前OpenAI联合创始人扔下“炸弹”：LLM-Wiki让知识编译保鲜，解放人类注意力！

【导语：在信息过载时代，传统笔记管理和知识检索方式存在诸多弊端。现Anthropic工程师、前OpenAI联合创始人Karpathy提出把笔记当成不可变源代码，让LLM做编译器的LLM-Wiki方案，引发知识生产关系变革。】

传统RAG方案：信息搬运的局限

在LLM-Wiki出现之前，主流的解决方案是RAG（检索增强生成）。它就像给大模型配了一个「翻找员」，当用户提问时，去笔记里搜几个片段然后拼凑答案。然而，RAG只能处理局部，无法理解全局，还会出现「人格分裂」的情况，并且手动维护的知识链接检索效率会呈指数级下降。

LLM-Wiki：知识编译的新思路

Karpathy受程序员编译代码的启发，提出把原始笔记当成不可修改的源代码，把LLM当成编译器，将笔记「编译」成结构化、互相链接的Wiki。每加一篇新材料，AI就做一次融合，让知识被编译一次后持续保鲜，而不是每次查询临时重建。

其架构实现了三层解耦，包括Raw层（原始素材）、Schema层（知识宪法）和Wiki层（编译成品）。日常有Ingest（摄入）、Query（查询）、Lint（体检）三个动作，用户只负责输入和最后的审阅，AI负责所有「杂活」，实现了认知生产关系的根本转移。

迟到80年的发明：Memex的重生

Karpathy在gist结尾提到了Vannevar Bush 1945年幻想的「Memex」机器，它能在文档间建立「联想路径」，但因维护成本高而未能实现。而大模型的出现，让维护成本近乎为零，使得这台卡了人类八十年的机器重新运转起来。

解放人类注意力：人机协作新范式

LLM-Wiki是Karpathy关于「人机协作」的第三块拼图。在这套新范式里，人类摆脱了收藏、整理等杂活，只需决定读什么和想清楚知识的意义，把人类的注意力还给了人类自己。

编辑观点：LLM-Wiki为知识管理带来了创新思路，解决了传统方案的痛点，有望推动知识生产方式的变革，让人类更专注于深度思考。