全網都在抄 Karpathy 的知識庫，但大多數人只學到了皮毛
整理版優先睇
Karpathy 知識庫方法嘅精髓係人機分工，唔係俾 AI 由頭做到尾
作者艾康係一個深度用咗 Obsidian 做知識管理超過一年嘅用家。佢見到 Karpathy 喺 4 月 3 號分享用 LLM 搭建個人知識庫嘅方法後，全網跟風模仿，但大多數人只係抄到表面，跳過咗最重要嘅部分。
Karpathy 嘅方法係將知識管理拆成兩層：人負責選素材、問問題、把關質素；AI 負責總結、連結、歸檔呢啲苦力活。佢仲公開咗一個 GitHub Gist 叫「llm wiki」，強調 LLM 寫同維護個 wiki，人負責 sourcing、探索同問啱嘅問題。但好多模仿者嘅流程係：見到文章就丟入 Obsidian、叫 AI 生成概念筆記然後自動建立連結，最後截張關係圖譜就完事——人喺第一步之後就消失咗。
整體結論係：知識管理係一個過程，唔係結果；工具不斷變，但自己嘅思考無可取代。AI 可以幫你編譯信息，但唔可以代替你理解概念、形成判斷、建立認知框架。最好嘅做法係將 AI 研究庫同個人知識庫分開：前者解決廣度，後者解決深度，先透過 AI 庫睇清森林，再親自走進每一棵樹。
- Karpathy 將知識管理拆成兩層：人負責選材、提問、把關；AI 負責總結、連結、歸檔，呢個係佢方法最值錢嘅部分。
- 常見模仿者跳過咗人的判斷，讓 AI 由頭做到尾，最終只得到一堆筆記同圖譜，但冇經過自己嘅內化。
- 作者用河流隱喻組織知識庫：收件箱 → 泥石 → 晶石 → 山脈，強調每一層都需要主動轉化，唔可以跳步。
- AI 研究庫解決「廣度」，個人知識庫解決「深度」，兩者應該分開，前者係後者嘅前置篩選器。
- 知識管理係一個過程，唔係結果；工具會迭代，但自己嘅思考先係核心，冇工具可以代替內化過程。
Karpathy 原始推文
Karpathy 喺 4 月 3 號分享用 LLM 搭建個人知識庫嘅長推，瀏覽量 1800 萬。
Karpathy 嘅 llm wiki Gist
GitHub Gist，說明 LLM 寫同維護 wiki，人負責 sourcing、探索同提問。
全網跟風模仿 Karpathy 知識庫
Karpathy 嘅推文爆紅之後，國內外都出現大量「手把手教你搭建 Karpathy 知識庫」嘅教程，Obsidian 圖譜截圖滿天飛。
但作者作為深度用家，發現好多人的用法偏離咗核心：只抄到表面，跳過咗最有價值嘅部分。
模仿者嘅典型流程：見到文章就丟入 Obsidian，叫 AI 生成概念筆記，自動建立連結，最後截張關係圖譜發出來，然後結束。
Karpathy 嘅原意：人機分工
Karpathy 嘅方法係將原始素材（文章、論文、代碼庫等）丟入 raw/ 文件夾，然後讓 LLM「編譯」成結構化嘅 Markdown Wiki，包括概念提煉、文章生成、反向連結、交叉引用，最後用 Obsidian 瀏覽，用 LLM 查詢維護。
換句話講，佢將知識管理拆成高層加工同低層加工兩層。高層由人做：揀嘢入系統、把關 AI 產出、提出深度問題；低層由 AI 做：總結、連結、歸檔、一致性檢查。
偏離之處：人的缺席
- 模仿者跳過選擇素材時嘅判斷——唔清楚乜嘢值得進入系統。
- 模仿者跳過對 AI 產出嘅審閲同追問——呢個概念提煉得啱唔啱？
- 模仿者跳過基於 Wiki 提出深度問題嘅環節——我仲想知道啲乜？
最終得到嘅只係一堆 AI 生成嘅筆記同一個靚靚嘅圖譜，冇經過自己任何加工。
作者問：十年前用 Evernote 瘋狂收藏文章然後唔打開，而家讓 AI 幫手生成筆記然後唔思考，兩者有咩分別？工具變咗，問題冇變。
知識管理係一個內化過程
作者用河流隱喻組織自己嘅知識庫：收件箱（信息入口）、泥石（原始素材）、晶石（加工產出）、山脈（最終認知框架）。
每一層之間都需要「轉化」：泥石唔會自動變成晶石，晶石唔會自動堆成山脈，每一步都需要你主動參與。
- 1 提取關鍵概念。
- 2 用自己的話重新表述。
- 3 同已有認知建立連接。
呢個「慢」嘅過程，恰恰就係知識管理本身。
如果讓 AI 幫你跳過呢啲步驟，即使得到靚靚圖譜，自己個腦乜都留唔低。AI 唔會令思想空洞嘅人變深刻，只會令深刻嘅人更璀璨。
將 AI 庫同個人庫分開
Obsidian 創辦人 Kepano 喺 Karpathy 原帖下面建議：將個人 Vault 同 AI Agent 嘅 Vault 分開。個人 Vault 保持高信噪比，來源清晰；唔好混埋一齊，否則 Vault 唔再只係「你嘅想法」。
Karpathy 嘅方法幫你睇見森林，但走進每一棵樹，仍然要靠你自己。
工具同方法不斷迭代，但你嘅思考冇任何工具可以取代。
AI 可以編譯信息、建立連結、維護一致性，但唔可以代替你理解概念、形成判斷、建立屬於自己嘅認知框架。呢啲一定要經過你個腦，經歷嗰個可能慢啲、笨啲但不可替代嘅內化過程。
呢篇文章有2286字，大約要4分鐘閲讀。
呢幾日刷推特，成個畫面都係 Karpathy 同佢嘅知識庫。
起因係佢喺4月3號發咗條長推，講自己最近點樣用 LLM 搭建個人知識庫。
呢條推文嘅瀏覽量直接飆到 1800 萬，留言區迫滿曬各路大神。
Obsidian 嘅創始人 Kepano 來了，Lex Fridman 嚟咗，各種開發者都喺下面分享自己嘅實踐。
跟住，呢股風好快就吹到嚟大陸。
公眾號、小紅書、影片號，周圍都係「逐步教你搭建 Karpathy 知識庫」嘅教程，Obsidian 圖譜嘅截圖周圍飛，睇落每個人都好似一夜之間擁有咗一個「第二大腦」。
作為一個深度用 Obsidian 做知識管理一年幾嘅人，呢幾日睇落嚟，我有個好強烈嘅感受：
好多人嘅用法，偏咗。
唔係話 Karpathy 嘅方法有問題，啱啱相反，佢嘅方法本身非常精妙。
只係好多人在模仿嘅過程中，只係抄到表面，但跳過咗最有價值嘅部分。
先搞清楚 Karpathy 究竟做緊咩
喺傾邊度偏咗之前，我哋先返去 Karpathy 嘅原帖，睇下佢自己究竟係點樣用呢套嘢嘅。
原帖地址：https://x.com/karpathy/status/2039805659525644595
佢嘅核心思路其實唔複雜：將各種原始材料（文章、論文、代碼庫、數據集等）丟入一個 raw/ 資料夾，然後俾 LLM 將呢啲材料「編譯」成一個結構化嘅 Markdown Wiki。
概念提煉、文章生成、反向連結、交叉引用，全部交俾 AI 完成，最後用 Obsidian 嚟瀏覽呢個 Wiki，用 LLM 嚟查詢同維護。
佢目前喺某個研究方向上面嘅知識庫，大約有 100 篇文章、40 萬字。
帖子爆咗之後，Karpathy 又做咗一件事，佢冇開源代碼，亦冇發佈任何 App。
佢發咗個 GitHub Gist，叫「llm wiki」，裏面有段話非常關鍵：
You never (or rarely) write the wiki yourself — the LLM writes and maintains all of it. You're in charge of sourcing, exploration, and asking the right questions.
GitHub Gist 地址：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
譯返出嚟就係：LLM 負責苦力工——總結、交叉引用、歸檔、格式維護。而你負責嘅係：揀咩材料、探索咩方向、問出咩問題。
即係話，佢將知識管理呢件事拆成兩層：
高層加工：揀咩材料值得入系統、對 AI 嘅產出做質量把關、基於 Wiki 提出深度問題 → 人做
低層加工：總結、連結、歸檔、一致性檢查 → LLM 做
另外有位作者專登寫咗篇文章拆解 Karpathy 嘅知識庫，其中有段分析得好到位：
呢個知識庫與其話係 LLM 嘅產物，不如話係 Karpathy 不斷打磨嗰個 CLAUDE.md 嘅產物，LLM 只係大規模執行佢嘅指令。
佢嘅系統，本質上係一個信息編譯器，解決嘅係研究效率問題。
咁偏咗喺邊呢？
明白咗 Karpathy 做緊咩之後，再睇返好多人嘅實踐，就會發現問題喺邊。
我呢幾日喺小紅書同公眾號上面見到嘅大量案例，流程基本係咁：
1. 見到一篇文章，丟入 Obsidian 2. 俾 AI 一鍵生成各種概念筆記 3. 俾概念之間自動建立連結 4. 得到一張關係圖譜嘅截圖，截圖發出來 5. 結束了
睇落同 Karpathy 做嘅差唔多？
但係有一個非常關鍵嘅分別：喺 Karpathy 嘅流程裏面，人嘅判斷貫穿始終，而喺好多模仿者嘅流程裏面，人喺第1步之後就消失咗。
佢哋跳過咗揀材料時嘅判斷，咩值得入系統？
跳過咗對 AI 產出嘅審閲同追問，呢個概念提煉得啱唔啱？跳過咗基於 Wiki 提出深度問題嘅環節，我仲想知道啲咩？
最後得到嘅，係一堆 AI 生成嘅筆記同一個好靚嘅圖譜。
但呢啲嘢，冇經過自己嘅任何加工。
十年前我哋喺 Evernote 裏面瘋狂收藏文章，然後唔再打開。而家換咗俾 AI 幫我哋生成筆記，然後唔再思考，呢兩者有咩分別呢？
工具變咗，問題冇變。
知識管理，到底管緊啲咩？
傾到呢度，我想講下自己嘅理解。
我用 Obsidian 做知識管理已經一年幾，有一個越來越強烈嘅感受：知識管理應該係一個過程，唔係一個結果。
佢唔係話今日透過 AI 產出咗 50 篇筆記、筆記之間形成咗一個好靚嘅關係圖譜，呢件事就算完成咗。
真正嘅知識管理，係信息從輸入到加工、再到內化嘅一個完整閉環。
我自己嘅知識庫，用咗一套河流比喻嚟組織成個過程：
• 收件箱：信息嘅入口，咩都可以先丟入嚟 • 泥石：我讀過嘅文章、書、課程、Podcast，呢啲係原始材料 • 晶石：經過自己加工後嘅產出，我寫嘅文章、導航筆記、隨筆 • 山脈：最終沉澱落嚟嘅認知框架
呢套結構嘅核心唔在於資料夾有幾整齊，佢嘅核心在於，每一層之間都有一個「轉化」嘅過程。
泥沙唔會自動變成晶石，晶石唔會自動堆成山脈。
每一步都需要我主動參與——提取關鍵概念、用自己嘅話重新表述、同已有認知建立連結。
呢個過程可能慢少少。
但呢個「慢」嘅過程，恰恰就係知識管理本身。
如果俾 AI 幫你跳過咗呢啲步驟，就算得到嘅係一個好靚嘅關係圖譜，但自己個腦裏面咩都冇留低。
AI 唔會令思想空洞嘅人變得深刻，只會令深刻嘅人更加璀璨，知識管理都係同理。
兩者並唔矛盾
講到呢度，可能有人覺得我喺否定 Karpathy 嘅方法。
真係冇。
佢嘅方法解決咗一個非常實際嘅問題：傳統嘅 RAG 每次提問都由零開始檢索，冇積累，佢嘅 Wiki 方式令知識可以持久編譯、增量更新，呢個喺研究效率上係一個好大嘅進步。
問題從來唔在方法本身，而在於你用佢嚟做啲咩。
Obsidian 嘅創始人 Kepano，喺 Karpathy 原帖下面回覆咗一條好值得睇嘅建議：
大意係：將個人嘅 Vault 同 AI Agent 嘅 Vault 分開。
你自己嘅 Vault 應該保持高信噪比，裏面嘅內容來源清晰。如果將兩者溝埋一齊，你嘅 Vault 就唔再只係「你嘅想法」喇。
我覺得呢個思路非常啱。
呢兩個庫服務嘅係完全唔同嘅目標：
• AI 研究庫解決「廣度」問題：幫你快速建立一個領域嘅全景認知，發現關鍵概念同關聯。 • 個人知識庫解決「深度」問題：將真正需要掌握嘅嘢，透過主動加工變成自己嘅。
前者係後者嘅前置篩選器。
先在 AI 庫裏面建立全景圖，從中揾到真正重要嘅節點，然後對呢啲節點做深度嘅提取、加工、內化。
Karpathy 嘅方法幫你見到森林，但行入每一棵樹，都仲要靠你自己。
寫喺最後
返去開頭嗰個現象：全網都喺教你點樣搭建 Karpathy 知識庫，但好少人喺討論：搭建完之後，然後呢？
知識管理呢件事，工具同方法永遠喺迭代——從 Evernote 到 Notion 到 Obsidian，從手動筆記到 RAG 到 LLM Wiki。
但有一個嘢始終冇變：你自己嘅思考，冇任何工具可以取代。
AI 可以幫你編譯信息、建立連結、維護一致性，但佢唔可以代替你理解一個概念、形成一個判斷、建立一套屬於你自己嘅認知框架。
呢啲事情必須經過你自己個腦，經過嗰個可能慢少少、笨少少、但不可取代嘅內化過程。
以上，就係呢篇文章嘅全部內容，如果你覺得呢篇文章對你有啟發，點讚、畀心、分享三連就係對我最大嘅支持，謝謝～
• 用 Gemini 解鎖 YouTube 新用法，信息獲取效率提升 10 倍
• 有咗 NotebookLM 之後，仲需要 Obsidian 嗎？
• 我試咗 NotebookLM 學習法之後，徹底拋棄傳統學習方式
• NotebookLM 再次升級，來自 Google 嘅年終禮物
• 我用 NotebookLM 解鎖 PPT 嘅 5 種玩法，實現咗 PPT 自由
本文字數 2286，閲讀大約需 4 分鐘
這幾天刷推特，滿屏都是 Karpathy 和他的知識庫。
起因是他在 4 月 3 號發了一條長推，聊自己最近怎麼用 LLM 搭建個人知識庫。
這條推文的瀏覽量直接幹到了 1800 萬，評論區擠滿了各路大神。
Obsidian 的創始人 Kepano 來了，Lex Fridman 來了，各種開發者都在下面分享自己的實踐。
然後，這股風很快就吹到了國內。
公眾號、小紅書、視頻號，到處都是「手把手教你搭建 Karpathy 知識庫」的教程，Obsidian 圖譜截圖滿天飛，看起來每個人都在一夜之間擁有了一個「第二大腦」。
作為一個深度使用 Obsidian 做知識管理一年多的人，這幾天看下來，我有一個很強烈的感受：
很多人的用法，偏了。
不是說 Karpathy 的方法有問題，恰恰相反，他的方法本身非常精妙。
只是很多人在模仿的過程中，只抄到了表面，卻跳過了最有價值的部分。
先搞清楚 Karpathy 到底在做什麼
在聊哪裏偏了之前，我們先回到 Karpathy 的原帖，看看他自己到底是怎麼用這套東西的。
原帖地址：https://x.com/karpathy/status/2039805659525644595
他的核心思路其實不復雜：把各種原始素材（文章、論文、代碼庫、數據集等）丟進一個 raw/ 文件夾，然後讓 LLM 把這些素材「編譯」成一個結構化的 Markdown Wiki。
概念提煉、文章生成、反向連結、交叉引用，都交給 AI 來完成，最後用 Obsidian 來瀏覽這個 Wiki，用 LLM 來查詢和維護。
他目前在某個研究方向上的知識庫，大約有 100 篇文章、40 萬字。
帖子爆了之後，Karpathy 又做了一件事，他沒有開源代碼，也沒有發佈什麼 App。
他發了一個 GitHub Gist，叫「llm wiki」，裏面有一段話非常關鍵：
You never (or rarely) write the wiki yourself — the LLM writes and maintains all of it. You're in charge of sourcing, exploration, and asking the right questions.
GitHub Gist 地址：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
翻譯過來就是：LLM 負責苦力活——總結、交叉引用、歸檔、格式維護。而你負責的是：選什麼素材、探索什麼方向、問出什麼問題。
也就是說，他把知識管理這件事拆成了兩層：
高層加工：選什麼素材值得進入系統、對 AI 的產出做質量把關、基於 Wiki 提出深度問題 → 人來做
低層加工：總結、連結、歸檔、一致性檢查 → LLM 來做
另外一個作者專門寫了一篇文章拆解 Karpathy 的知識庫，其中有一段分析得很到位：
這個知識庫與其說是 LLM 的產物，不如說是 Karpathy 不斷打磨那個 CLAUDE.md 的產物，LLM 只是在大規模執行他的指令。
他的系統，本質上是一個信息編譯器，解決的是研究效率問題。
那偏在哪了呢？
理解了 Karpathy 在做什麼之後，再來看很多人的實踐，就會發現問題在哪。
我這幾天在小紅書和公眾號上看到的大量案例，流程基本是這樣的：
1. 看到一篇文章，丟進 Obsidian 2. 讓 AI 一鍵生成各種概念筆記 3. 讓概念之間自動建立連結 4. 得到一張關係圖譜的截圖，截圖發出來 5. 結束了
看起來和 Karpathy 做的差不多？
但有一個非常關鍵的區別：在 Karpathy 的流程裏，人的判斷貫穿始終，而在很多模仿者的流程裏，人在第 1 步之後就消失了。
他們跳過了選擇素材時的判斷，什麼值得進入系統？
跳過了對 AI 產出的審閲和追問，這個概念提煉得對不對？ 跳過了基於 Wiki 提出深度問題的環節，我還想知道什麼？
最終得到的，是一堆 AI 生成的筆記和一個好看的圖譜。
但這些東西，沒有經過自己的任何加工。
十年前我們在 Evernote 裏瘋狂收藏文章，然後再也不打開。現在換成了讓 AI 幫我們生成筆記，然後再也不思考，這兩者有什麼區別呢？
工具變了，問題沒變。
知識管理，到底在管什麼？
聊到這裏，我想說說自己的理解。
我用 Obsidian 做知識管理已經一年多了，有一個越來越強烈的感受：知識管理應該是一個過程，不是一個結果。
它不是說今天通過 AI 產出了 50 篇筆記、筆記之間形成了一個炫酷的關係圖譜，這件事就算完成了。
真正的知識管理，是信息從輸入到加工、再到內化的一整個閉環。
我自己的知識庫，用了一套河流隱喻來組織整個過程：
• 收件箱：信息的入口，什麼都可以先丟進來 • 泥石：我讀過的文章、書籍、課程、播客，這些是原始素材 • 晶石：經過自己加工後的產出，我寫的文章、導航筆記、隨筆 • 山脈：最終沉澱下來的認知框架
這套結構的核心不在於文件夾有多整齊，它的核心在於，每一層之間都有一個「轉化」的過程。
泥石不會自動變成晶石，晶石不會自動堆成山脈。
每一步都需要我主動參與——提取關鍵概念、用自己的話重新表述、和已有認知建立連接。
這個過程可能有點慢。
但這個「慢」的過程，恰恰就是知識管理本身。
如果讓 AI 幫你跳過了這些步驟，即使得到的是一個漂亮的關係圖譜，但自己的大腦裏什麼都沒留下。
AI 不會讓思想空洞的人變得深刻，只會讓深刻的人更加璀璨，知識管理也是同理。
兩者並不矛盾
說到這裏，可能有人覺得我在否定 Karpathy 的方法。
真沒有。
他的方法解決了一個非常實際的問題：傳統的 RAG 每次提問都從零開始檢索，沒有積累，他的 Wiki 方式讓知識可以持久編譯、增量更新，這在研究效率上是一個很大的進步。
問題從來不在方法本身，而在於你用它來做什麼。
Obsidian 的創始人 Kepano，在 Karpathy 原帖下面回覆了一條非常值得讀的建議：
大意是：把個人的 Vault 和 AI Agent 的 Vault 分開。
你自己的 Vault 應該保持高信噪比，裏面的內容來源清晰。如果讓兩者混在一起，你的 Vault 就不再只是「你的想法」了。
我覺得這個思路非常對。
這兩個庫服務的是完全不同的目標：
• AI 研究庫解決「廣度」問題：幫你快速建立一個領域的全景認知，發現關鍵概念和關聯。 • 個人知識庫解決「深度」問題：把真正需要掌握的東西，通過主動加工變成自己的。
前者是後者的前置篩選器。
先在 AI 庫裏建立全景圖，從中找到真正重要的節點，然後對這些節點做深度的提取、加工、內化。
Karpathy 的方法幫你看見森林，但走進每一棵樹，還是得靠你自己。
寫在最後
回到開頭那個現象：全網都在教你怎麼搭建 Karpathy 知識庫，但很少有人在討論：搭建完之後，然後呢？
知識管理這件事，工具和方法永遠在迭代——從 Evernote 到 Notion 到 Obsidian，從手動筆記到 RAG 到 LLM Wiki。
但有一個東西始終沒變：你自己的思考，沒有任何工具可以替代。
AI 可以幫你編譯信息、建立連結、維護一致性，但它不能代替你理解一個概念、形成一個判斷、建立一套屬於你自己的認知框架。
這些事情必須經過你自己的大腦，經過那個也許有點慢、有點笨、但不可替代的內化過程。
以上，就是本文全部內容，如果覺得這篇文章對你有啓發，點贊、比心、分享三連就是對我最大的支持，謝謝～
• 用 Gemini 解鎖 YouTube 新用法，信息獲取效率提升 10 倍
• 有了 NotebookLM 後，還需要 Obsidian 嗎？
• 我試了 NotebookLM 學習法後，徹底拋棄傳統學習方式
• 我用 NotebookLM 解鎖 PPT 的 5 種玩法，實現了 PPT 自由