Appearance
笔记爱好者折腾多年，从有道到Obsidian再到Notion，核心痛点就一个：整理成本大于写作成本。现在Karpathy提出了用LLM替代卡片盒的新思路，让知识自己"长"出来。
上周最火的一篇推文：Karpathy 提出了一种 LLM Knowledge Base 的知识整理方法，也叫做 LLM-wiki。最近我动手实践了一下，写下了这篇教程。
视频版在 B 站 BV1ouDbBiEEr，或者点击"阅读原文"查看。
折腾了十年笔记，核心问题只有一个
作为一个笔记爱好者，我折腾过不少工具：印象笔记、OneNote、Bear、语雀、Obsidian、Logseq、Heptabase，到现在用的 Notion 和 flomo 组合。
读了这本书，也研究了各种整理方法 PARA 诸如此类的奇技淫巧，突出的问题其实就一个：
整理成本大于写作成本。
很多时候我们要花很多时间去整理笔记，设计目录结构，为一篇新的笔记想好存放的路径，但是我们真正要用的笔记，好像又少之又少。
也就是说，大部分笔记没有"活"着，处于"深睡眠"状态。
卡片盒笔记法：让知识自己长出来
说到笔记整理，就不能不提尼克拉斯·卢曼的 Zettelkasten（卡片盒笔记法）。这位德国社会学家用这种方法写了70多本书、400多篇论文，核心思想是：
- 每个笔记只记一个想法
- 通过编号和链接让笔记之间产生关系
- 长期积累后，新的想法会"涌现"出来
但问题来了：手动维护这些链接和关系，是个大工程。卢曼能成功，靠的是几十年如一日的坚持。
现在我们有了 LLM，可以把这部分工作交给 AI。
Karpathy 的新思路：不需要 RAG，只需要 LLM
之前我们用 RAG（检索增强生成）做知识问答，需要切分文档、建立向量索引、配置检索参数。Karpathy 提出了一种新的、不需要 RAG 只需要 LLM 的方式。
核心就三个文件夹：
vault/
├── raw/ # 素材库，丢进去就行，不用整理
├── wiki/ # AI编译的结构化知识库
└── output/ # 你和AI的对话记录工作流三步走
摄入：把信息源丢到 raw/ 文件夹。通过 Obsidian Web Clipper 插件，可以一键保存文章、推文、论文甚至截图。
查询：直接问 AI，它会去搜索相关素材、引用、并综合为答案。好的答案可以存回 wiki，继续编译为结构化知识。
Lint：定期让 AI 对维基进行健康检查，发现矛盾素材、陈旧知识、孤儿页面和缺失的交叉引用。
实践：从零开始搭建 LLM 知识库
工具准备
- Obsidian（作为 vault 管理器）
- Claude Code 或 Codex 或 Kimi（LLM Agent）
第一步：创建 Obsidian Vault
打开 Obsidian，创建新的 vault，记住路径。
第二步：配置 LLM Agent
进入 vault 路径，打开你的 LLM Agent。Karpathy 提供了一个 schema 文件，告诉 LLM 维护结构化知识时需要遵循的工作流。
第三步：开始使用
- 把你觉得有用的文章、图片、笔记都丢进 raw/
- 让 AI 定期阅读这些素材，编译成 wiki/
- 需要什么知识，直接问 AI
- 好的问答结果，存回 wiki 继续沉淀
为什么这个方法有效
相比传统的笔记系统，LLM Knowledge Base 有几个优势：
| 对比项 | 传统笔记系统 | LLM Knowledge Base |
|---|---|---|
| 整理方式 | 手动分类打标签 | AI 自动编译 |
| 知识关联 | 人工维护链接 | AI 发现隐含联系 |
| 检索方式 | 关键词搜索 | 自然语言问答 |
| 维护成本 | 高，需要定期整理 | 低，AI 自动 Lint |
关键在于：把"整理"这件事外包给 AI。
你只管往里面扔素材，AI 会帮你建立知识之间的联系。好的问答结果还会回流到 wiki，形成正向循环。
定期"体检"：Lint 步骤不能省
很多人搭建完知识库就用起来了，忽略了 Lint 这个步骤。
定期让 AI 检查：
- 矛盾素材：同个主题有两篇观点相反的文章
- 陈旧知识：已被新研究取代的旧观点
- 孤儿页面：没有被任何其他页面引用的"孤岛"
- 缺失链接：应该有关联但没有建立的引用
这个步骤听起来麻烦，但其实 AI 可以自动完成大部分工作。
总结
Karpathy 的 LLM Knowledge Base，本质上是用 AI 替代了卢曼的卡片盒。区别在于：
- 卢曼需要手工维护卡片之间的链接
- 我们把这件事交给 LLM，让它来发现知识之间的联系
核心思路就一句话：不要花时间去整理笔记，而是把整理的工作交给 AI。
你只管输入，让系统自己"生长"。
