LLM Wiki – Karpathy開源的自運行個人知識庫

LLM Wiki是什麼

LLM Wiki是Karpathy推出的自運行的個人知識庫，突破傳統RAG”每次查詢從零檢索”的侷限。LLM Wiki通過Schema文件指導LLM主動維護結構化Markdown Wiki，將原始資料”編譯”爲帶交叉引用、矛盾標註的持久化知識體。在三層架構（原始資料/Wiki/Schema）支持下，知識隨使用持續累積增厚，非重複推導。人類專注提問與策展，LLM承擔維護工作，讓Obsidian成爲IDE、Wiki成爲代碼庫、LLM成爲程序員。

LLM Wiki的主要功能

• 知識灌入（Ingest）：將原始資料（PDF、文章等）放入 raw/ 目錄，LLM 自動提取關鍵信息，撰寫摘要，聯動更新 Wiki 中的實體頁、概念頁及相關交叉引用（一次資料可能觸發 10-15 個頁面更新）。
• 智能查詢（Query）：基於已編譯的 Wiki 內容回答問題，輸出支持 Markdown、對比表格、Marp 幻燈片、matplotlib 圖表等多種格式。
• 健康巡檢（Lint）：定期自動檢查知識庫矛盾、過時結論、孤立頁面、缺失引用，提出新的研究方向。
• 索引維護：自動維護 index.md（內容目錄，替代傳統 RAG 的向量檢索）和 log.md（時間線日誌），無需複雜數據庫即可支撐中等規模（約 100 篇/40 萬字）的知識管理。

如何使用LLM Wiki

• 環境準備：安裝 Obsidian 作爲閱讀器，準備 Claude Code 等 LLM Agent 作爲維護者。
• 初始化目錄：創建包含 raw/（原始資料）、wiki/（生成內容）和 CLAUDE.md（Schema 配置）的文件夾結構。
• 配置 Schema：將 Karpathy Gist 的內容複製給 Agent，讓其生成定義 Wiki 結構、頁面格式和工作流程的配置文件。
• 灌入資料：將新文件放入 raw/ 目錄並指令 Agent 處理，LLM 會自動提取關鍵信息並聯動更新 Wiki 中的摘要、實體頁和交叉引用。
• 查詢歸檔：向 Agent 提問獲取基於 Wiki 的綜合回答，並指令將優質答案存回 Wiki 成爲新頁面以實現知識持續累積。
• 健康巡檢：定期指令 Agent 檢查 Wiki 中的矛盾、過時結論和孤立頁面，保持知識庫結構清晰和內容一致。
• 瀏覽使用：在 Obsidian 中打開 wiki/ 文件夾實時查看最新更新、點擊雙向鏈接並使用圖譜視圖探索知識關聯。

LLM Wiki的關鍵信息和使用要求

• 本質：讓 LLM 主動維護持續累積的結構化知識庫，而非傳統 RAG 的”每次查詢從零檢索”。
• 架構：三層結構：raw/（原始資料，只讀）→ wiki/（LLM 生成的 Markdown）→ Schema（如 CLAUDE.md 規則配置）。
• 核心操作：Ingest（灌入資料自動更新多頁）→ Query（基於 Wiki 回答並可歸檔）→ Lint（定期健康檢查矛盾與缺失）。
• 關鍵機制：知識編譯一次、持續保鮮，交叉引用與矛盾標註持久化，越用越厚。

LLM Wiki的核心優勢

• 知識複利累積：突破傳統 RAG 每次查詢”從零檢索、用完即棄”的侷限，Wiki 是持久化、可累積的產物——新資料自動整合進已有知識網絡，交叉引用和矛盾標註持續沉澱。
• 零維護負擔：LLM 承擔所有繁瑣維護工作，自動更新 10-15 個關聯頁面、標註新舊數據矛盾、維護索引和交叉引用。人類只需專注策展與提問，無需手動整理。
• 中等規模免基建：在 100 篇/40 萬字規模內，僅靠 Markdown 索引文件即可高效檢索，無需向量數據庫、嵌入模型或複雜 RAG 架構，大幅降低技術門檻。
• 動態自增強：優質問答可一鍵歸檔回 Wiki 成爲新頁面，探索過程本身持續豐富知識庫，形成”使用即增長”的飛輪效應。

LLM Wiki的項目地址

• GitHub倉庫：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

LLM Wiki的同類競品對比

LLM Wiki的應用場景

• 個人成長：追蹤目標、健康、心理狀態與自我提升歷程，整理日記、文章、播客筆記，構建關於自我的結構化認知圖譜。
• 學術研究：圍繞特定主題進行數週或數月的深度鑽研，閱讀論文、報告，逐步構建包含演化論點的綜合知識體系。
• 閱讀伴侶：閱讀書籍時逐章整理，建立人物、主題、情節線索的關聯頁面，最終形成類似 Tolkien Gateway 的完整知識網絡。
• 企業/團隊知識庫：接入 Slack 對話、會議紀要、項目文檔、客戶溝通記錄，由 LLM 自動維護實時更新的內部 Wiki，無需人工額外投入。