> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# AK：构建你的第二大脑
- URL: https://www.hubwiz.com/blog/ak-build-your-sencond-brain/
- Published: 2026-04-07T00:33:05.000Z
- Updated: 2026-04-07T00:33:05.000Z
- Description: Andrej Karpathy的新工作流程将原始研究转化为自我维护的维基。没有向量数据库，没有RAG管道，只是markdown文件和一个像全职图书管理员一样的LLM…
- Author: admin
- Tags: AI, #Import 2026-10-14 14:41

2026年4月3日，**Andrej Karpathy**——*OpenAI*联合创始人、特斯拉前AI负责人、提出"**氛围编程**"的那个人——在X上发了一条帖子，让我刷到一半停了下来。

他说他花更少时间使用AI生成代码，更多时间用它来组织知识。不是什么抽象的、理论上的方式。他描述了一个实际工作的系统，他把原始研究材料丢到一个文件夹里，指向一个LLM，然后LLM从头构建和维护整个相互链接的维基。没有人类编辑。AI写文章，在相关想法之间创建链接，对概念进行分类，并在新材料进来时保持整个东西更新。

他在一个单一主题上的研究维基已经增长到约100篇文章和400,000个词。他很少直接接触它。

这条推文病毒式传播。第二天，他跟进了一个他称之为"**想法文件**"的东西——一个GitHub gist，列出了完整架构，设计为可以直接复制粘贴到LLM代理中，这样它就可以为你构建系统。

他的推理是："*在这个LLM代理时代，分享特定代码/应用的意义/需求更少，你只是分享想法，然后其他人的代理为你的特定需求定制和构建它。*"

我想详细分解这如何工作，为什么它重要，以及即使你一生中从未设置过开发环境，你如何可以构建自己的。

## 1、这个解决的问题（以及为什么RAG不是答案）

如果你使用过ChatGPT或Claude与上传的文件，你使用过叫做RAG的东西，检索增强生成。

**它通常是这样工作的：** 你的文档被切成小块，这些块被转换成叫做嵌入的数学表示，当你问一个问题，系统搜索最相似的块并把它们提供给AI。

它能工作。但它有一个根本限制，一旦你用它做任何重要的事情就变得明显。

每次你问一个问题，AI都是从零开始重新发现你的知识。它搜索，检索一些块，并试图拼凑一个答案。没有什么积累。问一个需要连接五个不同文档中想法的问题，系统每次都必须找到并正确拼接正确的片段。

没有记忆。没有结构。没有你的想法如何相互关联的地图。

Karpathy的方法不同。不是每次查询都搜索原始文档，LLM读取原始材料一次，并将其编译成结构化的、有组织的维基。摘要、概念文章、链接、比较、索引——整个东西。之后你问问题时，AI不需要搜索向量数据库。它可以只读取相关的维基页面，这些页面已经包含信息的综合、有组织的版本。

正如**VentureBeat**在报道中所说的，这个设置中的LLM不是充当搜索引擎。它充当研究图书管理员，一个主动编写和维护持久记录的人。因为一切都存储为你可以自己阅读的纯markdown文件，没有黑箱。每个主张都可以追溯到你可以用任何文本编辑器打开、阅读和编辑的特定文件。

## 2、架构

Karpathy的系统有几个不同的层。我会使用他分享的图来走过每一个，但用不需要计算机科学学位的术语。

#### 第1层：原始来源（你的研究材料）

这是底层，基础。你收集文章、研究论文、图片、数据文件、代码仓库，任何与你正在研究的主题相关的东西。所有这些都进入一个叫做***raw***的文件夹。

**这里的规则很简单：** 这个文件夹是真相来源。LLM可以从它读取，但从不写入或修改它。你的原始材料保持不变。

对于网页文章，Karpathy使用Obsidian Web Clipper浏览器扩展，只需点击一下就能将网页转换为markdown文件。他还将相关图片下载到本地，这样LLM可以直接引用它们，而不是依赖可能失效的网页URL。

你不需要 fancy 的工具来完成这一步。将PDF保存到文件夹，将文章复制粘贴到文本文件，下载研究论文——所有这些都可以工作。关键是把你原始材料放到一个地方。

#### 第2层：模式（LLM的指令）

这是大多数人错过的部分，也是让系统一致工作的部分。

在LLM接触任何数据之前，你给它一个配置文件——Karpathy称之为***CLAUDE.md***（如果你使用Claude Code）或***AGENTS.md***（其他工具）。这个文件告诉LLM维基应该如何结构化，使用什么页面格式，遵循什么命名约定，以及摄取过程应该如何工作。

把它想象成AI的员工手册。没有它，LLM每次会以不同方式组织东西。有了它，每次编译运行遵循相同结构，产生一致结果。

你不需要从头写这个。Karpathy的GitHub gist就是这个文件——你可以 literally 复制它，粘贴到你的LLM代理中，它就会知道如何构建维基。

#### 第3层：维基（LLM构建的）

这是系统的核心。LLM读取你的原始来源并将它们"编译"成结构化的markdown文件集合。Karpathy的维基包括几种类型的页面：

实体页面涵盖研究中提到的特定人物、组织或项目。如果你在研究AI安全，三篇论文提到同一个研究人员，LLM会创建一个关于那个人的页面，从所有三个来源提取信息。

概念页面涵盖想法、方法和理论。如果多篇论文讨论相同的技术，LLM会创建专门解释它的文章，并引用回原始来源。

摘要是每个来源的摘要。每个原始文档都有一个摘要页面，捕捉要点，而不必阅读整个原始内容。

比较页面将相关想法并排放置。如果两篇论文对同一问题提出竞争方法，LLM写一个比较，突显差异。

综合页面提供围绕一个主题将多个来源联系在一起的概述。

维基还包括两个特殊文件：index.md，一个按类别组织的主目录，以及log.md，一个按时间顺序记录添加或更改内容的记录。

页面使用维基风格的\[\[反向链接\]\]，使用YAML frontmatter（metadata headers）进行分类，可以用Git跟踪版本历史。

关键要理解的是，LLM写作和维护所有这些。你不手动创建页面，写摘要，或添加反向链接。AI做那些工作。你的工作是策划什么进入原始文件夹以及问问题。

## 3、操作：摄取、查询和Lint

一旦结构存在，三个操作保持系统运行：

摄取是你添加新材料时发生的事情。你把新文章或论文放入\*\*\*raw/\*\*\*文件夹。LLM读取它，提取重要信息，并更新10-15个维基页面——如需要创建新的概念页面，更新现有的，添加反向链接，刷新摘要。

这是增量的。LLM每次不会从头重建整个维基。它读取新来源并将其集成到现有结构中。Karpathy描述这为"**编译**"——一个借用的编程术语，源代码被翻译成可执行的东西。这里，原始研究被翻译成有组织的知识。

查询是你问问题时发生的事情。LLM搜索维基的索引，读取相关页面，并综合答案。因为维基已经包含有组织的、相互链接的摘要，AI可以回答需要连接许多不同来源信息的复杂问题——这是传统RAG系统难以处理的。

在400,000个词的情况下，Karpathy说LLM使用它自己的索引文件和摘要很好地导航维基。不需要向量数据库。不需要嵌入。不需要相似性搜索。只是结构化的markdown，AI可以读取和推理。

Lint是维护通道。定期，你告诉LLM扫描维基的问题：页面之间的矛盾，没有从任何地方链接的孤立页面，重要主题被提到但没有自己文章的空白，可能需要更新的过时主张。LLM标记这些问题，并可以自动修复许多。

正如Karpathy帖子中的一个社区成员所说："它作为一个活的人工智能知识库，实际上能自我修复。"

## 4、输出层

这里变得实用。Karpathy不是只在聊天窗口中获得纯文本答案，而是让LLM生成它可以在Obsidian中查看的文件：

**Markdown**页面成为维基本身的一部分。当他问一个复杂问题并得到详细答案，他把那个答案"归档"回维基。这意味着他自己的探索和查询总是累积——每个问题都使知识库更丰富。

**幻灯片演示**使用Marp格式（一个将markdown转换为幻灯片 deck 的工具）。如果他需要展示发现，LLM直接生成幻灯片。

**图表和可视化**使用matplotlib（一个图表库）。来自维基的数据被转换成视觉表示。 比较表将想法并排放置在结构化格式中。

**关键洞察：** 输出反馈回维基。系统每次使用都变得更聪明。

## 5、如何实际构建这个

你不需要是开发者。这是最低可行版本。

**第1步：安装Obsidian。** 前往obsidian.md并下载免费应用。它在Mac、Windows、Linux和移动设备上都可以工作。Obsidian是一个笔记应用，使用存储在你电脑上的纯markdown文件。它是你的"IDE"——你将在这里查看和浏览维基。

**第2步：创建你的文件夹结构。** 在你的Obsidian vault（这只是Obsidian使用的文件夹）内，创建两个子文件夹： **raw/**用于你的来源材料， **wiki/**用于编译输出。这就是结构的全部。

**第3步：安装Obsidian Web Clipper。** 这是一个免费的浏览器扩展，让你一键将任何网页保存为markdown文件。当你找到一篇值得添加到知识库的文章，把它剪到你的raw/文件夹。

**第4步：开始收集原始材料。** 选择一个你正在研究或学习的主题。将5-10篇文章、论文或其他文档保存到raw/。在这个阶段不用担心组织——那是LLM的工作。

**第5步：设置你的LLM代理。** 这部分需要最多的技术舒适度，但在2026年已经变得容易多了。你有几个选项：

如果你使用Claude，你可以通过Claude的文件上传功能为小型维基做这个。对于更大的，Claude Code（Anthropic的命令行工具）可以直接与你电脑上的文件一起工作。

如果你使用Codex、Cursor或其他编码代理，它们也可以在你本地机器上读写文件。

非技术用户最简单的方法：打开你首选的AI聊天工具，上传你的\*\*\*raw/***文件夹的内容，将Karpathy的想法文件（来自他的GitHub gist）作为指令粘贴，并让LLM从你的来源编译一个维基。将输出的markdown文件保存到你的***wiki/\*\*\*文件夹。

**第6步：复制Karpathy的想法文件。** 前往*gist.github.com/karpathy/442a6bf555914893e9891c11519de94f*。复制整个gist。这是你的模式——告诉LLM如何构建和维护维基的指令。当你开始编译会话时，将其作为上下文粘贴。

**第7步：运行第一次编译。** 告诉LLM类似："读取\*\*\*raw/\*\*\*文件夹中的每个文档。对每个写一个摘要。然后识别所有来源中的主要概念、人物和组织。为每个创建维基页面，带反向链接。创建一个index.md按类别分类所有内容，以及一个log.md记录处理了什么。"

LLM会生成一组markdown文件。将它们保存到你的\*\*\*wiki/\*\*\*文件夹。打开Obsidian并浏览。

**第8步：开始查询。** 现在你可以针对你的维基提问。让LLM访问维基文件并问："*基于维基，作者X和Y在主题Z上的主要分歧是什么？*"，或者"总结我们对概念A的所有了解以及它与概念B的关系。"答案将基于你实际的研究，而不是LLM的一般训练数据。

**第9步：把输出归档回去。** 当你得到一个好答案，把它作为新的markdown文件保存到维基中。随着时间推移，你的探索和维基的综合知识融合成比任何一个都更丰富的东西。

**第10步：运行lint通道。** 每隔几周（或者每当维基大幅增长时），让LLM扫描问题：孤立页面、矛盾、缺失的概念文章、过时信息。修复它找到的。维基随着时间变得更紧密。

## 6、为什么这比你现在做的更好

大多数人以三种方式管理研究：他们从不重新访问的浏览器书签，有断开条目的笔记应用，或者会话结束时消失的聊天历史。三个都有同样的问题：没有什么连接到任何其他东西，没有什么随时间累积。

Karpathy的系统解决了这个问题，因为LLM维护连接。当你添加一个提到维基中已有概念的新来源时，LLM更新现有概念页面并添加反向链接。你不必记得你三周前在不同论文中读到了那个概念。系统为你记得。

另一个优势是原始真相和综合知识之间的分离。你的原始来源永远不会被修改。维基是一层在上面的解释——你可以重新生成、编辑或丢弃它，而不丢失任何来源材料。如果LLM误解了什么，你在维基中修复它，而不接触原始。

因为一切都是你电脑上的纯markdown，没有供应商锁定。没有订阅。没有云依赖。如果Obsidian明天消失，你仍然有一文件夹你可以用任何东西打开的文本文件。

## 7、变得有趣的地方

Karpathy提到了一个值得思考的未来方向：一旦你的维基干净、全面、链接良好，你可以用它生成合成训练数据，并微调一个较小的LLM，这样它实际上"知道"其权重中的信息。你会从一个在查询时AI读取的知识库到一个已经内化你整个研究领域的专业模型。

这仍然是一个高级用例。但更直接的应用已经令人兴奋。企业家Vamshi Reddy回应Karpathy的帖子时有一个让我印象深刻的观察："*每个企业都有一个raw/目录。没有人编译它。那就是产品。*"

想想这个。每个公司都有一堆Slack线程、会议记录、内部文档、产品规格和找不到或联系不上的研究。同样的维基模式适用于所有这些。竞争分析。尽职调查。旅行计划。读小说系列时跟踪角色和情节线。学习新的技术领域。为考试学习。

系统是领域不可知的，因为模式层吸收所有领域特定的配置。在你的CLAUDE.md文件中改变指令，相同的架构编译不同类型的维基。

## 8、它不能做什么

一个来自Substack作家的深思熟虑的批评值得记住。他们做了一个值得注意的区别。LLM擅长侦察阶段——绘制领地，组织信息，找到你可能错过的连接。但综合——从材料中形成原创想法——仍然是人类的工作。

作家引用了德国社会学家Niklas Luhmann，他维护了一个著名的手写卡片系统。Luhmann的见解是，用自己的话写东西的摩擦不是浪费的努力。这是理解实际发生的机制。阅读别人的摘要与你自己形成想法不一样。

所以诚实版本的Karpathy系统做什么：它消除了组织、连接和维护研究材料的繁琐工作——人类做不好且觉得乏味的工作。它不消除思考的需要。AI绘制领地。你仍然必须走它。

这是一个好的交易。

## 9、今天开始

如果你想尝试这个，这是你需要的最低限度：

1. 从obsidian.md下载Obsidian（免费）
2. 安装Obsidian Web Clipper浏览器扩展
3. 创建一个带\*\*\*raw/***和***wiki/\*\*\*文件夹的vault
4. 在你关心的主题上剪5-10篇文章到***raw/***
5. 从他的GitHub gist获取Karpathy的想法文件
6. 将它和你原始文件一起粘贴到你选择的LLM
7. 要求它编译一个维基

从小开始。你以后总是可以添加更多来源。系统设计为增量增长——每个新来源被集成到现有结构中，而不是从头处理。

如果几周后你发现你有一个50页的相互链接的维基，你几乎不需要编辑，一个通过引用你收集的来源回答复杂研究问题的系统，以及一个每次使用都变得更好的知识库——那么你就会理解为什么Karpathy的推文病毒式传播。

瓶颈从来不是写代码。是足够深入理解问题以知道要构建什么。现在有了一个为此的系统。

---

原文链接: [Andrej Karpathy Stopped Using AI to Write Code. He's Using It to Build a Second Brain Instead](https://medium.com/neuralnotions/andrej-karpathy-stopped-using-ai-to-write-code-hes-using-it-to-build-a-second-brain-instead-cddceadc5df5?ref=hubwiz.com)

汇智网翻译整理，版权归作者所有，转载需标明出处