inshocking 个人介绍 + 技术输出
AI知识库KarpathyObsidianClaude CodeLLM · 2026年04月09日 · 7 分钟阅读 ·

个人 LLM wiki 知识库搭建（非 RAG）

Karpathy 说这里有机会做出一款了不起的新产品——而你现在就可以用现成工具搭一个属于自己的版本。

图片

Karpathy 说"这里机会做出一款了不起的新产品"——而你现在就可以用现成工具搭一个属于自己的版本。

一、Karpathy 说了什么？

2026.4.3，AI 界的传奇人物 Andrej Karpathy 在 X 上发了一条长推，大意是：

“我最近发现一件很有用的事：用 LLM 帮我为各个研究方向建立个人知识库。我把原始资料放进 raw/ 目录，然后让 LLM 逐步’编译’成一个 wiki（一堆 .md 文件）。wiki 包含摘要、反向链接，还会把内容归类成概念文章并互相引用。Obsidian 是我的前端 IDE。重要的是：wiki 的所有内容都由 LLM 编写和维护，我几乎不直接动它。”

他还提到：

  • 知识库够大之后（他的大约 100 篇文章、40 万字），可以对它做复杂的 Q&A
  • 他自己 vibe code 了一个小搜索引擎作为工具
  • 会定期做"健康检查"，让 LLM 找出矛盾信息、补全缺失内容、发现新的连接点
  • 未来方向：合成数据 + 微调，让 LLM 把知识"烧进权重"

最后他说：“我觉得这里有机会做出一款了不起的新产品，而不只是一堆脚本拼凑。”

图片

二、我是怎么搭的？

我几乎完全按照 Karpathy 的思路和小红书博主 Lucas｜AI X Fintech 搭了一套个人 LLM 知识库，用的全是现成工具。

核心架构：三个目录 + 一份规范

llm-wiki/
├── raw/         ← 原始资料（只读不改）
├── wiki/  ──── symlink ───→  Obsidian Vault/llm-wiki/
└── CLAUDE.md    ← 工作规范（Claude 读这个知道怎么干活）

关键设计：wiki/ 是一个指向 Obsidian Vault 子目录的软链接。这样 wiki 物理上住在 Obsidian 里，可以用图谱视图、双向链接、全文搜索——同时项目结构保持完整。

wiki 的内部结构

wiki/
├── index.md      ← 所有页面的目录（每页一行：链接 + 摘要）
├── log.md        ← 操作日志
├── concepts/     ← 概念页（每个核心概念一个 .md）
├── entities/     ← 实体页（人物、项目、工具、公司）
├── sources/      ← 每份原始资料的摘要页
└── outputs/      ← 查询产出（分析、对比表、综述）

规范文件 CLAUDE.md

这是整个系统的"大脑协议"。它告诉 Claude：

  • 摄入（Ingest）：当我把文件放进 raw/ 并告诉你处理时，先和我讨论要点，确认后再写 sources/、更新 index.md、创建/更新相关 concepts/ 和 entities/ 页面，最后在 log.md 追加记录
  • 查询（Query）：先读 index.md 找相关页面，深入阅读，综合回答并引用具体页面，有价值的回答存入 outputs/
  • 健康检查（Lint）：定期检查矛盾、孤立页面、提到但未建页的概念、过时信息

搜索引擎：qmd

Karpathy 说他 vibe code 了一个简单搜索引擎——我选择直接用开源的 qmd（Tobias Lütke，Shopify CEO 做的）。

它提供三种搜索模式，完全本地运行：

  • BM25 关键词搜索 → qmd search "关键词"（毫秒级，无需模型）
  • 向量语义搜索 → qmd vsearch "描述需求"（需要嵌入模型）
  • 混合+重排 → qmd query "问题"（BM25 + 向量 + LLM 重排，最佳质量）

使用了哪些工具？

工具角色说明
Claude CodeLLM Agent读文件、写 wiki、回答问题
Obsidian前端 IDE查看 wiki、图谱视图、双向链接
qmd本地搜索引擎BM25 + 向量 + LLM 重排，完全离线
CLAUDE.md工作规范Agent 的"行为操作系统"

图片

三、实际处理了什么？

我把自己 Obsidian 里已有的 490 多篇笔记全部纳入了这套系统。经过一轮处理，wiki 里现在有：

14 个概念页，比如：

  • agent-prompt-principles：从 Claude Code / Codex / Gemini 系统提示词横向比较中提炼的 12 条 Agent Prompt 设计原则
  • trust-infrastructure：AI 工具竞争正在从能力竞争转向信任基础设施竞争
  • skills-architecture：元工具模式，解决工具列表爆炸问题
  • agent-memory：AI Agent 记忆机制，10 篇核心论文综述

6 个实体页，比如：

  • openclaw：个人 AI 助手平台，AI Agent 操作系统
  • memos：Agent 记忆管理服务，正在集成到技能市场

8 个源摘要页，包括月度 AI 工具雷达、Agent Web 研究集群、深度技术日志等

图片

四、这套系统怎么用？

搭好之后，有三种使用姿势：

姿势一：摄入新知识

把文章、论文、PDF 丢进 raw/，告诉 Claude：

“处理 raw/这篇文章.pdf”

Claude 会先和你讨论要点，确认后自动：写摘要页 → 更新 index.md → 创建/更新相关概念和实体页 → 记录日志。

一篇文章可能触发 10-15 个页面的更新。

姿势二：跨笔记提问

直接问问题：

“我对 RAG 和向量数据库有哪些研究结论？” “我关于 Agent 架构的核心观点是什么？” “我用过哪些 AI 工具？各有什么优缺点？”

Claude 先读 index.md 找到相关页面，深入阅读后综合回答，引用具体页面，有价值的回答还会存进 outputs/。

姿势三：健康检查

定期告诉 Claude：

“lint”

它会检查：页面间有没有矛盾？有没有孤立页面？有没有提到但没建页的概念？有没有过时信息？

图片

五、和 Karpathy 的思想一致吗？

高度一致，有几处增强。

一致的核心： raw/ 原始资料 + LLM 编译 wiki + Obsidian 作为前端 + LLM 维护一切 + Q&A + 健康检查，这五点完全对应。

额外增强的地方：

1. qmd 比 Karpathy 的自建搜索引擎更强

Karpathy 自己 vibe code 了一个"简单搜索引擎"。qmd 提供了完整的混合搜索（BM25 + 向量 + LLM 重排），完全本地，开箱即用。

2. CLAUDE.md 把工作流编码化

Karpathy 的方式更像"对话式"——每次告诉 LLM 怎么做。CLAUDE.md 把摄入/查询/健康检查的流程固化成规范，下次打开新对话，Claude 直接读规范就知道该怎么干。

3. Obsidian 的集成更深

wiki 直接住在 Obsidian vault 里，[[wiki-links]] 双向链接天然可用，还可以用图谱视图看概念之间的关系。

Karpathy 还没实现的：他提到未来想做合成数据 + 微调，让 LLM 把知识"烧进权重"。这个我们也还没做——但这可能是这套系统的终极形态。

六、能推广到企业吗？

完全可以，而且潜力更大。

个人知识库解决的是"一个人记不住所有知识"的问题。企业知识库解决的是"一个团队的知识分散在每个人脑子里"的问题——后者的痛点其实更深。

企业版的架构调整

企业 LLM Wiki
├── raw/              ← 会议记录、设计文档、技术方案、外部资料
├── wiki/
│   ├── concepts/     ← 公司技术概念（内部框架、业务术语）
│   ├── entities/     ← 系统、服务、团队、人员
│   ├── projects/     ← 项目页（新增）
│   ├── decisions/    ← 技术决策记录 ADR（新增）
│   └── runbooks/     ← 运维手册（新增）
├── CLAUDE.md         ← 团队协作规范
└── .git/             ← 版本控制（新增）

企业场景的具体价值

  • 新人入职：新员工问"我们的消息系统架构是什么？"，直接从 wiki 拿到答案，不需要打扰同事。
  • 技术决策沉淀：每次架构评审后，把讨论和结论摄入 wiki，下次类似决策时直接查历史依据。
  • 跨团队知识共享：A 团队研究过的技术方案，B 团队通过 wiki 直接获取结论，不用重复调研。
  • 文档自动维护：每次有新的技术文档、RFC、post-mortem，让 LLM 自动更新 wiki 里相关的概念页和实体页。

企业版需要额外解决的问题

  • 权限控制：不是所有 wiki 页面都该所有人看。需要分层访问控制。
  • 多人协作：多个人同时往 wiki 里写，需要冲突解决和版本管理（git 是天然答案）。
  • 知识审核：LLM 写的内容需要人工确认才能"发布"，避免错误信息传播。
  • 隐私和安全：企业知识不能上传到外部服务，需要本地部署的 LLM 和搜索引擎（qmd 正好完全本地）。

七、总结

Karpathy 描述的是一种新的知识管理范式：LLM 不只是问答工具，而是知识的编译器、维护者和分析师。

我们搭的这套系统，用 Claude Code + Obsidian + qmd + CLAUDE.md，花了不到一个下午，就跑通了这个范式。

整个系统的核心逻辑只有一句话：

原始资料永远存在 raw/，知识永远住在 wiki/，LLM 是唯一的编辑者。

Karpathy 说这里有机会做出一款了不起的产品。也许是的。但在那款产品出现之前，你现在就可以用这几个工具，搭出一个属于自己的版本。

工具清单： Claude Code（LLM Agent）/ Obsidian（前端 IDE）/ qmd（本地混合搜索引擎，tobi/qmd）/ CLAUDE.md（工作规范）

评论