Karpathy 想要的那個 LLM Wiki 產品來了，裝一個 Skill 就能用
整理版優先睇
有道雲筆記推出 youdaonote-llm-wiki skill，將 Karpathy 嘅 LLM Wiki 概念變成即用產品
作者係一個技術自媒體寫手，收藏夾有超過 100 篇技術文章，但每次想揾返個觀點都要翻好耐，更唔好話將啲文章串連起嚟睇趨勢。4 月初 Karpathy 提出 LLM Wiki 嘅概念，用意係將知識「編譯」成結構化 Wiki 頁面，而唔係傳統 RAG 咁次次從頭檢索。但佢自己嘅實現係一堆本機腳本，對普通人嚟講門檻太高。
呢篇文章透過實測有道雲筆記新出嘅 youdaonote-llm-wiki skill，展示咗 LLM Wiki 概念點樣變成一個真正嘅產品。作者將自己喺公眾號發表過嘅 26 篇技術文章存成 Markdown，一句話就建好咗一個知識庫。Agent 自動將文章 ingest，抽出 entities、concepts，建立跨文檔嘅連結，仲可以跨頁綜合查問題，帶引用來源。
整體結論係：呢個 skill 將 Karpathy 嘅方法論封裝成一個零門檻嘅工具，無論你有公眾號、收藏夾，定係想跟蹤某個技術方向，都可以用佢將散亂嘅資料沉澱成可查、可綜合、可持續增長嘅知識庫。作者認為，知識工作嘅關鍵已經從「識唔識整理」變咗做「識唔識問」同「識唔識追問」。
- LLM Wiki 核心係「編譯知識」：攝入時提取實體、概念，建立跨文檔連結，查詢時查嘅係整理好嘅 Wiki，唔係原始文檔堆。
- youdaonote-llm-wiki skill 自動建立知識庫目錄結構（raw、entities、concepts、comparisons、queries），支援增量 ingest，一句話即可觸發。
- 實測用 26 篇技術文章建成知識庫，自動生成 Anthropic 實體頁同 skills 概念頁，當中包含反向連結，形成互連知識網。
- Skill 支援跨頁綜合查詢，帶引用來源同矛盾標記（⚠️），仲可以將有價值嘅查詢結果一鍵歸檔入 queries，實現知識複利。
- 相比 Karpathy 需要自己寫腳本，呢個產品裝個 skill 就用得，仲可以喺 Codex、Claude Code 等編程工具入面直接同步文章，唔使切換應用。
有道雲筆記 CLI 安裝指南
安裝 youdaonote CLI 並綁定 API Key 嘅官方文檔，係使用 skill 嘅前置步驟。
youdaonote skill 安裝指南
將 skill 安裝到龍蝦或其他 AI 工具嘅官方教學。
收藏夾嘅困境同 LLM Wiki 理念
作者嘅微信收藏夾有 100 幾篇技術文章，收嗰陣覺得有用，但之後好難再揾返。想引用某個觀點，要喺收藏夾度用關鍵詞翻半日，十次有九次翻唔出。佢發現問題係：收藏夾係倉庫，唔係知識庫，越收越亂。
4 月初 Karpathy 嗰條推文提出 LLM Wiki 嘅唸法，佢將實現整理成一份 idea file，結尾話「I think there is room for an incredible new product instead of a hacky collection of scripts.」佢嘅意思係：呢套思路值得有人做成真正嘅產品，而唔係一堆腳本湊出嚟嘅臨時方案。
- 1 Ingest（攝入）：新資料嚟，增量處理，更新相關 Wiki 頁面，維護內部連結，唔使重建整個庫。
- 2 Query（查詢）：跨多個頁面綜合回答問題，帶引用來源，有矛盾就自動標出。
- 3 Archive（歸檔）：有價值嘅查詢結論存返知識庫，越用越豐富。
- 4 Lint（健康度審計）：定期檢查有冇過時內容、孤立頁面、應建未建嘅連接。
youdaonote-llm-wiki Skill 嘅核心能力
呢套方案嘅兩個核心係 有道雲筆記 做存儲層（手機、桌面、網頁、iPad 全端同步），同 youdaonote-llm-wiki skill 將方法論封裝成即用插件。Skill 喺有道龍蝦、OpenClaw、WorkBuddy 等主流 AI Agent 入面一句話就可以觸發，亦支援 Cursor、Claude Code 等編程工具。
安裝好 skill 之後，講句「幫我創建知識庫」，Agent 就會自動喺有道雲筆記入面建出一個根文件夾，五個子目錄：raw/（原始素材）、entities/（人物/組織/產品）、concepts/（概念）、comparisons/（對比頁）、queries/（查詢歷史），仲有三個系統筆記：schema.md、index.md、log.md。呢個結構係 Karpathy 喺 Gist 入面描述嘅，而家 Skill 幫你完全自動起好，唔使自己維護目錄。
實測：從文章到知識庫
作者將自己喺公眾號發表過嘅 26 篇技術文章（主題圍繞 AI 編程工具、Node.js 生態同前端工具鏈）存成 Markdown，放喺本機一個文件夾。喺有道龍蝦入面講：「幫我創建一個知識庫，庫名叫『公眾號知識庫』」，Agent 建議用英文庫名 wechat-article-wiki，接受之後就自動開始 ingest，唔使再發第二條指令。
切到有道雲筆記，文件夾已經起好曬。打開 entities/companies/anthropic.md，入面係 Anthropic 喺多篇文章入面被提及嘅內容總滙：公司背景、Claude 系列產品更新記錄、相關事件引用，每條內容仲有反向連結標明出自邊篇原文。打開 concepts/skills.md，列出咗多位開發者同框架發布 Skills 嘅核心動作，同樣有引用。一篇文件夾嘅文章，變成咗一張互相連通嘅知識網。
- 1 自動建出 entities 同 concepts 頁面，每頁整合多篇文章嘅相關內容。
- 2 反向連結清楚標明每條資訊嘅出處，唔怕失源。
- 3 用一句話「幫我生成呢批文章入面 AI 編程工具之間嘅對比頁」，就即刻生成了 Claude Code vs Cursor 嘅橫向對比頁。
呢個 skill 仲可以裝喺 Codex、Claude Code 等編程工具入面。作者用 skills-hub 裝好之後，喺 Codex 入面講「將呢篇新文章同步入 wechat-article-wiki」，有道雲筆記就即刻出現更新，寫完文章一鍵同步，全程唔使切換應用。
同 Karpathy 原方案嘅差異
兩套方案思路完全一致，分別在於落地層面。Karpathy 方案係本地 Markdown 文件加自己寫嘅腳本，適合有開發能力嘅極客；youdaonote-llm-wiki 方案係雲端筆記加即用 skill，適合任何想做知識沉澱嘅人。
- 1 儲存位置：本地 Markdown → 雲端筆記，多端同步。
- 2 查看方式：本地編輯器 → 手機/桌面/網頁/iPad 任意端。
- 3 搭建成本：自己寫腳本、配置提示詞 → 裝 skill，對話即用。
- 4 維護方：自己維護腳本同提示詞版本 → Skill 迭代升級，你跟住用就得。
- 5 適合人羣：有動手能力嘅極客 → 任何想做知識沉澱嘅人。
呢套方法適合邊啲人用
呢個方案覆蓋嘅場景比想像中廣，核心判斷係：只要你持續產出或持續收集資料，而且想對呢啲資料做滙總、對比、趨勢分析，就值得一試。
- 有公眾號或博客，想將寫過嘅文章沉澱成可檢索、可綜合嘅知識庫。
- 收藏夾入面有幾百篇技術文章，總想「以後系統整理」但一直冇整理。
- 持續跟蹤某個技術方向（AI 編程工具、Node.js 生態、前端工程化）嘅開發者。
- 喺學某個新框架，想邊睇邊做結構化筆記嘅人。
Karpathy 話佢最近嘅工作時間大部分從「操縱代碼」轉向咗「操縱知識」。當 Agent 夠強、產品夠靚，知識工作嘅關鍵就唔再係「識唔識整理」，而係「識唔識問、識唔識追問」。你個收藏夾可以從「以後再睇」變成「以後用得上」。
微信收藏夾裏面有 100 幾篇技術文章，每篇收嗰陣都覺得有用，但多數嘅下場係再也揾唔返。
想引用某個觀點，就要喺收藏夾裏面用關鍵詞揾半日，十次有八九次都揾唔到。更加唔好講「將呢啲文章串埋一齊睇趨勢」喇。
收藏夾係倉庫，但唔係知識庫。佢收得越多，就越顯得亂。
4 月頭 Karpathy 嗰條推文提出咗「LLM Wiki」嘅諗法，我之前嘅文章介紹過，呢度唔重複講。Karpathy 將佢嘅實作整理成一份 idea file，最後留咗噉一句：
“"I think there is room for an incredible new product instead of a hacky collection of scripts."
佢嘅意思係：呢套思路值得有人做一個真正嘅產品，而唔係一堆腳本夾埋嘅臨時方案。
當時社區嘅回應多數係 MCP server 集成、語義搜索擴展、Git provenance 追蹤之類嘅方案，仍然係極客向。普通人想跟住做，門檻都幾高。
直到最近我用咗有道雲筆記嘅 youdaonote-llm-wiki skill，將自己喺呢個號發表過嘅文章整咗入一個知識庫，先意識到嗰個產品方向真係有人落咗地。呢篇文章就係今次實測嘅全程記錄。
LLM Wiki 解決嘅係咩問題
先將問題講清楚，再睇產品做咗啲乜。
傳統 RAG 係按問題檢索。 你提問，系統就去你嘅資料堆裏面揾，將相關嘅片段拎出嚟塞入上下文，再回答你。每次提問都重新檢索，資料本身唔會被整理，亦唔會互相建立連接。
LLM Wiki 嘅核心係「編譯知識」。 素材入嚟一次，LLM 就處理一次：提取實體（公司、產品、人物），歸納概念，建立跨文檔嘅引用關係，生成一套結構化嘅 Wiki 頁面。之後提問，LLM 查嘅係自己整理好嘅 Wiki，唔係原始文檔堆。知識被「壓縮」咗入有組織嘅結構裏面，查起嚟又快又準。
Karpathy 將呢個工作流程拆成四個操作：
Ingest（攝入）：有新資料嚟，增量處理，更新相關 Wiki 頁面，維護內部連結，唔需要重建整個知識庫 Query（查詢）：跨多個頁面綜合回答問題，帶引用來源，兩份資料有矛盾時自動標示 Archive（歸檔）：有價值嘅查詢結論存返知識庫，越用越豐富 Lint（健康度審計）：定期檢查係咪有過時內容、孤立頁面、應建未建嘅連接
知識喺呢個模式下唔係「記完就死」，每次提問都係畀知識庫注入新嘅嘢。
但 Karpathy 當時嘅實作係本地 Markdown 文件加上自己寫嘅一堆腳本。佢自己都承認係「hacky collection of scripts」。想跟住做，有開發能力嘅可以，非技術背景嘅人幾乎入唔到嚟。
主角：有道雲筆記 + youdaonote-llm-wiki skill
呢套方案嘅兩個核心：
有道雲筆記：知識庫嘅儲存層，手機、桌面、網頁、iPad 全端同步，Wiki 頁面喺所有設備上都可以打開 youdaonote-llm-wiki skill：將 LLM Wiki 方法論封裝成即用插件，喺支援嘅 AI 對話工具裏面一句話觸發
youdaonote-llm-wiki skill 支援喺 LobsterAI（有道龍蝦）、OpenClaw、QClaw、WorkBuddy、EasyClaw 等主流龍蝦 AI Agent 入面運行，亦支援 Cursor、Claude Code 等編程工具（後面會示範）。本文示範揀咗有道龍蝦，之前用過一段時間，操作都好順手。
前置步驟：配置有道雲筆記 CLI
youdaonote-llm-wiki skill 讀寫有道雲筆記，底層依賴嘅係 YoudaoNote CLI。用 Skill 之前，需要喺本機安裝 CLI 並綁定賬號 API Key，呢個係讀寫權限嘅基礎層。
官方有完整的安裝指南：https://note.youdao.com/help-center/cli-install-guide.html
macOS / Linux 跟住行一行安裝腳本，Windows 手動下載可執行文件加落 PATH，之後喺 MCP Console 裏面拎 API Key 配置好。行 youdaonote list 會見到你嘅筆記列表，即係配置完成。
Node.js 開發者對呢種流程應該好熟悉，5 分鐘之內。
喺邊度揾到呢個 Skill
主要途徑係有道龍蝦嘅技能市場：
官網下載安裝有道龍蝦客戶端 打開龍蝦，入【技能市場】 搜索框入面輸入 youdaonote-llm-wiki揾到 Skill 卡片，一鍵安裝 喺對話框講「幫我創建知識庫」就可以觸發
除咗龍蝦之外，youdaonote skill 仲支援直接安裝到 Codex、Claude Code、Cursor 等 40+ AI 編程工具度。安裝完之後，喺呢啲編程工具入面同樣可以操作有道雲筆記，打通「寫代碼 / 寫文章」同「知識管理」兩個場景，後面嘅實測部分會示範呢個場景。
Skill 自動建立啲乜
對話入面講「幫我創建一個知識庫」，Agent 會喺有道雲筆記入面自動建立：
一個根文件夾（知識庫名） 五個子目錄： raw/（原始素材）、entities/（人物 / 組織 / 產品）、concepts/（概念）、comparisons/（對比頁）、queries/（查詢歷史）三個系統筆記： schema.md（結構定義）、index.md（索引）、log.md（變更日誌）
呢套結構係 Karpathy 喺 Gist 入面描述嘅架構，Skill 幫你完全自動建立好，唔需要自己維護目錄。
多庫管理都支援：按主題建立多個獨立庫，一句話切換，全部登記喺全局註冊表入面由 Agent 自動維護。
四個核心操作嘅產品化
Ingest：掉一篇文章、一個連結或一個完整本地文件夾，Agent 抓內容、抽實體、建概念、連引用，全自動，每次都係增量，唔重建全庫 Query：跨多個頁面綜合回答問題，帶來源引用，遇到矛盾用 ⚠️ 標記 Archive：有價值嘅對話結論一句話存返知識庫 Lint：定期審計健康度，揾過時信息、孤立頁面、應建未建嘅連接
實測：將發表過嘅文章整合成「公眾號知識庫」
下面係完整嘅實測過程。素材係我喺呢個號發表過嘅一批技術資訊類文章，存成 Markdown 格式放喺本地文件夾入面，主題圍繞 AI 編程工具、Node.js 生態同前端工具鏈。
一句話建庫，自動開始 ingest
打開龍蝦，對話框入面輸入：
“「我喺 Nodejs技術棧 發表咗唔少技術資訊文章，已經存成 Markdown，文件都喺桌面嘅 /Users/xxxxx/Desktop/llm-wiki-demo/notes/ 目錄下。幫我創建一個知識庫，庫名就叫「公眾號知識庫」，主題係將呢啲文章沉澱成結構化知識。」
Agent 讀取目錄之後，先畀咗一個建議：用英文庫名 wechat-article-wiki，英文名更穩定。接受就得。
確認之後，Agent 直接開始 ingest，唔需要再發第二條指令。26 篇文章自動處理，entities 同 concepts 頁面陸續出現。
等 Agent 處理完，切去有道雲筆記，wechat-article-wiki 文件夾已經建立好咗，五個子目錄、三個系統筆記全部喺度。
睇自動建立出嚟嘅嘢（呢個係最有衝擊感嘅一幕）
打開 entities/companies/anthropic.md，入面係 Anthropic 喺多篇文章入面被提及嘅內容彙總：公司背景、Claude 系列產品嘅更新記錄、相關事件引用，唔同文章嘅信息整合喺同一個頁面，仲有反向連結標註每條內容嚟自邊篇原文。
打開 concepts/skills.md，呢個係被引用次數最多嘅概念之一。頁面入面列出咗多位開發者同多個框架各自發布 Skills 時嘅核心動作，每條引用標明嚟自邊篇文章。
一個文件夾嘅文章，經過 Agent 處理之後，變成咗一張互相連通嘅知識網。呢個係成個工具最有價值嘅地方：唔係「存咗幾多」，係「建立咗幾多連接」。
comparisons/ 目錄初始係空嘅，需要手動觸發一句指令。講「幫我生成呢批文章入面 AI 編程工具之間嘅對比頁」之後，有道雲筆記入面即刻出現咗對應內容，實測生成了 Claude Code vs Cursor 嘅橫向對比頁。
跨頁綜合查詢
知識庫建立完之後，可以用佢嚟回答跨多篇文章嘅問題。我問嘅係：
“「喺 wechat-article-wiki 入面，幫我綜合一下：基於呢批文章，2026 年 AI 編程工具領域有邊啲關鍵趨勢？請基於知識庫入面嘅內容回答，並標明引用來源。」
Agent 從 index.md 定位相關頁面，跨 concepts、entities、comparisons 綜合生成回答，每個觀點標咗嚟自邊個 Wiki 頁面，兩份資料有矛盾嘅地方用 ⚠️ 標出。
呢種回答唔係是但講，係有出處嘅。之後一句話將結論存返 queries/：
“「將頭先呢個回答存到 wechat-article-wiki 嘅 queries/ 入面。」
每次有價值嘅查詢歸檔一次，知識庫越問越豐富。Karpathy 講嘅「知識複利」就係噉樣滾起嚟嘅。
喺 AI 編程工具入面同步新文章
呢個係我覺得成個方案入面最順手嘅一個環節。
youdaonote skill 唔單止可以裝喺龍蝦入面，仲支援直接安裝到 Codex、Claude Code、Cursor 等 40+ AI 編程工具。安裝方式：下載 skill 到本地，用 npx skills add 安裝，或者通過 skills-hub 呢類 GUI 工具管理（skills-hub 係我自己開發嘅 skill 管理工具，一次安裝覆蓋多個 AI 編程工具）。官方嘅安裝指南喺呢度：https://note.youdao.com/help-center/skill-install-guide.html
我用 skills-hub 將 youdaonote skill 裝好，重啓 Codex 之後就可以直接用。
寫完一篇新文章，唔需要切去龍蝦，直接喺 Codex 對話入面講「將呢篇新文章同步入 wechat-article-wiki」，有道雲筆記入面即刻出現對應更新。
寫完文章，喺編程工具入面一句話同步，知識庫跟住輸出一齊成長，全程唔需要切換應用。
同 Karpathy 原方案嘅差異
兩套方案嘅思路完全一致，分別在於落地層面。
值得講清楚：Karpathy 嘅方案冇問題，佢係為有能力自己搭系統嘅人設計嘅，極客向本身就係佢嘅定位。youdaonote-llm-wiki 做嘅唔係「比佢更好」，而係將同樣嘅方法論轉化咗成唔需要寫代碼就可以用嘅形式。
Karpathy 嗰句話講嘅係「需要一個真正嘅產品」，有道團隊做嘅正係呢件事。
呢套方法邊個可以用到
覆蓋嘅場景比我諗嘅要廣：
有公眾號或博客，想將寫過嘅文章沉澱成可檢索、可綜合嘅知識庫嘅人 收藏夾入面有幾百篇技術文章、成日想「之後系統整理」但一直都冇整理嘅人 持續跟蹤某個技術方向（AI 編程工具、Node.js 生態、前端工程化）嘅開發者 喺學緊某個新框架，想邊睇邊做結構化筆記嘅人
核心判斷係：只要你持續產出或持續收集資料，而且想對呢啲資料做彙總、對比、趨勢分析，呢套方案就值得試。
Karpathy 話佢最近嘅工作時間，大部分從「操作代碼」轉向咗「操作知識」。當 Agent 夠強大、產品打磨夠細，知識工作嘅關鍵就唔再係「識唔識整理」，而係「識唔識問、識唔識追問」。
你嘅收藏夾，可以從「以後再睇」變成「以後用得到」。
微信收藏夾裏躺着 100 多篇技術文章，每一篇收的時候都覺得有用，但大多數的下場是再也找不到。
想引用某個觀點，得在收藏夾裏用關鍵詞翻半天，十有八九翻不出來。更別說"把這些文章串起來看趨勢"了。
收藏夾是倉庫，但不是知識庫。它收得越多，就越顯得亂。
4 月初 Karpathy 那條推文提出了"LLM Wiki"的想法，我在之前的文章裏有過介紹，這裏不重複展開。Karpathy 把他的實現整理成了一份 idea file，末尾留了這麼一句：
“"I think there is room for an incredible new product instead of a hacky collection of scripts."
他的意思是：這套思路值得有人做成一個真正的產品，而不是一堆腳本湊出來的臨時方案。
當時社區跑出來的回應，大多是 MCP server 集成、語義搜索擴展、Git provenance 追蹤之類的方案，仍然是極客向。普通人想跟着做，門檻挺高。
直到最近我用上了有道雲筆記的 youdaonote-llm-wiki skill，把自己在這個號上發表過的文章整進了一個知識庫，才意識到那個產品方向真的有人在落地了。這篇文章就是這次實測的全程記錄。
LLM Wiki 解決的是什麼問題
先把問題說清楚，再看產品做了什麼。
傳統 RAG 是按問檢索。 你提問，系統就去你的資料堆裏翻，把相關片段抓出來拼進上下文，再回答你。每次提問都從頭檢索，資料本身不會被整理，也不會互相建立連接。
LLM Wiki 的核心是"編譯知識"。 素材進來一次，LLM 就處理一次：提取實體（公司、產品、人物），歸納概念，建立跨文檔的引用關係，生成一套結構化的 Wiki 頁面。之後提問，LLM 查的是自己整理好的 Wiki，不是原始文檔堆。知識被"壓縮"進了有組織的結構裏，查起來既快又準。
Karpathy 把這個工作流拆成了四個操作：
Ingest（攝入）：有新資料來，增量處理，更新相關 Wiki 頁面，維護內部連結，不需要重建整個知識庫 Query（查詢）：跨多個頁面綜合回答問題，帶引用來源，兩份資料有矛盾時自動標出 Archive（歸檔）：有價值的查詢結論存回知識庫，越用越豐富 Lint（健康度審計）：定期檢查是否有過時內容、孤立頁面、應建未建的連接
知識在這個模式下不是"記完就死"，每次提問都在給知識庫注入新的東西。
但 Karpathy 當時的實現是本地 Markdown 文件加上自己寫的一堆腳本。他自己也承認是"hacky collection of scripts"。想跟着做，有開發能力的可以，非技術背景的人幾乎進不來。
主角：有道雲筆記 + youdaonote-llm-wiki skill
這套方案的兩個核心：
有道雲筆記：知識庫的存儲層，手機、桌面、網頁、iPad 全端同步，Wiki 頁面在所有設備上都能打開 youdaonote-llm-wiki skill：把 LLM Wiki 方法論封裝成即用插件，在支持的 AI 對話工具裏一句話觸發
youdaonote-llm-wiki skill 支持在 LobsterAI（有道龍蝦）、OpenClaw、QClaw、WorkBuddy、EasyClaw 等主流龍蝦 AI Agent 裏運行，也支持 Cursor、Claude Code 等編程工具（後面會演示）。本文演示選的是有道龍蝦，之前用過一段時間，操作也很順手。
前置步驟：配置有道雲筆記 CLI
youdaonote-llm-wiki skill 讀寫有道雲筆記，底層依賴的是 YoudaoNote CLI。用 Skill 之前，需要在本機安裝 CLI 並綁定賬號 API Key，這是讀寫權限的基礎層。
官方有完整的安裝指南：https://note.youdao.com/help-center/cli-install-guide.html
macOS / Linux 照着跑一行安裝腳本，Windows 手動下載可執行文件加進 PATH，之後在 MCP Console 裏拿到 API Key 配置上。跑 youdaonote list 能看到你的筆記列表，說明配置完成。
Node.js 開發者對這種流程應該很熟悉，5 分鐘以內。
在哪裏找到這個 Skill
主路徑走有道龍蝦的技能市場：
官網下載安裝有道龍蝦客戶端 打開龍蝦，進入【技能市場】 搜索框裏輸入 youdaonote-llm-wiki找到 Skill 卡片，一鍵安裝 在對話框裏說"幫我創建知識庫"即可觸發
除了龍蝦之外，youdaonote skill 還支持直接安裝到 Codex、Claude Code、Cursor 等 40+ AI 編程工具裏。安裝完之後，在這些編程工具裏同樣能操作有道雲筆記，打通"寫代碼 / 寫文章"和"知識管理"兩個場景，後面的實測部分會演示這個場景。
Skill 自動建出什麼
對話裏說"幫我創建一個知識庫"，Agent 會在有道雲筆記裏自動建出：
一個根文件夾（知識庫名） 五個子目錄： raw/（原始素材）、entities/（人物 / 組織 / 產品）、concepts/（概念）、comparisons/（對比頁）、queries/（查詢歷史）三個系統筆記： schema.md（結構定義）、index.md（索引）、log.md（變更日誌）
這套結構是 Karpathy 在 Gist 裏描述的架構，Skill 幫你完全自動建好，不需要自己維護目錄。
多庫管理也支持：按主題建多個獨立庫，一句話切換，全部登記在全局註冊表裏由 Agent 自動維護。
四個核心操作的產品化
Ingest：扔一篇文章、一個連結或一整個本地文件夾，Agent 抓內容、抽實體、建概念、連引用，全自動，每次都是增量，不重建全庫 Query：跨多個頁面綜合回答問題，帶來源引用，遇到矛盾用 ⚠️ 標記 Archive：有價值的對話結論一句話存回知識庫 Lint：定期審計健康度，找過時信息、孤立頁面、應建未建的連接
實測：把發表過的文章整合成「公眾號知識庫」
下面是完整的實測過程。素材是我在這個號上發表過的一批技術資訊類文章，存成 Markdown 格式放在本地文件夾裏，主題圍繞 AI 編程工具、Node.js 生態和前端工具鏈。
一句話建庫，自動開始 ingest
打開龍蝦，對話框裏輸入：
“"我在 Nodejs技術棧 發表了不少技術資訊文章，已經存成 Markdown，文件都在桌面的 /Users/xxxxx/Desktop/llm-wiki-demo/notes/ 目錄下。幫我創建一個知識庫，庫名就叫「公眾號知識庫」，主題是把這些文章沉澱成結構化知識。"
Agent 讀取目錄之後，先給了一個建議：用英文庫名 wechat-article-wiki，英文名更穩定。接受即可。
確認之後，Agent 直接開始 ingest，不需要再發第二條指令。26 篇文章自動處理，entities 和 concepts 頁面陸續出現。
等 Agent 處理完，切到有道雲筆記，wechat-article-wiki 文件夾已經建好了，五個子目錄、三個系統筆記全在。
看自動建出來的東西（這是最有衝擊感的一幕）
打開 entities/companies/anthropic.md，裏面是 Anthropic 在多篇文章裏被提及的內容彙總：公司背景、Claude 系列產品的更新記錄、相關事件引用，不同文章裏的信息整合在同一個頁面，還有反向連結標註每條內容來自哪篇原文。
打開 concepts/skills.md，這是被引用次數最多的概念之一。頁面裏列出了多位開發者和多個框架各自發布 Skills 時的核心動作，每條引用標明來自哪篇文章。
一個文件夾的文章，經過 Agent 處理之後，變成了一張相互連通的知識網。這是整個工具最有價值的地方：不是"存了多少"，是"建立了多少連接"。
comparisons/ 目錄初始是空的，需要手動觸發一句指令。說"幫我生成這批文章裏 AI 編程工具之間的對比頁"之後，有道雲筆記裏立刻出現了對應內容，實測生成了 Claude Code vs Cursor 的橫向對比頁。
跨頁綜合查詢
知識庫建完之後，可以用它來回答跨多篇文章的問題。我問的是：
“"在 wechat-article-wiki 裏，幫我綜合一下：基於這批文章，2026 年 AI 編程工具領域有哪些關鍵趨勢？請基於知識庫裏的內容回答，並標明引用來源。"
Agent 從 index.md 定位相關頁面，跨 concepts、entities、comparisons 綜合生成回答，每個觀點標了來自哪個 Wiki 頁面，兩份資料有矛盾的地方用 ⚠️ 標出。
這種回答不是隨口說的，是有出處的。之後一句話把結論存進 queries/：
“"把剛才這個回答存到 wechat-article-wiki 的 queries/ 裏。"
每次有價值的查詢歸檔一次，知識庫越問越豐富。Karpathy 說的"知識複利"就是這麼滾起來的。
在 AI 編程工具裏同步新文章
這是我覺得整個方案裏最順手的一個環節。
youdaonote skill 不只能裝在龍蝦裏，還支持直接安裝到 Codex、Claude Code、Cursor 等 40+ AI 編程工具。安裝方式：下載 skill 到本地，用 npx skills add 安裝，或者通過 skills-hub 這類 GUI 工具管理（skills-hub 是我自己開發的 skill 管理工具，一次安裝覆蓋多個 AI 編程工具）。官方的安裝指南在這裏：https://note.youdao.com/help-center/skill-install-guide.html
我用 skills-hub 把 youdaonote skill 裝好，重啓 Codex 之後就能直接用。
寫完一篇新文章，不需要切到龍蝦，直接在 Codex 對話裏說"把這篇新文章同步進 wechat-article-wiki"，有道雲筆記裏立刻出現對應更新。
寫完文章，在編程工具裏一句話同步，知識庫跟着輸出一起成長，全程不需要切換應用。
和 Karpathy 原方案的差異
兩套方案的思路完全一致，區別在落地層面。
值得說清楚：Karpathy 的方案沒有問題，它是為有能力自己搭系統的人設計的，極客向本來就是它的定位。youdaonote-llm-wiki 做的不是"比他更好"，而是把同樣的方法論轉化成了不需要寫代碼就能用的形式。
Karpathy 那句話說的是"需要一個真正的產品"，有道團隊做的正是這件事。
這套方法誰能用上
覆蓋的場景比我想象的要廣：
有公眾號或博客，想把寫過的文章沉澱成可檢索、可綜合的知識庫的人 收藏夾裏躺着幾百篇技術文章、總想"以後系統整理"但一直沒整理的人 持續跟蹤某個技術方向（AI 編程工具、Node.js 生態、前端工程化）的開發者 在學某個新框架，想邊看邊做結構化筆記的人
核心判斷是：只要你有持續產出或持續收集的資料，而且想對這些資料做彙總、對比、趨勢分析，這套方案就值得試。
Karpathy 說他最近的工作時間，大部分從"操縱代碼"轉向了"操縱知識"。當 Agent 足夠強、產品打磨足夠細，知識工作的關鍵就不再是"會不會整理"，而是"會不會問、會不會追問"。
你的收藏夾，可以從"以後再看"變成"以後能用上"。