当 AI 大牛不再手写笔记：Karpathy 的 LLM 知识库工作流

你有没有这种感觉——

收藏夹越来越厚，脑子越来越空。

论文、文章、代码仓库，一篇一篇存进去，下次翻出来已经不知道在说什么了。知识管理工具用了一个又一个，Notion、Obsidian、Roam，每一个都让你有种”这次终于要改变了”的错觉，然后慢慢又沦为电子垃圾桶。

问题不是工具不够好。

问题是，整理知识本身就是一件很累的事。

直到我看到 Andrej Karpathy 在 4 月 2 日发的那条推文——这位前 Tesla AI 总监、OpenAI 联合创始人，分享了他最近摸索出的一套用 LLM 构建个人知识库的工作流。#优普丰AI智能体实践

读完之后我愣了好几秒。

不是因为技术有多复杂，而是因为它太简单了，简单到让人觉得自己白白浪费了好几年时间。

一切的出发点：把整理知识的活，交给 LLM 来做

Karpathy 说，他最近花在 LLM 上的 token，已经不主要用在写代码上了，而是用在处理知识——以 Markdown 文件和图片的形式存储的知识。

这句话值得停下来想一想。

我们大多数人用 LLM 的方式，是”问它问题，得到答案，关掉对话”。每次从零开始，什么都留不下来。

Karpathy 的思路刚好相反：让 LLM 成为你知识库的维护者，而不只是问答机。

具体怎么做？分成五个环节。

第一步：原始数据进 raw/ 目录，LLM 来”编译”成 Wiki

这是整套系统的地基。

他会把所有感兴趣的材料——文章、论文、代码仓库、数据集、图片——统统放进一个 raw/ 目录。然后让 LLM 逐步把这些原始数据”编译”成一个结构化的 Wiki，本质上就是一堆按目录组织的 .md 文件。

Wiki 里会有什么？所有文档的摘要、反向链接，以及按概念归类的条目——每个概念有独立的文章，互相交叉链接。 #优普丰赋能企业AI落地

网页文章怎么收录？他用的是 Obsidian Web Clipper 插件，一键把网页转成 Markdown 文件；图片也会用快捷键批量下载到本地，方便 LLM 直接引用。

关键逻辑： Wiki 里所有内容，基本都由 LLM 来写和维护，Karpathy 几乎不手动编辑。人负责收集，LLM 负责整理。

第二步：用 Obsidian 当”前端”，只负责查看

Karpathy 用 Obsidian 作为整套系统的阅读界面。

他在里面看三类内容：原始数据（raw/）、LLM 编译出来的 Wiki、以及各种可视化输出。他也试过一些 Obsidian 插件，比如用 Marp 把 Wiki 内容渲染成幻灯片。

但有一点他特别强调：Obsidian 只是查看器，写入者是 LLM。

这个分工很关键。当你不再需要亲自整理知识，”维护知识库”这件事的心理负担会瞬间消失。

第三步：Wiki 够大之后，开始真正的”知识问答”

这是整套工作流最让人兴奋的部分。

当他某个研究主题的 Wiki 积累到大约 100 篇文章、40 万词的规模之后，他就可以向 LLM Agent 提出各种复杂的跨文档问题，让它自主展开研究、整理答案。

他原以为这种规模下必须上复杂的 RAG（检索增强生成）管道。但实际情况是：只要 LLM 自动维护了索引文件和每个文档的简短摘要，在这个”小规模”下，它已经能相当准确地读取出关键相关信息了。 #优普丰赋能企业AI落地

不需要花里胡哨的向量数据库，朴素的索引 + 摘要，够用。

可行性提示： 40 万词听起来很多，但对于专注在某一个研究方向的人来说，100 篇深度文章其实并不难积累。关键是聚焦，而不是大而全。

第四步：输出不停留在终端里，直接生成可视化文件

Karpathy 不喜欢让答案只活在对话框里。

他更倾向于让 LLM 直接为他生成 Markdown 文件、Marp 格式的幻灯片，或者 matplotlib 图表，然后回到 Obsidian 里查看这些输出。

更妙的是：很多时候，他会把这些输出再”归档”回 Wiki 里，成为知识库的一部分，供未来的查询继续调用。

也就是说，你每一次提问和探索，都在为知识库增砖加瓦。这个库会随着你的使用而越来越聪明、越来越完整。

第五步：让 LLM 定期做”健康检查”，主动发现问题

这是很多人没想到的一步。

Karpathy 会定期让 LLM 对整个 Wiki 做一轮扫描，专门去找：

• 数据前后不一致的地方
• 信息缺失、可以补充的地方（通过网络搜索来填坑）
• 有意思的概念关联，生成新的候选条目

LLM 不只是存储知识的容器，它还会主动建议下一步值得探索的方向——就像一个懂你研究领域的助手，而不只是一个数据库。

这套工作流的底层逻辑：让知识库成为 LLM 的主场

Karpathy 在帖子最后说了一句话，我觉得是整篇内容的灵魂：

我认为这里完全有机会长出一个很强的新产品，而不只是一个由各种脚本勉强拼起来的 hack。

是的，他现在用的还是一堆 CLI 工具、自己 vibe code 出来的搜索引擎、几个 Obsidian 插件，加上大量的 prompt 工程。它能用，但配置门槛很高。

但这套思路背后的逻辑，已经相当清晰：

传统知识管理工具的假设是”人来整理，人来维护”。Karpathy 的做法颠覆了这个假设——整理和维护交给 LLM，人只需要负责收集和查询。 #优普丰赋能企业AI落地

这不是效率优化，是范式替换。

你现在能做什么？

不需要完全复制 Karpathy 的配置，但可以从最小可行版本开始：

第一步： 选一个你正在研究或感兴趣的领域，开始用 Obsidian Web Clipper 把好文章转成 Markdown 保存下来。

第二步： 当你积累了 20-30 篇之后，扔给任意一个主流 LLM，让它帮你生成这些文章的摘要索引，并按概念分类。

第三步： 遇到复杂问题时，把索引文件 + 相关文档一起丢给 LLM，让它帮你做跨文档的综合分析。

就这三步，已经能让你感受到这套工作流的力量。

知识不应该只是被收藏的，它应该是活的、会生长的。

而现在，LLM 可以帮你让它真正活起来。

互动话题：你现在用什么工具来管理你的知识和资料？有没有遇到过”收藏越来越多、用到越来越少”的困境？欢迎在评论区分享你的方法，或者聊聊你打算怎么试试这套工作流。 #优普丰赋能企业AI落地

原始出处：Andrej Karpathy 于 2025 年 4 月 2 日发布于 X（推特），帖子链接：x.com/karpathy/status/2039805659525644595

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。