Karpathy为人类构建了第二大脑。现在有人把它迁移到了AI Agent场景，而且代码已经开源。

Paweł Huryn从2026年2月开始构建这套系统，到3月中旬已经让X内容产出发生了实质性变化——数据实验类帖子获得了3倍于观点类帖子的收藏量。这个变化不是靠灵感，而是靠系统本身不断迭代出来的。

为什么Agent需要一个真正的知识系统

大多数人的Agent配置方案是写一份CLAUDE.md，写入规则和语气偏好。静态配置，对简单任务有效。

问题在于：配置会衰减。你在一月份写下一条规则，到三月份你已经发现了三个例外情况，但没人去更新它。Agent继续执行一条早已失效的规则。

一个知识系统需要持续演进。假设需要被验证。规则从证据中毕业。错误的信念需要被记录，这样系统才不会重复它们。Agent每次只加载当前任务所需的内容，而非一次性加载所有信息。

结果是：一个能够随着时间推移在你的具体工作中变得越来越准确的Agent。不是因为你不断编辑它的指令，而是因为系统本身具备了"犯错和自我修正"的机制。

核心架构：四个文件/目录

Karpathy的LLM-Wiki人类版模式经过改造，直接适配Agent场景。关键结构：

CLAUDE.md — 存放Agent的身份定义、路由表（任务类型→知识文件）、以及每个任务类型的分步操作流程。

INDEX.md — 主路由文件，每个对话周期开头必加载。它告诉Agent：当前任务应该查阅哪个文件。

hypotheses/ — 存放尚未被验证的信念。当某条信念积累了3个以上支持数据点，它就"毕业"成为规则；当出现2个以上反例，它被否决。

rejected.md — 信念墓地：被证据杀死的错误信念都会被记录在这里。Agent每次启动时都会读它——它不能重新合并一条它已知已死亡的信念。

这四个组件覆盖了大多数Agent配置缺失的四种能力：感知（加载什么）、推理（如何路由）、学习（假设升级为规则）、记忆（被否决的信念成为系统级记忆）。

Agent如何真正"学会"

完整循环：读取INDEX.md → 加载正确的文件 → 应用规则 → 生成输出/执行操作 → 获取反馈 → 更新假设 → 毕业或否决。整个闭环在几个小时内完成。

Agent在什么时候提出规则修正？当新证据与现有规则矛盾时。它提出修改建议，人类负责最终审查和讨论。

这才是真正的转变：你不再向Agent投喂指令，你开始建议数据来源并审查它的提案。Agent基于证据修改自己的知识文件，而不是产生幻觉式的新信念。

实际案例：X内容系统

作者从2月开始构建，到文章发布时系统已有：26个内容模板、13个正在用真实数据验证的活跃假设、50多条被记录的虚假信念（传统观点认为有害但数据证明无害的事物）、7条带有能量追踪的话题线。所有内容由Claude维护，每次使用都在改进。

但"由Claude维护"不意味着人类退出——所有编辑决策（发什么、砍什么、用什么角度、哪些事实需要核查两次）都由人类拍板。Claude负责研究、验证、结构化选项，以及基于知识库做模式匹配。

为什么这比配置管理高明

传统CLAUDE.md是静态规则库，规则之间没有关联，没有验证机制，没有失效记录。Agent second brain是一套可进化的知识系统：假设可以被验证，规则可以被升级，错误可以被标记为"已死亡"并永远不会被重复测试。

对Agent来说，这种机制比任何tone preference配置都有价值。因为它解决的不是"Agent说话好不好听"，而是"Agent的判断是否随时间变得越来越准确"。

开源仓库：phuryn/agent-second-brain，MIT协议，拿来直接用。