LLM 知识库：Karpathy 的个人知识管理方法论

2026 年 4 月 2 日，Karpathy 在 X 上发布了一篇关于用 LLM 构建个人知识库的帖子，获得超过 120 万次浏览，掀起了一波开发者重构研究系统的浪潮。

核心流程

1. 数据摄入（Data Ingest）

将源文档（文章、论文、代码库、数据集、图片）索引到 raw/ 目录，然后用 LLM 增量"编译"成一个 wiki——一组 .md 文件的目录结构。

Wiki 包含：

• 所有 raw 数据的摘要
• 反向链接
• 按概念分类的文章
• 相互链接

转换工具：Obsidian Web Clipper 扩展 + 快捷键下载相关图片到本地。

2. IDE 前端

使用 Obsidian 作为 IDE 前端，查看 raw 数据、编译后的 wiki 和衍生的可视化。关键原则：LLM 写入和维护 wiki 的所有数据，人类很少直接编辑。

3. Q&A 查询

当 wiki 足够大（例如约 100 篇文章、40 万字），可以向 LLM 提出各种复杂问题，它会去研究、查找答案。Karpathy 发现不需要复杂的 RAG——LLM 自动维护索引文件和简要摘要，在这个规模下能轻松读取相关数据。

4. 输出

不是在终端获取文本答案，而是让 LLM 渲染 Markdown 文件、幻灯片（Marp 格式）或 matplotlib 图表，全部在 Obsidian 中查看。输出经常被"归档"回 wiki 以增强后续查询。自己的探索和查询总是在知识库中"累积"。

5. Linting（健康检查）

运行 LLM "健康检查"：查找不一致的数据、补全缺失数据（用网络搜索）、发现有趣的关联作为新文章候选、增量清理和增强 wiki 的数据完整性。

核心洞察

"raw data from sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs to do Q&A and to incrementally enhance the wiki. You rarely ever write or edit the wiki manually, it's the domain of the LLM."

知识库是 LLM 的领地，人类是策展人和提问者，不是编辑者。

来源：Karpathy X 帖子（2026-04-02），Analytics Drift, 2026 年 4 月