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🔋

📝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】

752



被折叠的 条评论
为什么被折叠?



