你一直在「问」AI 问题，但真正聪明的人在让 AI 替你建一本「永久不会遗忘的书」

你一直在「问」AI 问题，但真正聪明的人在让 AI 替你建一本「永久不会遗忘的书」

把 AI 当搜索引擎用的人，正在错过 AI 最值钱的能力

我先给你看一组数字。

ChatGPT 每天处理超过 20 亿次查询，用户每天发送 25 亿个提示词。

这是一个让人头皮发麻的规模。

然后我问你一个问题：

在你发出的那些提示词里，有多少产生了「超过当次对话」的价值？

换句话说——你关掉对话窗口之后，那些答案去哪了？

如果你和大多数人一样，答案是：消失了。

你问它「帮我解释一下 Transformer 架构」，它解释了，你看了，你觉得懂了，然后你关掉了窗口。

下次你在写文章，需要再次引用这个概念，你又打开一个新窗口，重新问了一遍。

再下下次，又是一样。

每一次，AI 都从零开始给你解释。每一次，你都从零开始学习。没有任何东西在积累。

大多数人使用 LLM 的方式是这样的：上传一些文件，LLM 在查询时检索相关片段，然后生成答案。这能工作，但 LLM 每次都在从零开始重新发现知识。没有任何积累。

这不叫「使用 AI」。这叫「租用 AI 的短期记忆」。

而租来的东西，永远不会变成你的资产。

一、一个安静改变了认知的时刻

2026 年 4 月初，一个人发了一条推文，然后发布了一份 GitHub Gist。

没有发布会，没有产品，没有融资新闻。就是一个 Markdown 文件，描述了他最近发现很有用的一种工作方式。

Andrej Karpathy——OpenAI 联合创始人、前特斯拉 AI 总监、当今最清晰的机器学习概念阐释者之一——公开谈到了一个看似简单的想法：你的个人笔记和文档，用纯 Markdown 格式组织，可以变成一个 LLM 能够真正在其上推理的知识库。他把它叫做 LLM Wiki。他描述的这个模式叫做「LLM Wiki」。这个想法很简单，但转变是深刻的：不是你维护一个知识库，偶尔向 AI 提问，而是让 LLM 替你构建和维护整个知识库。

这条推文在 AI 社区里悄然引爆。

不是因为它描述了一个复杂的技术突破，而是因为它精准命中了一个所有人都有过但没能说清楚的感受：

我用 AI 用了这么久，为什么感觉什么都没有积累下来？

二、两种用法，一百倍的差距

让我用一个具体的例子，把这个差距说清楚。

假设你对「AI 产品设计」这个领域感兴趣。

用法 A（你现在的用法）：

今天你看到一篇关于 AI 产品设计的好文章。你觉得「这个值得记一下」，于是复制了几段话存进 Notion，或者直接关掉了。

明天你看到另一篇，也是一样的处理。

三个月后，你有了 20 篇「值得记一下」的东西，分散在 Notion 的某个角落、浏览器书签里、Obsidian 的 Inbox 里。

当你需要写一篇关于 AI 产品设计的文章，你打开 ChatGPT，从零开始告诉它你的思路，它给你一个通用的框架，你觉得差点意思，但你也不知道问题出在哪里——因为你三个月前读过的那 20 篇文章，没有留下任何可以用的知识结构。

用法 B（Karpathy 在用的方法）：

同样是今天，你看到那篇关于 AI 产品设计的好文章。你把它存进一个叫 raw/ 的文件夹，然后告诉 AI：「把这篇文章编译进我的 AI 产品设计 Wiki」。

AI 读取这篇文章，提取核心概念，在 Wiki 里创建或更新相关页面，和已有的页面建立连接，标记与已有观点的矛盾。

三个月后，当你需要写那篇文章，你打开 AI，说：「基于我的 Wiki，帮我梳理 AI 产品设计的核心框架」。

它不是在给你一个通用答案。它是在你三个月读过的 20 篇文章的基础上，给你一个属于你的、有来源可追溯的、反映了你真实认知深度的答案。

这就是「问问题」和「编译知识」的区别。

前者，AI 是一个随用随弃的工具。

后者，AI 是一个不断积累价值的「知识编译器」。

LLM 是一个编译器，不是对话伙伴。你给它原始材料，它产出结构化知识。输出是你永远拥有的纯 Markdown 文件。

三、「编译」这个词，为什么那么重要

我需要在这里停一下，认真解释「编译」这个词。

因为理解它，是理解这整套思维方式的关键。

你可能学过，或者听说过，编程里有一个步骤叫「编译」。

程序员写的是人类可读的源代码——逻辑清晰，但电脑看不懂。编译器的工作，就是把这个源代码翻译成机器可以直接执行的二进制文件。

你不需要每次运行程序都重新编译。编译一次，永久可用。

你不需要每次想运行程序的时候都重新编译源代码。你编译一次，变成一个可以运行的文件，然后直接运行它。Karpathy 说：用同样的方式对待知识。你的 PDF 和笔记是源代码。Wiki 是编译后的文件。

当你用 AI 「编译」知识，发生的事情是：

1. 你把原始资料（文章、论文、书摘、会议记录）扔进去
2. AI 读取所有内容，提取概念，建立页面，连接关系，标记矛盾
3. 产出是一个持久化的、互相连接的 Markdown 文件集合
4. 下次你需要这些知识，不需要重新处理原始材料——直接问 Wiki

Karpathy 描述的是一个持久的、由 LLM 维护的 Wiki，它存在于你和原始文档之间——合成一次，然后随时间更新，而不是每次提问都重新计算。「Wiki 是一个持久的、复利增长的制品。交叉引用已经就位。矛盾已经被标注。合成已经反映了你读过的所有内容。」这才是真正的转变。

用一个更日常的类比来说明：

RAG（大多数人的用法） 就像你每次做饭，都要重新从菜地里去找食材，洗干净，切好，再开始烹饪。

Wiki 编译 就像你有一个备好的食材库——洗好的、切好的、分类放置的。每次做饭，直接取用，省去了 80% 的准备时间。

而且食材库会自动补货、自动更新、自动把相似的食材放在一起。

四、Karpathy 的知识库，长什么样

我知道你现在可能想问：「这到底在实际操作中是什么感觉？」

让我描述一下 Karpathy 自己的系统是怎么工作的。

Karpathy 的工作流很简单：收集——把原始文章、论文和图片存入一个文件夹。他使用一个叫 Obsidian Web Clipper 的浏览器扩展。当他发现一篇有趣的文章，点击一下按钮，文章就以文件形式保存到他的电脑上。他还特意下载文章中的图片到本地，因为他希望 AI 能够「看到」图表和图示，而不只是读文字。 一旦数据进入 raw 文件夹，魔法就发生了。Karpathy 用 LLM 充当编译器。就像编译器把原始代码转化成可运行的程序一样，AI 把这些凌乱的原始文件「编译」成一个 Wiki。

AI 具体做了什么？每次你添加一个新文档，LLM 不只是对它进行索引。它读取文档，提取关键信息，更新已有页面，修订摘要，标注矛盾，并强化交叉链接。Wiki 是一个持久的、复利增长的制品。

结果是什么？Karpathy 当前的研究 Wiki 相当大，约有 100 篇文章，约 40 万词——大约是 4 到 5 本长篇小说的长度。因为 AI 帮助构建了这个 Wiki，它对里面的信息了如指掌。Karpathy 可以问它复杂的问题，比如「概念 A 和概念 B 之间有什么联系？」

他没有亲自写过 Wiki 里的一个字。

他只是持续往 raw/ 文件夹里扔东西。

五、复利，是这件事真正值钱的地方

让我来描述一个东西的生长过程。

第一周： 你往 raw/ 文件夹里放了 5 篇关于「大语言模型」的文章。AI 编译后，Wiki 里有了 8 个页面——Transformer、Attention 机制、训练数据、模型对齐……每个页面都引用了具体的来源。

你问 AI：「什么是 RLHF？」

它从 Wiki 里找到答案，有出处，有具体文章支撑。比任何通用回答都更精准、更贴近你读过的东西。

第一个月： 你继续往里扔东西，Wiki 增长到了 40 页。

现在有意思的事情开始发生了——

AI 读取每一个来源，写摘要页，为关键人物和概念创建页面，并将所有内容交叉引用。

你问一个你没有明确「记录过答案」的问题：「GPT-4 和 Claude 在对齐方法上有什么根本区别？」

Wiki 里没有一篇文章直接回答了这个问题。但 AI 从 3 篇不同的文章里综合出了答案，带着具体的来源引用。

你感觉到了一种奇怪的东西——系统知道的，比你明确存进去的，多了一些。

三个月后： Wiki 有了 150 页，成为了你在这个领域的「知识网络」。

你问：「基于我读过的所有内容，这个领域最大的悬而未决的问题是什么？」

AI 扫描整个 Wiki，找到不同来源之间的张力和空白，给出一个你自己阅读时从未明确想到过的答案。

这不是 AI 聪明了。这是你的知识在复利。

目标不是「AI 文档」，目标是一个 AI 原生的工作流，让知识不断复利而不是不断衰减。

六、和 RAG 的根本区别

你可能听说过 RAG——检索增强生成，很多 AI 工具都在用这个技术。

有人会问：「这不就是 RAG 吗？有什么区别？」

区别是根本性的。

RAG 是每次重新计算：

你问一个问题 → AI 实时搜索你的文档 → 找到相关片段 → 生成答案

每次问同一个复杂问题，AI 都要重新搜索、重新综合、重新计算。计算成本高，而且质量不稳定——它「发现」的连接，取决于当次搜索的运气。

Wiki 编译是一次处理，永久使用：

你添加新文章 → AI 一次性编译，更新 Wiki → Wiki 里的页面已经包含了综合、连接、矛盾标注 → 你提问时，AI 查询的是已经处理好的结构化知识，不是原始文档

LLM Wiki 模式的核心是：不反复问 LLM 同样的问题，也不每次都做 RAG，而是将知识一次性编译进互相连接的 Markdown 文件，并保持更新。

用编程类比：

RAG 是每次运行都重新编译源代码。

Wiki 是编译一次，运行一万次。

还有一个更微妙的区别：质量不同。

RAG 的检索基于相似度——找「语义上最像问题的片段」。

Wiki 编译是主动综合——AI 在处理每篇文章时，已经主动建立了概念之间的关系、标注了矛盾、创建了连接。当你提问时，它调用的是已经「思考过」的结构，而不是「相似度最高的原文片段」。

LLM Wiki 是针对模型代表你阅读而优化的。这个转变改变了你组织信息方式的一切。

七、一个让我沉默了几分钟的时刻

我想跟你描述一个具体的时刻。

大约在我运行这个系统三个月之后，我往 AI 问了一个问题：

「基于我在 ai-ml 这个 Wiki 里存的所有内容，你认为我对这个领域理解最深的部分是什么？理解最浅的是什么？」

它回答了。

「理解最深」的部分，和我自己的判断基本吻合。

「理解最浅」的部分，让我愣了一下——它指出了一个我确实知道自己没怎么涉猎的方向，但我从来没有明确意识到「这是一个系统性的空白」。

然后它说：「你存入的关于这个方向的文章只有 2 篇，但你存入的关于其他方向的文章平均有 15 篇。」

我没有告诉它怎么评估我的学习深度。它从 Wiki 的结构里，自己推导出来的。

这就是 Karpathy 所说的「知识复利」的具体感受——系统开始呈现你自己都没有明确意识到的模式。

这就是 Karpathy 所说的「知识复利」的含义。

八、两个常见的误解，我需要先打破

在你开始之前，有两个误解会让你走弯路：

误解一：「这听起来像是给研究员用的，我又不是 Karpathy」

我理解这个感觉。看到 Karpathy 的名字，很容易觉得「这是大神的玩法，和我没关系」。

但实际上，你不需要是研究员，也不需要读论文。

你收集原始来源。文章、论文、书摘、播客摘录，任何东西。你把它们扔进一个文件夹。然后你告诉 LLM 去「编译」它们。

你存进去的可以是：你关注的创业者写的文章、你看过的 YouTube 视频的摘要、你读过的书的画线段落、你和朋友对话后记下的想法……

只要是你觉得「这个有价值，我以后可能会用到」的东西，都可以进入这个系统。

你感兴趣的任何领域——烹饪、投资、育儿、写作、健身——都可以有一个对应的 Wiki。

误解二：「我已经在用 Notion/Obsidian 存文章了，这不是一样的吗？」

不一样。差别在于谁在做「理解」的工作。

你存文章进 Notion，你是在「保存原始材料」。

当你需要用到这些材料时，理解、综合、提取要点的工作，还是你自己来做。

Notion 只是一个高级书签管理器，它帮你找到文章，但它不帮你「消化」文章。

Wiki 编译系统的核心不是「存储」，是「消化」。

AI 在编译的时候，已经替你做了理解工作——提取概念，建立连接，发现矛盾。你以后不是在找一篇文章，而是在查询一个已经被消化过的知识结构。

这个区别，意味着你调用知识的速度和质量，完全不同。

九、这套系统，现在在哪里

我需要诚实地告诉你这套系统目前的状态。

Karpathy 指出，目前这还是一个「粗糙的」脚本集合。但他相信这里存在一个巨大的机会，等待有人构建一个能让所有人都能轻松使用的完善产品。

现在，这个机会已经开始被填补了。

Karpathy 的 llm-wiki gist 值得认真研究——不反复向 LLM 提同样的问题，也不每次都做 RAG，而是让它维护一个随新来源不断改进的持久 Wiki。目前最成熟的技术组合是：用 Obsidian 作为界面，Claude Code 作为 Agent，加上 Obsidian CEO Steph Ango 发布的 Obsidian Skills 集合——教会 Claude 如何用 Obsidian 的原生语言写作。

你不需要会编程。你需要的，只是愿意尝试一种完全不同的「使用 AI」的方式。

十、但这里有一个问题，Karpathy 没有解决的

读到这里，你可能已经开始想象自己的 Wiki 了。

「我可以建一个关于 AI 产品设计的 Wiki！」

「我可以建一个关于个人投资的 Wiki！」

「我可以建一个关于……」

等一下。

如果你只是建一个专题 Wiki——关于某个领域的专业知识——这套方法完全够用。

但现实是，你要管理的不只是一个专题的知识。

你还要管理：

• 工作里的 4 个并行项目
• 下周要交的 3 个任务
• 妈妈叮嘱你去办的那件事
• 你感兴趣的 5 个不同领域的学习材料
• 你认识的 200 个人的背景和你们的互动历史
• 你的健康记录、财务状况、家庭事务……

把所有这些都扔进同一个 LLM-Wiki——你的 Wiki 会被「明天下午 3 点牙医」淹没，变成一个没法用的噪声库。

但如果你为每一个方面单独建一个 Vault——你又回到了第一篇说的那个问题：切换太麻烦，系统碎片化。

这，就是 Karpathy 的方案没有解决的那个矛盾。

他描述的是「知识编译器」。但你需要的，是一个「人生操作系统」。

前者管理知识的深度，后者管理生活的宽度。

你同时需要这两者。

那么，有没有一种方法，能让这两者在同一个系统里共存？

让 LLM-Wiki 专注于编译你真正需要深度的专业知识，同时有另一个结构来管理你生活的方方面面，中间用 AI 自动判断什么该进哪里？

有。

这套系统存在，它是可以搭建的，它已经在我的 Vault 里跑了将近一年。

下一篇，我们来讲清楚它的设计逻辑——

不是告诉你「用什么工具」，而是先告诉你「用什么框架看待这个问题」。

因为框架对了，工具的选择就会变得显而易见。

在你关掉这篇文章之前，我想问你一件事：

你现在用 AI 最多的三个场景是什么？

在评论里告诉我。

我想知道：在你日常的那些对话里，有多少是可以被「编译」成持久价值的，有多少是真的一次性的。

这个答案，会帮助你判断——你的哪些信息，值得进入 Wiki，哪些根本不应该。

下一篇：《把「买牛奶」和「机器学习论文」放在同一个 vault 里——这才是你信息管理崩溃的真正原因》