为什么你的大脑越来越乱

不要再整理笔记了

为什么你的大脑越来越乱

作者：一只阿木木 | 数字大脑摆渡人 🌊

这篇文章，我只想讲一件事： 你一直在用错误的方式管理知识。 不是你的错——是整个时代给了我们一张过期的地图。

先问你三个问题

打开你的 Obsidian，或者 Notion，或者备忘录。

1. 你现在有多少条笔记/收藏？ 50 条？500 条？还是已经数不清了？

2. 你上周整理过它们吗？ 大概率没有。

3. 上个月你认真回看过其中哪条笔记，并把里面的知识真正用起来了？

如果你的答案是"好像没有"——

恭喜你，你正在经历这个时代最普遍的一种知识病：

收藏越多，越空虚。整理越勤，越焦虑。

我曾经也深陷其中。

直到我看见 Karpathy 的那份文件，我才第一次意识到：问题从来不是"你整理得不够好"，而是——整理这件事，本身就是一个错误的方向。

第一部分：你的焦虑，是系统设计的 Bug，不是你的缺陷

我和很多朋友聊过"知识焦虑"这件事。

大家的故事高度雷同：

"我用过 Evernote，后来觉得太乱，换 Notion。Notion 里建了好多数据库，又觉得太重，换 Obsidian。Obsidian 搞了双向链接、MOC、PARA……搞完感觉很爽，结果一个月后还是一团乱。"

你有没有这种感觉？

每换一个工具，都有一段蜜月期。然后，熟悉的失控感又回来了。

很多人会在这个时候自责：是我不够自律，是我没坚持，是我方法没学到家。

但我想告诉你一个不那么舒服的真相——

这不是你的问题。这是你一直在用一个有根本性缺陷的架构在管理知识。

这个缺陷叫做：维护成本随笔记量线性增长。

你有 50 条笔记时，整理起来轻松愉快。 你有 500 条时，开始感到压力。 你有 5000 条时，完全失控——打开软件本身就会产生焦虑。

不是工具不好，不是你意志力差。是这个架构的天花板，就是如此。

而在 AI 出现之前，这个天花板是无解的。

第二部分：PARA 已经是最好的答案了——但它解决的是上个时代的问题

在讲新的东西之前，我想先认真说一下 PARA。

Tiago Forte 的 PARA（Projects / Areas / Resources / Archives）是近十年来个人知识管理领域最重要的方法论之一。它第一次让普通人的笔记不再是一堆随机文本，而有了结构、意义和可操作性。

PARA 真的很好。我用了两年，它帮了我很多。

但 PARA 有一个无法回避的底层 Bug：

它的运转，依赖人类持续的手动维护。

你需要判断一条笔记属于 P、A、R 还是 A。 你需要定期把过期的 Project 归档进 Archive。 你需要在项目开始时整理 Resources，项目结束时再清理。

这些动作，在信息量可控的时候是优雅的流程。 但在 2026 年，一个普通知识工作者每天接触的信息量，已经远远超过了人类可以"手动维护"的边界。

10 人类已经尝试手动构建链接式知识库数十年（如卡片笔记法、Notion wiki、Obsidian vault），但人工维护的 wiki 最终无一例外地失败了——因为维护的负担——更新交叉引用、打标签、标记矛盾——增长的速度远远超过了它带来的价值。

这不是 PARA 的失败，这是人类手动维护系统的天花板。

而我们现在，第一次有机会打破这个天花板。

第三部分：Karpathy 的那个文件，悄悄改变了我看待知识的方式

2026 年 4 月初，我在 X（Twitter）上刷到了一条推文。

9 Andrej Karpathy 在推文里写道，他最近发现了一件非常有用的事：用 LLM 来为各种研究课题构建个人知识库。他描述的这种模式叫做「LLM Wiki」。这个想法本身并不复杂，但其中的转变意义深远：与其由你来维护知识库、偶尔向 AI 提问，不如让 LLM 替你构建并维护整个知识库。

这条推文，在两天内获得了 5.5 万个点赞，被转发了 6500 次。

不是因为他发布了什么新产品。

而是因为他说出了一件很多人隐约感觉到、但没人清晰讲出来的事：

我们一直在用 AI 做错事。

紧接着，10Karpathy 发布了一个 GitHub Gist，标题就叫「LLM Wiki」。它不是一个 App，不是一个代码库，也不是一个 SaaS 产品。它是一份「idea file」——一个设计用来直接粘贴进 Claude Code 或 OpenAI Codex 等 LLM agent 的概念性模式文件。

第四部分：大多数人把 AI 当搜索引擎用——这才是最大的浪费

在讲 Karpathy 的方案之前，我需要先解释清楚一件事：

你现在用 AI 的方式，很可能正在浪费 90% 的潜力。

1 大多数人使用 LLM 和文档的体验是 RAG：你上传一堆文件，LLM 在查询时检索相关片段，生成答案。这能用，但 LLM 每次都在从零重新发现知识。没有积累。

用一个生活化的比喻来说：

想象你有一个非常聪明的助手。 你每天把今天看的文章、听的播客、想到的灵感告诉他。 他帮你总结，给你答案。 但第二天，他把一切都忘了。 你再问同样的问题，他重新想一遍，给你一个略有不同的答案。

5 大多数 AI 知识工具今天都是无状态的。每次会话从零开始。你在一次对话里学到的东西，不会带入下一次。模型检索，回答，然后遗忘。明天问同样的问题，它从头重新构建答案。

这就是我们大多数人用 AI 的状态。

每次对话都是消费，没有一次是在建设。

6 Karpathy 的核心洞察是：单纯的检索不会产生复利。

第五部分：编译，而不是整理——一个改变一切的类比

现在，我来讲 Karpathy 真正的核心思想。

这个思想来自软件工程，但你不需要懂编程就能理解它。

当程序员写代码时，他写的是"源代码"（source code）——人类可读、机器无法直接执行的文本。

要让机器运行这段代码，需要一个步骤叫做编译（compile）：将源代码转化为机器可以直接执行的二进制文件。

编译这一步很费时间，但编译完成之后——你可以无数次、瞬间运行这个程序，不需要每次重新编译。

Karpathy 的问题是：为什么我们不用同样的方式对待知识？

你读的每篇文章、听的每段播客、记的每个灵感，都是源代码。

旧方式（RAG / 手动整理）：每次你需要某个知识，就重新去"执行源代码"——翻出原文，重新读，重新理解，重新总结。

新方式（LLM Wiki）：让 AI 把所有源代码，一次性编译成一个结构化的、相互链接的知识库。以后你直接调用这个编译好的知识库。

1 知识被编译一次，然后持续保持最新状态，而不是在每次查询时重新推导。这是关键区别：wiki 是一个持久的、复合增长的制品。

交叉引用已经在那里了。矛盾已经被标记了。综合分析已经反映了你读过的一切。

你不再每次从零开始。你站在所有过去积累的肩膀上。

第六部分：三层架构，一个餐厅老板都能看懂的类比

Karpathy 的系统有三层，听起来有点技术，但我保证你 3 分钟能理解。

用开餐厅来打比方：

第一层：/raw（食材仓库）

你每天去市场采购回来的新鲜食材。

你只管买，买完放进仓库，你不动它。这是你的 ground truth——食材的原始状态。

对应到知识系统：你每天看到的好文章、播客笔记、书籍摘录、灵感碎片。存进来，不修改。

1 原始素材——你策展的源文档集合：文章、论文、图片、数据文件。这些是不可变的——LLM 读取它们但永远不修改它们。这是你的真实来源。

第二层：/wiki（食谱库 + 菜单）

主厨（AI）把你仓库里的食材，研究出标准食谱，整理成菜单。

这份菜单是活的：每次仓库来了新食材，主厨会更新食谱，看看有什么新的搭配，标注哪些食材和哪些菜相互影响。

你负责读这份菜单，不负责写它。

1 Wiki 层——一个由 LLM 生成的 Markdown 文件目录：摘要、实体页面、概念页面、对比分析、综合概览。LLM 完全拥有这个层级。它创建页面，当新素材到来时更新它们，维护交叉引用，并保持一切的一致性。

第三层：/schema（烹饪标准手册）

这是主厨工作时遵守的规范手册： 食材怎么预处理？菜品怎么命名？发现两道菜之间有矛盾怎么办？每月需要对菜单做哪些审计？

这份手册，才是餐厅真正的核心资产。

别的餐厅可以买到和你一样的食材，可以雇到和你一样好的主厨——但他们复制不了你积累多年的那套烹饪标准。

6 Schema 层定义在 CLAUDE.md 中，它告诉 Claude Code 如何摄入素材、如何更新 wiki、如何维护索引，以及如何记录变更日志。

这就是整个系统：

text

你负责：好奇心 → 买食材（投喂素材到 /raw）
AI 负责：研发食谱（编译 /wiki）
你负责：制定标准（写 /schema）

1 你几乎不需要（或很少需要）自己写 wiki——LLM 负责写作和维护所有内容。你负责的是获取信息源、探索，以及提出正确的问题。LLM 承担所有苦活——总结、交叉引用、归档和记账，这些让知识库随时间真正有用的工作。

第七部分：这不是理论——Karpathy 的真实数据

我知道你可能在想："听起来很美好，但真的能用吗？"

我来告诉你 Karpathy 自己的结果。

8 Karpathy 的表述非常精确：他把很大一部分 LLM token 预算花在知识操作上，而不是代码生成上。这个系统是一个个人 wiki——一个相互链接的 Markdown 文件集合——由 LLM 在新素材加入时自主写作和维护。发帖时的成果：单个研究主题已经增长到大约 100 篇文章、40 万字——比大多数博士论文还要长——而 Karpathy 没有直接写其中一个字。

100 篇文章。40 万字。零字出于他手。

8 LLM 负责写作、链接、分类和一致性检查。这与 Notion AI 或标准摘要机器人的区别在于：这是一个主动的维护循环。LLM 不只是对文档做一次性总结——它在增量式编译一个结构化知识库，运行"健康检查"来检测不一致性，并在新概念出现时生成反向链接。

这就是为什么 Karpathy 说的不只是"用 AI 做笔记"——

6 新素材不仅仅是被存储，而是被综合进结构化页面，与现有概念相链接，对照既有知识进行更新，并被转化为一个不断生长的知识制品。这将个人知识管理从被动的笔记存储，转变为一个主动构建理解的系统。

第八部分：为什么这件事比你想象的更容易开始

说到这里，很多人会有一个反应："听起来好厉害，但我不懂代码，我搞不定。"

我要把这个顾虑消灭掉。

3 组织信息供模型读取，与组织信息供人类导航，是不同的——而且在很多方面更简单。关键区别在于：你的知识存在于你控制的文件里，而不是在某个专有系统中。

更具体地说：

3 一个 .md 文件就是一个文本文件。它可以在任何编辑器、任何操作系统上打开，永远可用。你不依赖任何公司继续运营，也不依赖任何 App 保持向后兼容。

你唯一需要的起点就是：

一个文件夹，几篇你喜欢的文章，和一个清晰的意图。

2 你可以直接对 Claude Code 说："我想请你阅读 Karpathy 的这份 idea file，帮我在这个目录里搭建一个 LLM Wiki。在你做任何事之前，先问我这个 wiki 是关于什么的，以及我打算投喂哪些素材。等我回答完，基于我的回答为我写一份 CLAUDE.md schema 文件。"

就这一句话，就能启动整个系统。

第九部分：我想诚实地告诉你，它也有局限

我不想只讲光明的部分。

2 LLM Wiki 模式有一个值得认真对待的批评：因为 LLM 将来源压缩为 wiki 页面，存在幻觉被固化为"事实"的风险。在纯 RAG 系统里，一个错误答案只是一个错误答案。但在 LLM Wiki 里，一个小误解可能会悄悄传播到关联页面。这正是 Karpathy 强调 Lint 步骤（定期审计）的原因。

这个问题真实存在，但有解法——我们在后续文章里会专门讲「数字大脑体检（Lint）」的操作手册。

另外，8Karpathy 将 schema 描述为"共同进化"的——他根据 wiki 的发展情况随时间不断精炼它。人类在这个系统里的主要编辑角色，不是写文章，而是写和优化指导 LLM 如何写文章的 schema。从这个角度想，知识库与其说是 LLM 的产物，不如说是 Karpathy 指令写作的产物——LLM 只是在大规模执行。

你的核心工作，从"整理笔记"变成了"设计编译规则"。 这是一种本质上的升级。

第十部分：今天就能做的第一步（三个级别）

好，理论讲完了。

我知道你现在可能有两种反应：

• 「哇，这个思路太对了，我要立刻开始！」
• 「有道理，但不知道从哪里下手……」

两种都正常。我给你三个级别的行动：

🟢 5 分钟版（今天，现在就做）

打开你的 Obsidian（或者任何一个文件夹），新建三个子目录：

text

/raw
/wiki
/schema

把你最近读过的 3 篇觉得"有价值但没用上"的文章，存成 .md 格式，放进 /raw。

不要整理，不要分类，直接扔进去。

就这样。感受一下"扔进去不管"的解放感。

🟡 30 分钟版（本周内）

写你的第一版 CLAUDE.md——告诉 AI，你这个知识系统是关于什么的，你希望它遵守什么规则。

（下一篇文章，我会给你一份可以直接使用的模板，以及完整的填写指南。）

然后打开 Claude Code，指向你的文件夹，说一句：

"请读取 /schema/CLAUDE.md，然后对 /raw 目录的所有文件执行 Ingest 操作。"

等着看第一个 /wiki 页面出现。

🔴 系统版（本月内）

加入我的「数字大脑共建计划」。

我会手把手带你，从零到一跑通完整的三层架构——从 PARA 迁移，到第一次 Ingest，到第一次 Lint 审计，到看着你的知识图谱开始真正生长的那一天。

最后，我想说一件事

你知道 Karpathy 最让我震惊的一个描述是什么吗？

在实践中，他一边打开 LLM agent，一边打开 Obsidian。LLM 基于他们的对话进行编辑，他实时浏览结果——跟随链接、查看图谱视图、阅读更新后的页面。「Obsidian 是 IDE；LLM 是程序员；wiki 是代码库。」

他不再是一个记笔记的人。他是一个知识系统的架构师。

这个转变不是技术上的——是认知上的。

你读完这篇文章，我希望你带走的不是一个新工具，而是一个新的自我定位：

你不是在整理信息，你是在设计一台越跑越聪明的知识机器。你负责好奇心，AI 负责苦活。你负责那个让两者连接的架构。

这，才是 AI 时代每个普通人真正该拥有的数字大脑。

下一篇预告：

我会手把手带你写你的第一份 CLAUDE.md——

那份文件，是你在 AI 时代，真正意义上属于你的数字资产。

不是你用过的某个 App，不是你花钱买的某个课程。

是你亲手写下的、指导你的知识编译器工作的规则——

它会比你的所有笔记加起来，更有价值。