截至 2026 年 4 月｜本文介紹 Karpathy 的 LLM Wiki 系統，附完整複製教學
2026 年 4 月 3 日，Andrej Karpathy 在 X 上丟了一個 GitHub Gist。沒有長篇大論，沒有發布會，就一個標題：「LLM Wiki」。
然後整個英語 AI 圈炸了。
VentureBeat 寫了專題，Medium 上冒出幾十篇拆解文，GitHub 上一堆人開始 fork 他的 gist 做自己的版本。為什麼一個「idea file」能引起這種反應？
因為 Karpathy 做了一件很多人想做但不知道怎麼做的事：他讓 AI 幫他讀書、整理、記住所有東西——然後自動生成了一個有 100 篇文章、40 萬字的知識庫。他自己一個字都沒打。
Karpathy 是誰？為什麼他說的話值得聽
如果你不認識 Andrej Karpathy：他是 OpenAI 的聯合創始人之一，後來去了 Tesla 當 AI 總監，負責自動駕駛的視覺系統。再後來他離開 Tesla，回到 OpenAI 待了一陣子，現在獨立做 AI 教育內容。
簡單說，這個人在 AI 領域的份量大概等於籃球界的 LeBron James——不管他說什麼，整個圈子都會認真聽。
所以當他公開說「我現在花更少時間用 AI 寫程式，花更多時間用 AI 整理知識」的時候，這不是一個普通人的心得分享。這是一個訊號：AI 最有價值的用法，可能不是大家以為的那樣。
LLM Wiki 到底是什麼？
概念其實很簡單：你把一堆原始資料（文章、論文、筆記、PDF）丟進一個資料夾，然後讓 AI 去讀這些東西，自動幫你寫成一個有組織的 Wiki——有目錄、有分類、有交叉引用、會自己更新。
聽起來像 Notion AI 或 ChatGPT 的記憶功能？差遠了。
Notion AI 是你問它問題，它去搜你的筆記然後回答。ChatGPT 記憶是它記住你說過的話。Karpathy 的 LLM Wiki 不一樣——它不是被動回答問題，而是主動幫你把知識「編織」成一張網。每次你丟一篇新文章進去，它不只是存檔，而是會去更新所有相關的頁面、建立新的連結、補充缺漏的概念。
用 Karpathy 自己的比喻：這不是一個搜尋引擎，是一個全職圖書館員。
三層架構拆解
整個系統只有三層，每層的角色很清楚：
第一層：原始資料（raw/）——你丟進去的所有原始文件。文章、PDF、程式碼文件、數據、圖片，什麼都行。這一層的規則只有一條：AI 永遠不能修改這些文件。它們是你的「真相來源」，只讀不寫。
第二層：Wiki（wiki/）——AI 生成和維護的所有內容。這裡面有概念頁面（比如 attention-mechanism.md）、實體頁面（比如 openai.md）、來源摘要、比較分析。每個頁面都有 YAML 前置資料，記錄建立日期、引用來源、相關頁面、可信度等級。AI 完全擁有這一層，可以隨時新增、修改、刪除。
第三層：規則檔（CLAUDE.md）——這是整個系統的靈魂。一份配置文件，告訴 AI 該怎麼組織你的 Wiki：資料夾結構怎麼分、頁面格式長什麼樣、收到新文件時該做哪些步驟、被問問題時該怎麼查找。沒有這份規則檔，AI 就只是一個通用聊天機器人；有了它，AI 變成一個懂你領域規則的專屬研究員。
三種核心操作
系統跑起來後，你跟它的互動主要就三種：
「收錄」（Ingest）——你丟一篇新文章進 raw/ 資料夾，然後跟 AI 說「幫我收錄這個」。AI 會讀完整篇文章，寫一份摘要存到 wiki/sources/，然後去更新所有相關的概念頁面和實體頁面，最後在 log.md 記一筆。一篇文章可能會觸發 10-15 個現有頁面的更新。這就是為什麼知識會「複利增長」——每一份新資料都不只是被存檔，而是被編織進整個知識網路。
「提問」（Query）——你問一個問題，AI 先去讀 wiki/index.md 找到相關頁面，讀完之後綜合回答你，還會附上 Wiki 內部的連結引用。如果回答過程中產生了值得永久保留的洞察，AI 會問你要不要把它存成新的 Wiki 頁面。所以連問問題這個行為本身，都在讓知識庫變強。
「體檢」（Lint）——定期讓 AI 檢查 Wiki 的健康狀態。它會找出頁面之間的矛盾、沒有被任何頁面引用的孤兒頁面、被多次提到但還沒有獨立頁面的概念、以及被新資料覆蓋的過時內容。像是你的知識庫的年度健康檢查，只不過可以每週做一次。
跟 RAG 比有什麼不同？
如果你聽過 RAG（Retrieval-Augmented Generation，檢索增強生成），可能會覺得 LLM Wiki 聽起來差不多。其實差很多。
RAG 的做法是：把文件切成小塊，存進向量資料庫，問問題的時候用語義搜索找到相關的塊，塞給 AI 讓它回答。問題是，這整個「理解」是在你提問的那一刻才發生的。AI 每次都是現場閱讀、現場理解、現場回答，之前的工作不會累積。
LLM Wiki 反過來：理解和整理在「收錄」的時候就做完了。每篇新文章進來，AI 就已經把它跟現有知識整合好了。問問題的時候，AI 讀的不是原始文件碎片，而是已經被它消化過、組織好、交叉引用過的 Wiki 頁面。
打個比方：RAG 像是考試前臨時翻書找答案，LLM Wiki 像是你有一個助理平時就幫你把書讀完、做好筆記、整理好索引，你考試的時候翻的是助理的筆記。哪個效率高不用我說。
你現在就能做：完整複製教學
好消息是，這套系統不需要你會寫程式，也不需要花錢買特別的工具。你需要的東西：
- Obsidian（免費）——一個 Markdown 筆記軟體，用來瀏覽和管理你的 Wiki
- Obsidian Web Clipper（免費）——瀏覽器外掛，一鍵把網頁存成 Markdown
- Claude Code 或其他 AI Agent——用來執行收錄、提問、體檢操作
- Git（可選）——版本控制，方便追蹤 Wiki 的變化
Step 1：建立資料夾結構
mkdir -p my-research/raw/{articles,papers,repos,data,assets}
mkdir -p my-research/wiki/{concepts,entities,sources,comparisons}
touch my-research/wiki/{index.md,log.md,overview.md}raw/ 放你的原始資料，wiki/ 放 AI 生成的內容。這個分離很重要——原始資料永遠不被修改，Wiki 內容由 AI 全權管理。
Step 2：建立 CLAUDE.md 規則檔
在 my-research/ 的根目錄建一個 CLAUDE.md（如果你用其他 AI Agent，檔名可能不同）。這份文件告訴 AI 你的 Wiki 規則。Karpathy 的完整 gist 在 GitHub 上公開，你可以直接複製貼上，再根據自己的需求修改。
規則檔裡面最關鍵的幾個部分：資料夾結構說明、頁面格式規定（YAML 前置資料要包含哪些欄位）、三種操作的執行步驟（收錄、提問、體檢各該做什麼）。
Step 3：用 Obsidian 打開，開始餵資料
把 my-research/ 當作 Obsidian Vault 打開。安裝 Web Clipper 外掛後，看到好文章就按一下，它會自動存到 raw/ 資料夾。然後你跟 Claude Code 說「幫我收錄 raw/articles/xxx.md」，AI 就會開始工作——讀文章、寫摘要、更新 Wiki、記 log。
Step 4：持續餵，讓知識複利
前 10-20 篇的時候你可能覺得沒什麼。但當你收錄了 50 篇以上，每一篇新文章進來觸發的連鎖更新會越來越多，Wiki 開始出現你自己都沒想到的連結和洞察。這就是 Karpathy 說的「知識複利」——到了 100 篇的時候，你有的不是 100 篇文章的摘要，而是一個能幫你思考的系統。
我的看法：這套系統最大的價值不是省時間
很多人看到 LLM Wiki 第一反應是「哦，用 AI 幫我做筆記，省時間」。但我覺得省時間只是副產品。
真正的價值在於：它改變了你跟知識的關係。
以前你讀一篇文章，覺得「不錯」，收藏了，然後再也沒打開過。你的 Notion、Pocket、書籤列，全是這種「讀過但沒消化」的資料。LLM Wiki 解決的就是這個問題——你讀過的每一篇東西，都會被 AI 消化、整理、連結到你已經知道的東西上面。沒有東西會被浪費。
另一個被低估的好處是：它迫使你去思考「我到底關心什麼」。因為你需要設計 CLAUDE.md 的規則，你需要決定哪些類型的頁面值得建立、哪些概念需要獨立追蹤。這個設計過程本身，就是一次深度的自我審視。
適合誰？不適合誰？
我覺得以下這些人應該認真考慮建一個 LLM Wiki：
研究員、分析師、投資人——任何需要持續追蹤大量資訊並從中找出模式的人。加密貨幣投資者要追蹤的鏈上數據、項目白皮書、市場報告，特別適合用這套系統管理。
內容創作者——如果你每天要讀大量素材然後產出內容，LLM Wiki 就是你的素材庫升級版。
學生——正在研究一個複雜主題的時候，用這套系統比 Google Docs 或 Notion 的效率高很多。
不適合的人：如果你的工作不涉及大量閱讀和知識整理，或者你只是偶爾問 AI 一些簡單問題，LLM Wiki 對你來說可能有點「殺雞用牛刀」。
結論
Karpathy 的 LLM Wiki 不是什麼複雜的新技術。它就是三個資料夾加一份規則檔。但它代表了一種思維轉變：與其讓 AI 幫你做一次性的任務（寫一段程式、回答一個問題），不如讓 AI 幫你建一個會持續成長的知識系統。
100 篇文章，40 萬字，Karpathy 自己一個字沒打。但那個 Wiki 裡面的知識結構、連結關係、洞察角度，全是他設計的規則引導出來的。AI 做的是苦工，人做的是決策。
這可能才是 AI 最正確的用法。
Karpathy 的完整 gist 在這裡：github.com/karpathy/llm-wiki。如果你想建自己的 LLM Wiki 但不知道從哪開始，歡迎到我的 TG 群問。
免責聲明：本文僅為資訊分享，不構成任何投資建議。AI 工具和功能更新頻繁，請以官方最新資訊為準。
發表迴響