前 OpenAI 聯合創始人、前 Tesla AI 總監 Andrej Karpathy 上週發了一條推文，1600 萬人看了。
他沒有發布新模型，沒有宣布新創業，也沒有跟 Sam Altman 吵架。他只是分享了一件事：他不再用 AI 寫代碼了。
取而代之的是，他把大量的 AI token 花在了「操作知識」上——用 LLM 自動建造、維護一整套個人維基百科。單一研究主題，就長到了 100 篇文章、40 萬字。
這不是什麼概念驗證。這是一個每天在用的系統。而且任何人都能複製。
到底什麼是「LLM 知識庫」？
簡單講：你丟一堆原始資料進去（論文、文章、筆記、截圖），LLM 幫你整理成一套互相連結的 Markdown 維基百科。
跟傳統的 RAG（檢索增強生成）完全不同。RAG 是查詢時才去翻文件；Karpathy 的做法是在你丟資料進去的那一刻就處理好——AI 讀完、理解、拆解成概念、建立交叉連結，產出一套結構化的知識庫。
用 Karpathy 自己的話說（截至 2026 年 4 月）：他最近的 token 吞吐量，越來越少花在「操作代碼」，越來越多花在「操作知識」上。知識以 Markdown 和圖片的形式儲存。
跟你平常用 ChatGPT 有什麼不同？
大多數人用 AI 的方式是「問一個問題，拿到一個答案，然後忘記」。對話結束，知識就散了。
Karpathy 的做法完全相反——每一次跟 AI 的互動，都在累積知識。新資料進來時，AI 不是重新開始，而是更新已有的文章、標記跟舊知識的矛盾點、自動建立新的連結。
你可以把它想成：ChatGPT 是即用即丟的便條紙，LLM 知識庫是越用越聰明的第二大腦。
| 比較項目 | 傳統 RAG | LLM 知識庫（Karpathy 做法） |
|---|---|---|
| 處理時機 | 查詢時才處理 | 資料進來時就處理 |
| 輸出格式 | 臨時回答 | 永久的結構化 Markdown 文章 |
| 知識累積 | 每次查詢獨立 | 持續更新、交叉連結 |
| 矛盾處理 | 可能給出矛盾回答 | 主動標記矛盾 |
| 適合場景 | 快速查找特定資訊 | 深度研究、長期知識管理 |
怎麼自己建一個？五步教學
Karpathy 在推文爆紅後，把完整架構整理成了一份「Idea File」發在 GitHub Gist 上。根據他的框架和社群的實踐經驗，以下是你現在就能動手的步驟：
第一步：準備原始資料夾
在你的電腦上建一個資料夾結構：
my-wiki/
├── raw/ ← 丟進你的原始資料（PDF、網頁、筆記）
├── wiki/ ← AI 產出的知識庫文章
├── images/ ← 相關圖片
└── index.md ← 自動產生的索引raw/ 就是你的「進料口」——把你正在研究的主題相關資料全部丟進去。論文 PDF、網頁截圖、讀書筆記、Twitter 截圖都行。網頁文章推薦用 Obsidian Web Clipper 擴充功能直接存成 Markdown。
第二步：選你的 AI 工具
Karpathy 用的是 Claude Code（Anthropic 的命令列 AI 工具），因為它能直接讀寫本地檔案。但你不一定非得用 Claude Code，以下幾個都能做到類似效果：
- Claude Code（推薦）：直接在終端機操作你的檔案系統，最適合這個工作流程
- Cursor / Windsurf：AI 編輯器，能讀整個資料夾結構
- ChatGPT + Code Interpreter：上傳檔案後請它整理，但缺少持久化能力
核心需求就一個：AI 能讀取你的本地檔案、能寫入新檔案。能做到這一點的工具都可以。
第三步：第一次「編譯」
把你的 raw/ 資料夾指給 AI，告訴它：
「讀取 raw/ 裡的所有資料。從中提取關鍵概念，每個概念建立一篇 Markdown 文章放到 wiki/ 資料夾。文章之間用 [[雙括號連結]] 互相引用。如果多份資料提到同一個概念，合併到同一篇文章。產出完成後更新 index.md 索引。」
AI 會開始讀你的資料、分類、產出文章。第一次跑完可能需要幾分鐘到幾十分鐘，取決於資料量。跑完後你會得到一堆結構化的 Markdown 文件——這就是你的知識庫 v1。
第四步：持續餵食
每次你有新資料，就丟進 raw/ 然後告訴 AI：
「raw/ 裡有新資料。讀取後，更新 wiki/ 裡的相關文章。如果是全新概念就建新文章。如果跟現有知識有矛盾，在文章裡標記出來。更新 index.md。」
這就是「編譯」的過程——每次新資料進來，知識庫不是重建，而是增量更新。文章之間的連結會越來越密，概念之間的關係會越來越清楚。
第五步：定期審計
Karpathy 建議定期讓 AI 審計整個知識庫：
「審計 wiki/ 資料夾。找出：(1) 互相矛盾的文章 (2) 沒有被任何文章連結的孤兒頁面 (3) 過時的資訊。列出問題清單讓我決定怎麼處理。」
把 AI 當成你的私人圖書館管理員——它不只幫你寫文章，還幫你維護整個知識體系的品質。
為什麼這件事很重要？
Karpathy 在後續推文裡提了一個更大的概念：「Idea File」。
他認為在 AI Agent 的時代，分享「具體代碼」的意義越來越小。你應該分享的是「idea」——你的想法、你的框架、你的需求描述。拿到你的 idea 之後，對方的 AI Agent 可以根據自己的環境、自己的需求，自動客製化實現。
這對普通人意味著什麼？
意味著「會不會寫代碼」越來越不重要。「能不能把知識結構化」才是新的核心能力。
想想看：同樣用 AI，有人每天問完問題就關掉視窗，有人卻在持續建造一座越來越完善的知識庫。半年後，兩個人的能力差距不是在「會不會用 AI」，而是在「有沒有累積出一個靠 AI 維護的知識體系」。
適合誰用？不適合誰？
適合你，如果你是：
- 正在深入研究一個主題（幣圈、AI、投資、法律、醫療……），需要長期累積知識
- 內容創作者，需要把碎片資訊整理成可以出文章/影片的知識體系
- 產品經理或分析師，需要追蹤大量競品和行業動態
- 任何覺得「我收藏了 500 篇文章但從來沒有回頭看」的人
不適合你，如果你只是：
- 偶爾問 ChatGPT 一些隨機問題，不需要累積知識
- 完全不想碰命令列或檔案管理
我的看法
Karpathy 這條推文之所以爆，不是因為技術多新——用 AI 整理筆記這件事很多人做過。真正戳中人的是他背後那個觀念轉變：AI 的最大價值，可能不是幫你生產，而是幫你思考。
我自己試了一下，用 Claude Code 對一個研究主題跑了第一輪編譯。10 篇原始文章進去，出來 23 篇結構化 wiki 文章，帶完整的交叉連結。查資料的效率直接翻了好幾倍——因為 AI 已經幫你做好了「這個概念跟那個概念有什麼關係」的工作。
而且有一點特別值得注意：這不是什麼需要等新功能的未來場景。今天，用現有的工具，你就能開始建。
唯一需要的投資不是錢（Claude Code 每月 $20），是決定你要拿 AI 的 token 做什麼。你要繼續每天問完就忘，還是開始建造你的第二大腦？
相關資源
- Karpathy 原始推文：LLM Knowledge Bases
- Karpathy 的 Idea File（GitHub Gist）：llm-wiki
- andrej-karpathy-skills（Claude Code 最佳實踐，11,882 ⭐）：GitHub
延伸閱讀
免責聲明：本文截至 2026 年 4 月。AI 工具和定價變動頻繁，使用前請確認最新資訊。本文提及的工具和服務僅為資訊分享，不構成購買建議。
發表迴響