Karpathy LLM Knowledge Base 体验及教程分享

Karpathy 最近（ 2026年4月 ）在社交平台上分享的LLM Knowledge Base (也叫 LLM Wiki)带火了一套新的“玩耍方式”。这套思路的核心是把传统的 RAG（检索增强生成）推倒重来，用“编译”的思想去管理个人知识库。使用场景：梳理混乱的知识

这里的 wiki 指的是什么？一种组织知识的架构方式。形式上：它是互联的 Markdown 文件库

和 RAG 的区别

1. 从“碎片化”转向“结构化”

• 传统 RAG 的痛点：它是“断章取义”的。当你问一个复杂问题时，系统会从 10 篇文档里切出 50 个片段塞给 AI。AI 面对的是一堆逻辑破碎的纸条，很容易产生“幻觉”或遗漏关键上下文。

• Karpathy 模式的优点：在你提问之前，LLM 已经把这 10 篇文档预先消化并合成了一个逻辑自洽的 Wiki 页面。（ 利用大模型去对知识建立链接，有逻辑 ）

2. 可读性与“自我修复”

• 传统 RAG 的痛点：向量数据库是一个黑盒。你不知道里面存了什么，也很难手动去改一个向量。

• Karpathy 模式的优点：最终产物是Markdown 文件。它是人类可读的。如果你发现 AI 总结得不对，你可以直接像改代码一样改掉它。

3. 适配“超长上下文”时代

• 传统 RAG 的背景：诞生于 LLM 只能读几千个 Token 的时代，所以必须切片。

• Karpathy 模式的背景：现在的 Claude 3.5 或 GPT-4o 动辄支持 200k 甚至 1M 的上下文

体验一下

第一阶段

1. 下载并安装 Obsidian，它本质上是一个 Markdown 编辑器，但它的双向链接和图谱功能是 LLM Wiki 的物理基础

2. 在 Obsidian 的仓库里右键新建以下文件夹

3. 配置抓取工具：Obsidian Web Clipper（ LLM 无法直接阅读凌乱的网页。我们需要将信息转化成纯净的 Markdown ）

• 在浏览器安装插件

• 在插件设置中，将Vault指向你的LLM_Knowledge_Base

• 将Folder设为00_Inbox

• 模板设置：确保抓取时保留Source URL（原文链接）和Date。这些元数据对 LLM 溯源非常重要。

--- title: "{{title}}" url: {{url}} author: {{author}} captured_date: {{date}} tags: - inbox - paper/3DGS --- # {{title}} > [!abstract] 来源摘要 > {{description}} --- {{content}}

4. 准备“执行官”：Claude Code。我使用的是 GitHub copilot anget 模式，让 AI 来管理你这个仓库即可。

第二阶段

Prompt 不再是临时的聊天记录，而是你的“代码”。我们将编写一个Knowledge Compiler（知识编译器）。它的任务是：扫描00_Inbox里的杂乱文档，提取核心概念，并按照统一的规格“编译”到02_Wiki中

在你的03_System文件夹下，新建一个文件叫Wiki_Compiler_v1.md

这里的使用场景我选择的是自己的论文阅读，大家按自己的需求撰写即可

# Role: LLM Wiki Knowledge Architect ## Context 你是一个专门负责构建“3D 视觉与 AI 知识库”的架构师。你的目标是将原始的学术论文、代码文档转化为一套结构化、高度互联且逻辑严密的 Markdown 百科。 ## Task: The Compilation Step 1. **分析输入**：读取 `00_Inbox` 中的指定文件。 2. **提取实体 (Entity Extraction)**：识别文中的核心技术概念（例如：$3DGS$, $SH\ Coefficients$, $Anisotropic\ Covariance$ 等）。 3. **知识建模**： - 如果该概念在 `02_Wiki` 中不存在，创建一个新文件。 - 如果已存在，则将新发现的信息（如新的优化技巧、公式推导）通过“增量更新”的方式合并进去。 4. **建立链接**：在文中所有提到的核心概念处，使用 `[[概念名称]]` 语法建立双向链接。 ## Output Standard (Wiki Page Template) 每一个生成的 Wiki 页面必须严格遵守以下格式： --- # [概念名称] - **所属领域**: #NeRF #3DGS #PorcelainReconstruction - **定义**: 一句话解释该概念。 - **数学原理**: - 使用 LaTeX 描述核心公式。例如：$$L = \lambda_1 L_1 + \lambda_2 L_{SSIM}$$ - **在瓷器重建中的应用/挑战**: (结合用户研究背景，如：高反光、纹理对称性等)。 - **相关链接**: 列出 3-5 个 `[[关联概念]]`。 - **来源**: 引用原始文件路径。 --- ## Rules - 严禁断章取义，确保逻辑闭环。 - 所有的数学公式必须使用 $inline$ 或 $$display$$。 - 保持语言专业、简洁，像 Wikipedia 一样中立。

运行这个“编译器”（ 让 AI 干活 ）：#file:Wiki_Compiler_v1.md 按照这个规则处理 #file:00_Inbox 文件夹里的文件，并更新到 #file:02_Wiki 目录

第三阶段

作用：让 LLM 担任“图书管理员”，自动维护全局地图，并修复知识库的缺陷

在03_System目录下新建一个文件：Maintenance_Bot.md

# Role: Knowledge Base Maintenance & Indexing Agent ## Context 你负责维护一个关于“3D瓷器重建与AI”的知识库。当前目录是 `02_Wiki`。 ## Task 1: Generate Master Index 1. 扫描 `02_Wiki` 下的所有 Markdown 文件。 2. 在 `03_System/Index.md` 中生成一个结构化的导航图。 3. 分类标准： - **基础理论** (数学、SfM, 多视图几何) - **核心技术** (NeRF, 3DGS, 渲染算法) - **领域应用** (瓷器高反光处理、对称性先验、点云采集) - **待补全** (尚未创建但被引用的概念) ## Task 2: Self-Healing (自愈) 1. **识别红链**：寻找所有 `[[ ]]` 语法引用但 `02_Wiki` 中不存在对应文件的链接。 2. **生成占位符 (Stubs)**：对于缺失的关键概念，在 `02_Wiki` 下创建一个极简页面，包含标题和“待补全”标签。 3. **一致性检查**：如果发现多个页面提到了相同的公式（如 3DGS 的协方差矩阵公式），确保它们定义统一。 ## Output Format - 在 `03_System/Index.md` 更新索引。 - 在 Copilot 对话框中列出你新创建的“占位符”文件清单。

指令：依据 @Maintenance_Bot.md 的规则，扫描 @02_Wiki 文件夹。更新 Index.md 并修复所有缺失的红链页面

看看效果咋样 dog