RAG已死!karpathy说:LLM Wiki永生

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

最近,karpathy(OpenAI创始成员)的LLM Wiki火遍全网: 一种利用LLM构建个人知识库(Knowledge Bases)的模式。

  • 传统 RAG(如 NotebookLM、ChatGPT 文件上传)的问题是没有知识积累——每次提问都要重新检索、重新拼凑答案。
  • LLM Wiki 的核心突破是建立一个持续演进、复利增长的 markdown 知识库,交叉引用、矛盾标注、综合结论都被持久化保存。

核心理念

大多数人与 LLM 和文档打交道的体验都类似于 RAG(检索增强生成):你上传一批文件,LLM 在查询时检索相关片段,然后生成答案。这种方法有效,但问题在于,LLM 每次回答问题都要从零开始重新发现知识。没有积累。如果你问一个需要综合五份文档的微妙问题,LLM 每次都必须找到并拼凑相关片段。什么都不会被建立起来。NotebookLM、ChatGPT 文件上传功能以及大多数 RAG 系统都是这样工作的。

这里的想法不同。与其在查询时才从原始文档中检索,不如让 LLM 渐进式地构建并维护一个持久的 wiki —— 一个结构化的、相互关联的 markdown 文件集合,位于你和原始资料之间。当你添加新资料时,LLM 不仅仅将其索引以备后用。它会阅读资料,提取关键信息,并将其整合到现有的 wiki 中 —— 更新实体页面、修订主题摘要、标注新数据与旧说法矛盾的地方、强化或挑战不断演进的综合结论。这些知识被编译一次,然后 保持最新,而不是每次查询都重新推导。

这是关键区别:wiki 是一个持久、复利的产物。 交叉引用已经存在。矛盾已经被标记。综合结论已经反映了你阅读过的所有内容。每添加一份资料、每提出一个问题,wiki 都会变得更加丰富。

你(几乎)从不亲自编写 wiki —— 全部由 LLM 编写和维护。你负责资料来源、探索方向,以及提出正确的问题。LLM 完成所有繁重工作 —— 正是这些让知识库随时间推移真正有用的摘要、交叉引用、归档和记录工作。在实践中,我通常在一侧打开 LLM 智能体,另一侧打开 Obsidian。LLM 根据我们的对话进行编辑,我实时浏览结果 —— 跟随链接、查看图谱视图、阅读更新后的页面。Obsidian 是 IDE;LLM 是程序员;wiki 是代码库。

这可以应用于许多不同的场景。以下是几个例子:

  • 个人
  • 研究
  • 阅读书籍
  • 商业/团队
  • 竞争分析、尽职调查、旅行规划、课程笔记、爱好深度挖掘

架构

有三个层级:

原始资料 —— 你精心策划的来源文档集合。文章、论文、图片、数据文件。这些是不可变的 —— LLM 读取它们但从不修改。这是你的事实来源。

Wiki —— 由 LLM 生成的 markdown 文件目录。摘要、实体页面、概念页面、对比分析、概览、综合结论。LLM 完全拥有这一层。它创建页面,在新资料到达时更新它们,维护交叉引用,并保持一切一致。你阅读它;LLM 编写它。

Schema(模式) —— 一份文档(例如 Claude Code 使用的 CLAUDE.md 或 Codex 使用的 AGENTS.md),告诉 LLM wiki 的结构、约定是什么,以及在摄入资料、回答问题或维护 wiki 时应遵循的工作流程。这是关键的配置文件 —— 它让 LLM 成为一个严谨的 wiki 维护者,而非普通的聊天机器人。你和 LLM 会随时间共同演进这个文件,根据你在特定领域的实践经验找出有效的方法。

操作

摄入。 你将新资料放入原始资料集合,并告诉 LLM 处理它。一个示例流程:LLM 阅读资料,与你讨论关键要点,在 wiki 中撰写摘要页面,更新索引,更新 wiki 中相关的实体和概念页面,并在日志中添加条目。一份资料可能涉及 10-15 个 wiki 页面。就我个人而言,我更喜欢一次摄入一份资料并保持参与 —— 我阅读摘要、检查更新,并指导 LLM 强调哪些内容。但你也可以批量摄入多份资料,减少监督。由你来开发适合你风格的工作流程,并将其记录在 schema 中供未来会话使用。

查询。 你针对 wiki 提出问题。LLM 搜索相关页面,阅读它们,并综合出带有引用的答案。根据问题的不同,答案可以采取不同形式 —— markdown 页面、对比表格、幻灯片(Marp)、图表(matplotlib)、画布。重要的洞见:好的答案可以作为新页面归档回 wiki。 你要求的一次对比、一项分析、一个你发现的联系 —— 这些都是有价值的,不应消失在聊天记录中。这样,你的探索也像摄入的资料一样在知识库中复利增长。

整理(Lint)。 定期让 LLM 对 wiki 进行健康检查。检查以下内容:页面间的矛盾、被新资料取代的陈旧说法、没有入站链接的孤立页面、被提及但缺少独立页面的重要概念、缺失的交叉引用、可以通过网络搜索填补的数据缺口。LLM 很擅长建议要调查的新问题和要寻找的新资料。这能让 wiki 在成长过程中保持健康。

索引和日志

两个特殊文件帮助 LLM(和你)在 wiki 成长时导航它们。它们服务于不同目的:

index.md 是内容导向的。它是 wiki 中所有内容的目录 —— 每个页面都列有链接、一句话摘要,以及可选的元数据如日期或资料数量。按类别(实体、概念、资料等)组织。LLM 在每次摄入时更新它。回答查询时,LLM 先阅读索引找到相关页面,然后深入阅读。在适度规模(约 100 份资料、数百个页面)下,这种方法出奇地有效,避免了基于嵌入的 RAG 基础设施的需求。

log.md 是时间顺序的。它是关于发生了什么、何时发生的仅追加记录 —— 摄入、查询、整理通过。一个有用的技巧:如果每个条目都以一致的前缀开头(例如 ## [2026-04-02] ingest | 文章标题),日志就可以用简单的 Unix 工具解析 —— grep "^## \[" log.md | tail -5 可以给出最近 5 条条目。日志提供了 wiki 演进的时间线,帮助 LLM 了解最近做了什么。

为什么这有效

维护知识库的繁琐之处不在于阅读或思考 —— 而在于记录工作。更新交叉引用、保持摘要最新、标注新数据与旧说法矛盾的地方、在数十个页面间保持一致性。人类放弃 wiki 是因为维护负担的增长速度超过了价值。LLM 不会感到无聊,不会忘记更新交叉引用,可以一次性触及 15 个文件。Wiki 保持维护状态,因为维护成本几乎为零。

人的工作是策划资料、指导分析、提出好问题、思考这一切意味着什么。LLM 的工作是其他一切。

这个想法在精神上与 Vannevar Bush 的 Memex(1945)相关 —— 一个个人的、精心策划的知识存储库,文档之间有联想式链接。Bush 的愿景更接近这个,而非后来的互联网:私人的、主动策划的,文档之间的连接与文档本身一样有价值。他当时无法解决的是由谁来维护。LLM 解决了这个问题。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

跨越RAG的局限:深度解析 Karpathy 的 LLM-Wiki 智能体知识库架构 随着大型语言模型(LLM)的普及,检索增强生成(RAG)几乎成为了构建企业和个人知识库的默认范式。然而,RAG 在处理跨文档全局推理、知识复利以及上下文碎片化方面存在难以克服的结构性瓶颈。最近,前 OpenAI 科学家 Andrej Karpathy 提出了一种名为。 阅读详情

相关推荐

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 752

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1453

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3291

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

放弃RAG!Karpathy亲自下场:LLM Wiki才是个人知识库的正确方向

别再盲目堆RAG了,你的知识库思路可能从根上就错了。很多人一提到AI+知识库,第一反应就是向量库、检索、chunk切分、重排序,一套RAG流程焊死不动。LLM Wiki。本文结合Karpathy原文和视频内容,完整梳理这套新范式,不堆砌术语,尽量用工程化视角讲清楚它到底是什么、为什么比RAG好用、以及可以怎么落地。一提到知识库就RAG,不一定是最优解。不是每次都临时翻书找答案而是先把知识整理成体系、建成“维基”再基于体系回答问题。

lpfasd123的博客 2319

【hadoop编译报错】(yarn install) on project hadoop-yarn-applications-catalog-webapp Failed to run task

ambari+bigtop自定义组件集成

TTBIGDATA的博客 1804

逆转 RAG:LLM‑wiki 的知识复利

你还在让 RAG 像个临考前一通乱翻的学渣吗?😩 每次提问才手忙脚乱地检索,用完即弃,知识库活成了一次性筷子 🥢。 ✨ 现在,换个玩法! 把检索从查询期提前到摄入期编译——在知识入库的那一刻,就把“消化”和“索引”做到位,让知识库从消耗品,彻底变成能不断增值的复利资产 💰📈。

qq_59998784的博客 1万+

麒麟操作系统Kylin如何从 2203 升级到 2403

fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;开始升级流程第一步:升级前准备1. 确认版本为 V10 SP1 22032. 备份全部重要数据3. 确保网络稳定4. 关闭应用第二步:选择升级方式方法一:图形界面升级方法二:命令行升级1. 更新现有系统至最新2. 启动“系统升级”工具3. 检测并开始下载2403。

让编程变的很简单!! 2679

【学习报告】Karpathy - LLM Wiki 学习报告

摘要 LLM Wiki是Andrej Karpathy提出的一种新型知识管理架构,通过"原始资料-Wiki-Schema"三层结构,让LLM担任知识库管理员,实现知识的持续积累与自动维护。与传统RAG不同,它采用提前编译(AOT)模式,将资料转化为结构化Markdown Wiki,支持交叉引用和矛盾标注,形成可持久复用的知识体系。该系统无需向量数据库,通过Obsidian+LLM Agent即可搭建,具有知识复利累积、零维护负担、低技术门槛等优势,适用于个人成长、学术研究等场景,是Age

damonchan1999的博客 2363

推荐国内可使用的chatGPT的工具

是基于ChatGPT 3.5和ChatGPT 4开发的chatGPT应用程序版,这个应用可以直接使用而不需要魔法,如果我们有自己的APT KEY的话可以一直使用,但是如果没有的话,我们只能使用ChatGPT 3.5 版本的,次数也是有所限制,应该是20次每天,这也足够我们的使用了,响应的速度也是非常的快。

有你真好的博客 1万+

Apollo control模块横向控制原理及核心代码逐行解析

看完这篇文章,你会对apollo横向控制有一个整体的概念

weixin_39199083的博客 2万+

Karpathy LLM-wiki 技术原理与个人知识库构建实践

而是它会读这个资料,提取关键信息,然后把信息整合进已有的 Wiki 里,包括:更新相关实体的页面、修正主题摘要、标注新数据和旧结论的矛盾之处。Karpathy LLM-wiki 方案的核心思想是:不要把 LLM 当搜索引擎用,让它像程序员维护代码库一样帮你持续维护一个 Markdown Wiki —— 一个结构化的、互相链接的 Markdown 文件集合。现在主流的知识库(如 ChatGPT 文件上传、NotebookLM)都是基于 RAG 技术的:上传文档,提问,AI 检索相关片段,生成回答。

烟云的计算 5821

Ubuntu零基础教学-史上最详Ubuntu20.04安装教程,超级详细,强烈建议收藏!

官网地址:https://www.vmware.com/ 1、VMware Workstation Pro 15.5.1在Windows 10的安装不再介绍了,一路下一步即可。 2、下面详细介绍在VMware 虚拟机里安装Ubuntu 20.04 LTS的步骤

**My Coding Family** 2万+

颠覆传统 RAG!Karpathy 开源 LLM Wiki 全攻略(附实操),打造自进化大脑,收藏这一篇就够了!

最近在做知识库相关的项目时,我一直在纠结一个问题:RAG(检索增强生成)真的是知识管理的终极答案吗?

m0_59164520的博客 5833

华为OD面试八股真题 - 操作系统 - 1

华为OD技术面,操作系统相关八股真题提供详细解答,这篇博客主要涉及于进程和线程相关知识点

qq_45776114的博客 1646

【Flink】FLink session yarn kerberos认证报错 PortUnreachableException: ICMP Port Unreachable

本篇博客是在上一篇博客:【Flink】FLink session yarn kerberos认证报错 KrbException: Cannot locate default realm还没找到原因的时候做的一次尝试。因为项目需要,我们需要对接华为认证的yarn集群,运行flink任务,我们的任务分为两种,yarn pre-job模式和flink session模式。我们在配置文件中配置如下# kerberos认证需要的东西提交任务的脚本如下。

九师兄 1267

从 RAG 到 LLM Wiki,Karpathy 的知识管理新思路

这是 2026 年 4 月最值得关注的 AI 知识管理革命。一个 GitHub Gist,三天内收获 5000+ Stars,催生了数十个开源项目。

m0_59235245的博客 825

【系列06】端侧AI:构建与部署高效的本地化AI模型 第5章:模型剪枝(Pruning)

结构化剪枝移除的是模型中的整个结构,比如一个完整的神经元、一个卷积核或一个通道。修剪后的模型权重矩阵仍然是稠密的,因此能够充分利用现代硬件和软件的并行计算优势,从而显著提升推理速度。非结构化剪枝是最细粒度的剪枝方法。对于需要极致压缩但对推理速度要求不高的场景,非结构化剪枝是好的选择。它就像修剪一棵树,通过移除模型中不必要的“枝叶”,让模型变得更精简、更高效,从而适应资源受限的设备。,开发者可以方便地对模型的不同层进行剪枝,并根据需求进行微调,从而在不影响太多性能的前提下,获得一个更轻量、更高效的模型。

学习,输出==》再学习再输出 650

Karpathy的LLM Wiki:一种将RAG从解释器模式升级为编译器模式的架构

Andrej Karpathy提出的LLM Wiki,摒弃传统RAG“每次查询重检索”的模式,转而让大模型将原始资料**编译为结构化、可链接、自更新的Markdown Wiki**,实现知识的持久沉淀与复利增长——Obsidian为IDE,LLM为程序员,Wiki即代码库。

deephub 1901

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Obsidian + Claude Code + LLM Wiki:基于Karpathy 构建你的智能第二大脑完整指南

**LLM Wiki** 提供了新的范式:让 AI 增量构建和维护一个持久化的 Wiki(互相链接的 Markdown 文件)。知识被"编译"一次,然后持续更新,形成**可复利的数字资产**。 本文将带你完整搭建一个基于 **Obsidian + Claude Code + LLM Wiki** 的智能第二大脑,

南宫乘风-Linux运维-虚拟化容器-Python编程 ownit.top 7834

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

告别低效RAG-读懂Karpathy-LLM-Wiki

摘要 Karpathy LLM Wiki是一种新型知识管理范式,旨在解决传统RAG(检索增强生成)的低效问题。

m0_38115463的博客 642

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Hermes 搭建 Karpathy LLM Wiki:进阶版

通过 Hermes 搭建 Karpathy 风格的 LLM Wiki,本质上是在构建一个具备自我演化能力的智能知识体。放弃对实时检索的过度依赖,利用 LLM 的理解能力在写入阶段完成知识固化。Schema 驱动,用规则约束保证结构化质量。充分利用 Agent 机制,借助 Hermes 的 Skill 沉淀与双层记忆,实现知识的长期复利。这不仅仅是一个文档库,更是你第二大脑的操作系统。

Java_Chuck的博客 1652

从 RAG 到 LLM Wiki:Karpathy 为什么开始让大模型自己维护知识库

LLM Wiki 值得重视,是因为它把知识库从“提问时临时检索”变成了“平时持续整理”。普通 RAG 往往是在每次提问时重新从原始资料里找答案,而 LLM Wiki 会先把摘要、索引、概念联系和阶段性结论沉淀下来,让这些中间处理结果成为后续问答和研究的基础。它更适合技术学习、论文阅读、项目研究这类长期积累型任务,因为这类任务真正重要的不是一次性找到答案,而是让后续工作能够继承前面的理解。Karpathy 给出的原始说明在 GitHub Gist 上,标题就叫LLM Wiki。

2501_92638822的博客 697

Hermes 搭建 Karpathy LLM Wiki:抛弃 RAG 检索,用“编译”思维打造智能知识库

用 Hermes 搭建 Karpathy LLM Wiki,就像是请了一位 24 小时的 AI 知识管家。它把复杂的代码、向量检索和上下文拼接都封装在了llm-wiki技能里。把文件丢进raw文件夹。告诉 Hermes “开始处理” 和 “做个体检”。快来体验这种抛弃传统 RAG、拥有“外挂大脑”的感觉吧!

Java_Chuck的博客 2278

大模型知识库教程(非常详细):搞懂Karpathy的Wiki,看这一篇就够了!

这两天,Andrej Karpathy 连着发了几份关于 `LLM Wiki` 的材料。

m0_59163425的博客 5045

Karpathy LLM Wiki 实践:用“知识编译“替代 RAG,构建个人知识库

对于个人知识管理来说,这种方式有一种独特的魅力:你的知识库不再是一个黑盒的向量数据库,而是一组精心组织的、人类可读的 Markdown 文件。你可以用 Obsidian 浏览它的知识图谱,可以直接阅读任何一个页面,可以手动编辑修正 LLM 的输出,也可以通过修改 Schema 来调整系统的行为。「知识管理的终极形态,或许就是让 AI 帮你维护一个"活"的 Wiki——持久的、复利增长的知识产物。「"不要让 LLM 在查询时去理解原始文档,而是提前让 LLM 把文档'编译'成结构化的知识。

m0_47495420的博客 690
上一篇: 京东二面真题:RAG 检索优化实战教程(非常详细),提升正确率从入门到精通,收藏这一篇就够了!
下一篇: Embedding 决定你能找到什么,Reranker 决定你最终拿到什么
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值