AI大神Karpathy的新玩法：用AI打造个人知识库

Andrej Karpathy 被视为 AI 领域的顶尖专家，曾是特斯拉自动驾驶的首席工程师，也是 OpenAI 的联合创始人之一。

最近他透露了一种与众不同的使用技巧。

▲ 个人知识库管理

他并不是想让 AI 代写代码，而是希望 AI 协助他进行知识存储。

Karpathy 在 GitHub 上分享了一个名为“LLM Wiki”的简易框架。

其核心思想很简单：与其每次提问都让 AI 重新检索原始资料，不如预先搭建一个持久化的结构化知识库，以便 AI 能够长期记忆。

他将此比作软件工程中的“编译”过程。

就像程序员写代码时，编译器将源码转换为机器码，下次运行无需重新编译，直接执行。

LLM Wiki 的原理也是如此：将知识“编译”成结构化的 Markdown 文件，之后提问时，AI 直接读取该库，而非每次都上网搜索。

该工具组合非常简单：Obsidian（免费笔记工具）+ 任意主流大模型。

具体操作步骤如下：

第一步，在 Obsidian 中建立笔记文件夹，将项目背景、决策日志及关键联系人信息以 Markdown 格式保存。

第二步，挑选一段核心内容，引导 AI 理解该结构。

第三步，日后工作产生新信息时，AI 自动更新知识库，而非每次重新开始。

听起来略显繁琐，但有一个场景非常适合大多数人立即尝试：

当你负责一个为期数月的项目，其中包含大量背景资料——为何做此决策、当时探讨的方案及其优劣。以前这些信息要么在脑海中，要么散落在聊天记录和邮件中。

利用此法，将这些整理成 Markdown 文件，让 AI 记住项目全貌。日后向新同事介绍或自我回顾时，直接询问 AI 即可。

业内有个概念叫 RAG（检索增强生成），即提问时 AI 先检索相关文档再作答。

Karpathy 的方法本质上是 RAG 的一种变体，却解决了 RAG 的痛点：频繁检索效率低下。信息应被持久化组织，AI 读取的是“整理后的知识”，而非“原始材料堆”。

这种区别在实际应用中体验截然不同。

目标受众并非技术人员，而是每天处理海量信息但缺乏技术背景的普通职场人士。

销售跟进半年客户积累了大量背景；运营执行跨部门项目，信息越积越多；创业者做产品时，用户反馈、竞品分析及踩坑经历都值得记录。

这些信息，以前要么记在脑中，要么散落各处，用时难寻。

现在可让 AI 统一管理，回顾时直接询问，AI 基于你的知识库回答，而非基于当日搜索结果。