LLM Wiki – Karpathy开源的自运行个人知识库

LLM Wiki是什么

LLM Wiki是Karpathy推出的自运行的个人知识库，突破传统RAG”每次查询从零检索”的局限。LLM Wiki通过Schema文件指导LLM主动维护结构化Markdown Wiki，将原始资料”编译”为带交叉引用、矛盾标注的持久化知识体。在三层架构（原始资料/Wiki/Schema）支持下，知识随使用持续累积增厚，非重复推导。人类专注提问与策展，LLM承担维护工作，让Obsidian成为IDE、Wiki成为代码库、LLM成为程序员。

LLM Wiki的主要功能

• 知识灌入（Ingest）：将原始资料（PDF、文章等）放入 raw/ 目录，LLM 自动提取关键信息，撰写摘要，联动更新 Wiki 中的实体页、概念页及相关交叉引用（一次资料可能触发 10-15 个页面更新）。
• 智能查询（Query）：基于已编译的 Wiki 内容回答问题，输出支持 Markdown、对比表格、Marp 幻灯片、matplotlib 图表等多种格式。
• 健康巡检（Lint）：定期自动检查知识库矛盾、过时结论、孤立页面、缺失引用，提出新的研究方向。
• 索引维护：自动维护 index.md（内容目录，替代传统 RAG 的向量检索）和 log.md（时间线日志），无需复杂数据库即可支撑中等规模（约 100 篇/40 万字）的知识管理。

如何使用LLM Wiki

• 环境准备：安装 Obsidian 作为阅读器，准备 Claude Code 等 LLM Agent 作为维护者。
• 初始化目录：创建包含 raw/（原始资料）、wiki/（生成内容）和 CLAUDE.md（Schema 配置）的文件夹结构。
• 配置 Schema：将 Karpathy Gist 的内容复制给 Agent，让其生成定义 Wiki 结构、页面格式和工作流程的配置文件。
• 灌入资料：将新文件放入 raw/ 目录并指令 Agent 处理，LLM 会自动提取关键信息并联动更新 Wiki 中的摘要、实体页和交叉引用。
• 查询归档：向 Agent 提问获取基于 Wiki 的综合回答，并指令将优质答案存回 Wiki 成为新页面以实现知识持续累积。
• 健康巡检：定期指令 Agent 检查 Wiki 中的矛盾、过时结论和孤立页面，保持知识库结构清晰和内容一致。
• 浏览使用：在 Obsidian 中打开 wiki/ 文件夹实时查看最新更新、点击双向链接并使用图谱视图探索知识关联。

LLM Wiki的关键信息和使用要求

• 本质：让 LLM 主动维护持续累积的结构化知识库，而非传统 RAG 的”每次查询从零检索”。
• 架构：三层结构：raw/（原始资料，只读）→ wiki/（LLM 生成的 Markdown）→ Schema（如 CLAUDE.md 规则配置）。
• 核心操作：Ingest（灌入资料自动更新多页）→ Query（基于 Wiki 回答并可归档）→ Lint（定期健康检查矛盾与缺失）。
• 关键机制：知识编译一次、持续保鲜，交叉引用与矛盾标注持久化，越用越厚。

LLM Wiki的核心优势

• 知识复利累积：突破传统 RAG 每次查询”从零检索、用完即弃”的局限，Wiki 是持久化、可累积的产物——新资料自动整合进已有知识网络，交叉引用和矛盾标注持续沉淀。
• 零维护负担：LLM 承担所有繁琐维护工作，自动更新 10-15 个关联页面、标注新旧数据矛盾、维护索引和交叉引用。人类只需专注策展与提问，无需手动整理。
• 中等规模免基建：在 100 篇/40 万字规模内，仅靠 Markdown 索引文件即可高效检索，无需向量数据库、嵌入模型或复杂 RAG 架构，大幅降低技术门槛。
• 动态自增强：优质问答可一键归档回 Wiki 成为新页面，探索过程本身持续丰富知识库，形成”使用即增长”的飞轮效应。

LLM Wiki的项目地址

• GitHub仓库：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

LLM Wiki的同类竞品对比

LLM Wiki的应用场景

• 个人成长：追踪目标、健康、心理状态与自我提升历程，整理日记、文章、播客笔记，构建关于自我的结构化认知图谱。
• 学术研究：围绕特定主题进行数周或数月的深度钻研，阅读论文、报告，逐步构建包含演化论点的综合知识体系。
• 阅读伴侣：阅读书籍时逐章整理，建立人物、主题、情节线索的关联页面，最终形成类似 Tolkien Gateway 的完整知识网络。
• 企业/团队知识库：接入 Slack 对话、会议纪要、项目文档、客户沟通记录，由 LLM 自动维护实时更新的内部 Wiki，无需人工额外投入。