本文深度解读 Karpathy 用 LLM 搭建个人知识库的方法，指出多数模仿者只学到表面而忽略了人的判断与内化过程。适合 Obsidian 用户、知识管理爱好者。核心提醒：AI 负责低层加工，人负责选材与深度思考，否则图谱再好看也只是空壳。
Tags:
本文字数 2286，阅读大约需 4 分钟
这几天刷推特，满屏都是 Karpathy 和他的知识库。
起因是他在 4 月 3 号发了一条长推，聊自己最近怎么用 LLM 搭建个人知识库。
这条推文的浏览量直接干到了 1800 万，评论区挤满了各路大神。
Obsidian 的创始人 Kepano 来了，Lex Fridman 来了，各种开发者都在下面分享自己的实践。
然后，这股风很快就吹到了国内。
公众号、小红书、视频号，到处都是「手把手教你搭建 Karpathy 知识库」的教程，Obsidian 图谱截图满天飞，看起来每个人都在一夜之间拥有了一个「第二大脑」。
作为一个深度使用 Obsidian 做知识管理一年多的人，这几天看下来，我有一个很强烈的感受：
很多人的用法，偏了。
不是说 Karpathy 的方法有问题，恰恰相反，他的方法本身非常精妙。
只是很多人在模仿的过程中，只抄到了表面，却跳过了最有价值的部分。
先搞清楚 Karpathy 到底在做什么
在聊哪里偏了之前，我们先回到 Karpathy 的原帖，看看他自己到底是怎么用这套东西的。
原帖地址：https://x.com/karpathy/status/2039805659525644595
他的核心思路其实不复杂：把各种原始素材（文章、论文、代码库、数据集等）丢进一个 raw/ 文件夹，然后让 LLM 把这些素材「编译」成一个结构化的 Markdown Wiki。
概念提炼、文章生成、反向链接、交叉引用，都交给 AI 来完成，最后用 Obsidian 来浏览这个 Wiki，用 LLM 来查询和维护。
他目前在某个研究方向上的知识库，大约有 100 篇文章、40 万字。
帖子爆了之后，Karpathy 又做了一件事，他没有开源代码，也没有发布什么 App。
他发了一个 GitHub Gist，叫「llm wiki」，里面有一段话非常关键：
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
翻译过来就是：LLM 负责苦力活——总结、交叉引用、归档、格式维护。而你负责的是：选什么素材、探索什么方向、问出什么问题。
也就是说，他把知识管理这件事拆成了两层：
高层加工：选什么素材值得进入系统、对 AI 的产出做质量把关、基于 Wiki 提出深度问题 → 人来做
低层加工：总结、链接、归档、一致性检查 → LLM 来做
另外一个作者专门写了一篇文章拆解 Karpathy 的知识库，其中有一段分析得很到位：
这个知识库与其说是 LLM 的产物，不如说是 Karpathy 不断打磨那个 CLAUDE.md 的产物，LLM 只是在大规模执行他的指令。
他的系统，本质上是一个信息编译器，解决的是研究效率问题。
那偏在哪了呢？
理解了 Karpathy 在做什么之后，再来看很多人的实践，就会发现问题在哪。
我这几天在小红书和公众号上看到的大量案例，流程基本是这样的：
-
1. 看到一篇文章，丢进 Obsidian -
2. 让 AI 一键生成各种概念笔记 -
3. 让概念之间自动建立链接 -
4. 得到一张关系图谱的截图，截图发出来 -
5. 结束了
看起来和 Karpathy 做的差不多？
但有一个非常关键的区别：在 Karpathy 的流程里，人的判断贯穿始终，而在很多模仿者的流程里，人在第 1 步之后就消失了。
他们跳过了选择素材时的判断，什么值得进入系统？
跳过了对 AI 产出的审阅和追问，这个概念提炼得对不对？ 跳过了基于 Wiki 提出深度问题的环节，我还想知道什么？
最终得到的，是一堆 AI 生成的笔记和一个好看的图谱。
但这些东西，没有经过自己的任何加工。
十年前我们在 Evernote 里疯狂收藏文章，然后再也不打开。现在换成了让 AI 帮我们生成笔记，然后再也不思考，这两者有什么区别呢？
工具变了，问题没变。
知识管理，到底在管什么？
聊到这里，我想说说自己的理解。
我用 Obsidian 做知识管理已经一年多了，有一个越来越强烈的感受：知识管理应该是一个过程，不是一个结果。
它不是说今天通过 AI 产出了 50 篇笔记、笔记之间形成了一个炫酷的关系图谱，这件事就算完成了。
真正的知识管理，是信息从输入到加工、再到内化的一整个闭环。
我自己的知识库，用了一套河流隐喻来组织整个过程：
-
• 收件箱：信息的入口，什么都可以先丢进来 -
• 泥石：我读过的文章、书籍、课程、播客，这些是原始素材 -
• 晶石：经过自己加工后的产出，我写的文章、导航笔记、随笔 -
• 山脉：最终沉淀下来的认知框架
这套结构的核心不在于文件夹有多整齐，它的核心在于，每一层之间都有一个「转化」的过程。
泥石不会自动变成晶石，晶石不会自动堆成山脉。
每一步都需要我主动参与——提取关键概念、用自己的话重新表述、和已有认知建立连接。
这个过程可能有点慢。
但这个「慢」的过程，恰恰就是知识管理本身。
如果让 AI 帮你跳过了这些步骤，即使得到的是一个漂亮的关系图谱，但自己的大脑里什么都没留下。
AI 不会让思想空洞的人变得深刻，只会让深刻的人更加璀璨，知识管理也是同理。
两者并不矛盾
说到这里，可能有人觉得我在否定 Karpathy 的方法。
真没有。
他的方法解决了一个非常实际的问题：传统的 RAG 每次提问都从零开始检索，没有积累，他的 Wiki 方式让知识可以持久编译、增量更新，这在研究效率上是一个很大的进步。
问题从来不在方法本身，而在于你用它来做什么。
Obsidian 的创始人 Kepano，在 Karpathy 原帖下面回复了一条非常值得读的建议：
大意是：把个人的 Vault 和 AI Agent 的 Vault 分开。
你自己的 Vault 应该保持高信噪比，里面的内容来源清晰。如果让两者混在一起，你的 Vault 就不再只是「你的想法」了。
我觉得这个思路非常对。
这两个库服务的是完全不同的目标：
-
• AI 研究库解决「广度」问题：帮你快速建立一个领域的全景认知，发现关键概念和关联。 -
• 个人知识库解决「深度」问题：把真正需要掌握的东西，通过主动加工变成自己的。
前者是后者的前置筛选器。
先在 AI 库里建立全景图，从中找到真正重要的节点，然后对这些节点做深度的提取、加工、内化。
Karpathy 的方法帮你看见森林，但走进每一棵树，还是得靠你自己。
写在最后
回到开头那个现象：全网都在教你怎么搭建 Karpathy 知识库，但很少有人在讨论：搭建完之后，然后呢？
知识管理这件事，工具和方法永远在迭代——从 Evernote 到 Notion 到 Obsidian，从手动笔记到 RAG 到 LLM Wiki。
但有一个东西始终没变：你自己的思考，没有任何工具可以替代。
AI 可以帮你编译信息、建立链接、维护一致性，但它不能代替你理解一个概念、形成一个判断、建立一套属于你自己的认知框架。
这些事情必须经过你自己的大脑，经过那个也许有点慢、有点笨、但不可替代的内化过程。
以上，就是本文全部内容，如果觉得这篇文章对你有启发，点赞、比心、分享三连就是对我最大的支持，谢谢～
• 用 Gemini 解锁 YouTube 新用法，信息获取效率提升 10 倍
• 有了 NotebookLM 后，还需要 Obsidian 吗？
• 我试了 NotebookLM 学习法后，彻底抛弃传统学习方式
• 我用 NotebookLM 解锁 PPT 的 5 种玩法，实现了 PPT 自由
没有评论:
发表评论