki。这一过程，如同将原始资料“编译”成一个拥有严谨交叉引用、清晰矛盾标注的持久化知识体。其核心在于一个三层架构：原始资料（raw/）、Wiki本身（wiki/）以及Schema（配置规则）。在这个框架下，知识不再是静态的，而是随着每一次使用而不断累积、深化，避免了不必要的重复推导。用户只需专注于内容的输入和策展，而繁琐的维护工作则完全交由LLM代劳，将Obsidian transform成一个强大的集成开发环境（IDE），Wiki成为代码库，而LLM则扮演着全能的程序员角色。

核心功能概览

• 知识注入（Ingest）：将PDF、文章等原始材料置于raw/目录下，LLM将自动提取关键信息，生成摘要，并以此为基础，联动更新Wiki中的实体页面、概念页面以及相关的交叉引用。一次资料的输入，可能触发十到十五个页面的同步更新。
• 智能查询（Query）：基于已“编译”的Wiki内容，LLM能够精准回答问题，并能以Markdown格式、对比表格、Marp幻灯片、matplotlib图表等多种形式呈现结果。
• 健康巡检（Lint）：系统将定期自动检查知识库是否存在矛盾之处、过时结论、孤立页面或缺失引用，并主动提出新的研究方向，确保知识库的健康与活力。
• 索引维护：index.md（作为内容目录，取代了传统RAG中的向量检索）和log.md（时间线日志）将由系统自动维护。即使在中等规模（约100篇文档/40万字）的知识管理场景下，无需复杂的数据库支持，也能实现高效检索。

使用流程简述

• 环境准备：首先，您需要安装Obsidian作为知识库的阅读与编辑界面，并准备一个强大的LLM Agent（如Claude Code），作为知识库的维护者。
• 目录初始化：创建包含raw/（存放原始资料）、wiki/（存放LLM生成的内容）以及CLAUDE.md（用于Schema配置）的标准目录结构。
• Schema配置：将Karpathy Gist中的内容复制到CLAUDE.md文件中，指导Agent生成定义Wiki结构、页面格式和工作流程的配置文件。
• 资料注入：将新文档放入raw/目录，并指令Agent进行处理。LLM将自动提取核心信息，并联动更新Wiki中的摘要、实体页面及交叉引用。
• 查询与归档：向Agent提出问题，获取基于Wiki内容的综合回答。对于高质量的回答，可以指令其存回Wiki，成为新的页面，从而实现知识的持续累积。
• 健康巡检：定期要求Agent执行健康检查，识别并修正Wiki中的矛盾、过时信息和孤立页面，保持知识库的结构清晰与内容一致。
• 浏览与探索：在Obsidian中打开wiki/文件夹，即可实时查看更新内容，通过双向链接和图谱视图，深入探索知识之间的关联。

LLM Wiki的关键特性与优势

• 本质革新：LLM Wiki的核心在于让LLM主动承担知识库的持续维护工作，与传统RAG“每次查询从零检索”的模式截然不同。
• 精巧架构：其三层架构（只读的原始资料、LLM生成的Markdown、以及规则定义的Schema）为知识的有序管理奠定了基础。
• 核心流程：Ingest（注入资料并自动更新）、Query（基于Wiki回答并可归档）、Lint（定期健康检查）构成了LLM Wiki的主要操作模式。
• 机制亮点：知识的“编译”一次完成，并能持续保鲜；交叉引用与矛盾标注得以持久化，使得知识库越用越丰富。
• 知识复利效应：与传统RAG“用完即弃”的检索方式不同，LLM Wiki的成果是持久且可累积的。新知识自动融入现有网络，交叉引用和矛盾标注随之沉淀，形成知识的“复利”增长。
• 零维护负担：LLM负责所有繁琐的维护任务，包括页面更新、矛盾标注、索引和交叉引用维护。人类只需专注于内容策展和提问，极大减轻了用户的负担。
• 中等规模免基建：对于100篇文档/40万字规模的知识库，仅需Markdown索引文件即可实现高效检索，无需引入向量数据库、嵌入模型等复杂RAG架构，显著降低了技术门槛。
• 动态自增强飞轮：优质的问答内容可以一键归档为新页面，使用过程本身即是知识库的丰富过程，形成“使用即增长”的良性循环。

LLM Wiki的应用场景

• 个人成长与自我认知：追踪个人目标、健康状况、心理状态及成长历程，整理日记、文章、播客笔记，构建关于自我的结构化认知图谱。
• 深度学术研究：针对特定主题进行数周或数月的深入钻研，阅读大量论文和报告，逐步构建包含演化论点的综合知识体系。
• 阅读伴侣与知识梳理：在阅读书籍时，逐章整理关键信息，建立人物、主题、情节线索的关联页面，最终形成一个完整的知识网络，如同Tolkien Gateway一般。
• 企业与团队知识库建设：整合Slack对话、会议纪要、项目文档、客户沟通记录等信息，由LLM自动维护一个实时更新的内部Wiki，无需额外的人工投入。