提示词 1： 科技概念封面图，一个发光的智能体（代表 AI 管理员）站在中心，四周漂浮着错落有致的半透明立体书页和知识卡片（代表 Markdown 文件），一条条光束在卡片之间穿梭，自动建立连接与索引。表现 AI 全职管理并自动编排个人知识库，冷色系，几何抽象风格，横版 16:9，无文字，无中文，无字母

提示词 2： 科技概念封面图，画面分为底层暗色的文件夹矩阵（原始资料）与上层发光的三维连接网络（成品 Wiki），一道明亮的数据流从底层被提取并编织进上层结构中，上方悬浮着一个抽象的指令星环。表现 AI 根据 Schema 规范自动化处理知识库，极简科技感，横版 16:9，无文字，无中文，无字母

1 Karpathy 是谁

Andrej Karpathy 是 OpenAI 的创始成员之一，前特斯拉的 AI 高级总监。他在 AI 圈很有影响力，经常写通俗易懂的技术博客，也做一些开源项目。

2 LLM Wiki 方案

26年4月，Karpathy 提出了一种构建个人知识库的新范式——LLM Wiki。它的核心是不用每次临时去查资料（传统 RAG 模式），而是让大模型当个“全职管理员”，把你丢给它的所有资料消化掉，整理成一套互相链接、不断更新的 Markdown 文件集合（Wiki）。

这主要是个设计思路和提示词方案，并不是一个装上就能用的现成软件（具体可以看他的 idea file： https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f ）。

在这个思路里，AI 负责干脏活累活：总结重点、提取概念、建双向链接、更新索引、查漏补缺。 整个知识库就是你本地的 Markdown 文件和图片，数据不上云，全受你控制。你可以用 Obsidian 或任何编辑器打开它，也可以随时换不同的 AI 模型（比如 Claude 或 GPT）来处理里面的内容。

3 架构逻辑

这套方案有个清晰的三层架构，就像一个 AI 全权运作的“出版系统”：

层级 角色 职责 谁控制
原始资料层 (Raw Sources) 素材库 存你收集的文章、论文等原始文件。只读不写，保证源头不被改动。 你（负责收集）
Wiki层 (The Wiki) 成品区 AI 生成的 Markdown 文件。里面有摘要、概念解释、实体页面和交叉链接。 AI（负责编写维护）
模式层 (The Schema) 出版规范 配置文件（比如 AGENTS.md），告诉 AI 按什么结构和工作流来维护这个 Wiki。 你（定规矩）

4 核心工作流

系统靠这四步循环，会“越用越聪明”：

  1. 摄入 (Ingest)：你往 raw/ 文件夹扔新文章并告诉 AI，它会立刻读取提取要点，然后同时去更新由于这篇新文章而受影响的其他十几个相关页面，并把改动记在日志里。
  2. 查询 (Query)：你直接向 Wiki 提问。AI 先翻它自己写的目录索引 (index.md) 快速定位相关页面，再给你综合出一份带引用的回答。
  3. 归档 (File Back)：如果你觉得回答很好，可以直接把答案存回 Wiki 里。这样你每次深入思考的过程，也就成了知识库的一部分。
  4. 自检 (Lint)：可以定期让 AI 给整个 Wiki 做体检，自动找出前后矛盾的地方、过时的结论或者没挂上链接的孤岛页面，并尝试修复或提醒你。

4.1 相关工具

QMD 地址：https://github.com/tobi/qmd qmd是一个命令行工具，和之前介绍的 basic-memroy, mempalace 差不多，也用于对本地文档的增删改查。它由TypeScript和Python实现，是Karpathy推荐的构建LLM Wiki的辅助工具，具体操作由 qmd 实现。

5 参考资料