AI 时代最大的讽刺：我们拥有了最强大的知识处理工具，却仍在用最原始的方式管理知识。
前 Tesla AI 总监 Karpathy 给出了他的答案——LLM Wiki。
这套框架近期在 GitHub 上引发广泛关注。仔细研读后，我发现它的核心价值不在于技术实现，而在于一套关于知识组织的理念与行为准则——门槛极低，却能带来质的飞跃。
核心框架
三种文件：知识库的基石
| 文件类型 | 作用 | 示例 | | --- | --- | --- | | Raw Resource | 存放原始资料 | PDF、视频、网页剪藏 | | Wiki | AI 主导生成的知识节点 | 实体页、概念页、对比页 | | TheSchema | 人与 AI 约定的加工规范 | 目录结构、Front Matter、工作流 |
核心洞察：原始资料是唯一事实来源，AI 的任务是把资料编译成可复用的知识网络。
三种日常操作
1. Ingest（摄取）
- 把新资料喂给 AI → AI 提取实体/概念 → 新增或修改 Wiki → 更新 Index 和 Log
2. Query（问答）
- 基于 Wiki 而非原始资料提问 → 效率更高 → 回答有价值可生成新 Wiki
3. Lint（审查）
- 让 AI 定期做体检：是否有矛盾？是否有被推翻的旧表述？是否有孤立页面？
三种查询提效工具
| 工具 | 作用 | | --- | --- | | Index | 所有 Wiki 的一句话摘要，方便 AI 快速定位 | | Log | 记录 AI 每次操作，让它知道你研究了什么 | | RAG | Wiki >1000 页时，用 Qmd 等工具进行混合检索 |
附：QMD原理详细解读zhuanlan.zhihu.com/p/201647194…
我的 Obsidian 实践
模板示范
obsidian-vault/├── 01-INPUT/ ← 原材料入口，低摩擦记录│ ├── articles/ 文章│ ├── transcripts/ 转录稿│ ├── ideas（选题）/ 选题灵感│ ├── sources（素材）/ 素材收集│ ├── 剪藏/ 网页剪藏│ ├── 周报和复盘/ 复盘记录│ ├── 文章草稿/ 写作草稿│ ├── 模板/ 笔记模板│ ├── 研究报告/ 研究资料│ └── 项目资料/ 项目相关├── 02-PROCESSING/ ← AI 处理区，研究摘要、选题分析、中间稿│ ├── research/│ ├── outlines/│ ├── drafts（AI初稿）/│ └── reviews/├── 03-OUTPUT/ ← 正式作品区，可发布内容│ ├── newsletters/│ ├── scripts/│ └── wiki/ 知识 Wiki├── 04-FEEDBACK/ ← 反馈层，追踪内容效果，驱动系统进化│ ├── metrics/│ ├── comments/│ ├── retrospectives/│ └── ARCHIVE归档/├── 05-REFERENCE/ ← 长期参考资料│ └── 提示词/ AI 提示词库├── AGENTS ← Newtype-os记忆文件（硬链接）├── CLAUDE ← Claude code记忆文件（硬链接）├── QWEN ← qwen code记忆文件（硬链接）├── TheSchema ← 核心规范文档└── commands/ ← 自定义命令
💡 说明：CLAUDE、QWEN、AGENTS 实际上是同一个文件的硬链接（TheSchema），让不同的 AI Agent 都能读取到同一份规范文档。
yaml属性示例
---type: "entity|concept|comparison|source"tags: []summary: "一句话说明"sources: ["raw/xxx.pdf"]updated: "2026-05-07"---
实践建议
建议建 3 个 skill：
1. ingest — 将 Raw/ 目录下的原始资料编译到 Wiki/ 中
也可以直接在 Claudian 插件中对话：
请根据 @wiki/TheSchema 的规范，针对我 01_Raw/ 文件夹下的所有文件夹下全部文档进行分析拆解并创建出相应的wiki页面以及建立他们之间的链接关系
或：
请基于提供的资料，生成 02_Wiki/ 下的结构化知识条目，并根据主题归入对应的分类目录；若知识库中没有匹配的分类，请自动创建新分类。条目需保持独立、标题清晰，格式符合 Wiki 规范
2. lint — 知识库全局健康度检查
3. query — 基于本地 Wiki 知识库回答用户提问
三个容易被忽视的盲点
1. 原始资料可能更适合入门
Wiki 是原子化、结构化的，适合回顾和总结。但初学者应该先完整学习原始资料（PDF 的章节结构、视频的循序渐进），再来看 Wiki 串联知识点。
2. AI 生成的 Wiki 需要验收
不要无脑囤积。检查链接是否有上下文（"详见 XXX"却没说为什么相关）、内容是否准确。持续迭代 Schema 才能产生真正价值。
3. 现在创建的内容是给 AI 看的
-
Index 和 Log 的设计初衷就是给 AI 用
-
用
type属性区分"人写的内容"和"AI 生成的内容" -
Summary 字段方便 AI 检索
资源汇总
Obsidian实例
| 模板 | 作者 | 链接 | | --- | --- | --- | | obsidian-vault-template | 我自己创建 | github.com/dqtx760/obs… | | karpathy-llm-wiki-vault | 内含 3 个 skill | github.com/jason-effi-… | | llm-wiki-obsidian-blink | Blink 老师 | github.com/iBlinkQ/llm… | | obsidian-ai-vault-template | 志辉 | github.com/iamzhihuix/… |
一键 Wiki
💡 这里与 Karpathy 原方法略有不同：原方法是"摄入新资料后编译"，这里是"对已发布的博客内容进行编译"。
前提需安装 Newtype-os。比如我对我博客编译是这样的，终端 nt 启动 Newtype-os：
/wiki 根据 post 文件夹内容进行编译
- 本地体验： 安装 Newtype-os 后，在终端执行上述命令
- 在线预览： 访问 dqtx.cc/wiki 免安装查看我的博客编译
Karpathy 的 LLM Wiki 框架，本质是把知识管理从"每次查询时重新派生"变成"编译一次，保持最新"。
这才是真正的可复利知识层。
工具会变，但这套方法论值得长期践行!
PS.点击左下方“阅读原文”可进知识星球
