大多数人和 LLM 协作知识的方式是这样的：上传一堆文件，查询时 LLM 检索相关片段，生成答案。NotebookLM、ChatGPT 文件上传、大部分 RAG 系统都是这个逻辑。这套东西能用，但有个根本缺陷：每次提问，LLM 都在从零发现知识。 问一个需要综合五份文档的复杂问题，LLM 必须每次都把那五个文档的相关碎片找出来拼在一起。没有任何积累。

Karpathy 在这篇 Idea File 里提出的 LLM Wiki，是另一种思路。

RAG 从零拼装，Wiki 持久累积

LLM Wiki 的核心洞察是：让 LLM 在查询之前就构建好一个持久的、结构化的 wiki。当你往 wiki 里加入新文档时，LLM 不是简单索引一下就完事，而是主动读取、提取关键信息，把新内容整合进现有的 wiki——更新相关实体页面、修正已被新数据推翻的旧结论、加强或挑战已有的综合判断。跨文档的交叉引用早就建好，矛盾早就标记，综合分析已经反映了你读过的所有内容。Wiki 随着每一次添加而变得更丰富，而不是每次提问都重新发明。

这和 Vannevar Bush 1945 年提出的 Memex 概念在精神上一脉相承：Bush 预见了私人、主动维护的知识库，其中文档之间的关联和文档本身一样有价值。Bush 没解决的是谁来维护。LLM 解决了。

三层架构

LLM Wiki 分为三个层级：

Raw Sources（原始文档）——你精心筛选的源文件集合：文章、论文、图片、数据文件。只读，不可修改。这是唯一的truth。

The Wiki——LLM 生成的 Markdown 文件网络。包括摘要页、实体页、概念页、对比页、综合分析。LLM 全权负责这一层：创建页面、接收新源时更新、维持交叉引用、保持一致性。人类读 wiki，LLM 写 wiki。

The Schema——一个配置文件（如 Claude Code 的 CLAUDE.md 或 Codex 的 AGENTS.md），告诉 LLM wiki 的结构规范、约定、以及处理 ingest、query、maintain 的工作流程。这是关键配置文件，让 LLM 成为有纪律的 wiki 维护者，而不是泛泛的聊天机器人。这份配置会随着你对领域的理解和偏好共同演进。

三种核心操作

Ingest（摄入）：把新文档放入原始集合，告诉 LLM 处理它。LLM 读取文档，和你讨论要点，写入摘要页，更新索引，更新 wiki 中所有相关的实体页和概念页，在日志中追加一条记录。一份文档可能涉及 10-15 个 wiki 页面的更新。Karpathy 更倾向于逐个摄入、保持参与，但也可以批量处理。

Query（查询）：你向 wiki 提问，LLM 搜索相关页面、读取、综合答案。答案可以有多种形式：Markdown 页面、对比表、PPT（Marp）、图表（matplotlib）。关键洞察：好的答案应该可以存回 wiki 成为新页面。你请求的一次对比分析、一次发现、一个洞见，都应该作为新页面沉淀到知识库里，而不只是消失在聊天记录里。这样你的探索和摄入的文档一样复合积累。

Lint（体检）：定期让 LLM 做 wiki 健康检查：页面之间是否有矛盾、新文档是否已让旧结论过时、是否有孤儿页（没有任何入站链接）、是否有重要概念被提及但没有自己的页面、缺失哪些交叉引用、数据空白在哪里可以网络搜索填补。LLM 擅长建议新问题和寻找新源。

两个导航文件

index.md 是内容导向的目录—— wiki 中每个页面的链接、一句话摘要、可选元数据如日期或来源数。按类别组织（实体、概念、来源等）。LLM 每次 ingest 都更新它。每次回答问题前，LLM 先读 index 找到相关页面，再深入阅读。这个方法在中等规模（约 100 个源、数百个页面）下效果出奇地好，无需嵌入向量 RAG 基础设施。

log.md 是时间线——按时间顺序追加的记录，记录发生了什么、何时发生的。每次 ingest、query、lint 都是一条记录。每条记录以固定前缀开头（如 ## [2026-04-02] ingest | Article Title），log 就可用简单 Unix 工具解析：grep "^## \\\[" log.md | tail -5 就能拿到最近 5 条。log 让 wiki 的演化有迹可循，帮助 LLM 理解最近做了什么。

工具栈

Karpathy 推荐了一套工具组合：

Obsidian Web Clipper 浏览器扩展可以把网页文章转成 Markdown，配合下载附件快捷键把图片本地化，LLM 可以直接引用图片而非依赖可能失效的 URL。Obsidian 的 Graph View 是看 wiki 整体结构的最佳方式——什么连接什么、哪些是中心页、哪些是孤儿，一目了然。

qmd 是本地 Markdown 语义搜索引擎，支持 BM25 + 向量混合搜索和 LLM 重排，全部本地运行。它有 CLI（LLM 可以直接 shell 调用）和 MCP server（作为原生工具调用）。随着 wiki 扩大，你可能需要比 index 文件更专业的搜索能力。

Marp 让 Markdown 直接生成 PPT，Obsidian 有插件支持。Dataview 可以对页面 frontmatter 运行动态查询，生成表格和列表——如果 LLM 在 wiki 页面中添加了 YAML frontmatter（标签、日期、来源计数），Dataview 可以做很多事情。

Wiki 本身就是一个 Git 仓库——版本历史、分支、协作都免费获得。

为什么有效

维护知识库最累人的不是阅读或思考，是记账工作：更新交叉引用、保持摘要最新、标记新数据与旧结论的矛盾、在数十个页面间保持一致性。人类放弃 wiki 是因为维护负担增长比价值更快。LLM 不会厌倦、不会忘记更新交叉引用、一次可以修改 15 个文件。维护成本接近零，wiki 因此得以持续维护。

人类的职责是筛选来源、引导分析、提出好问题、思考意义。LLM 的职责是其他一切。