新智元报谈

剪辑：犀牛

【新智元导读】Karpathy公开个东谈主常识不停新范式：让大模子把你的一切贵府「编译」成一部活的百科全书——RAG已死，东谈主类只需稳重想考。

就在这两天，AI圈又被一个东谈主引爆了。

不是Sam Altman，不是马斯克，是阿谁低调、却每次起初皆能掀起桌子的男东谈主——Andrej Karpathy。

此次他是作念了一件看起来更「朴素」的事情：把我方的常识不停相貌公开了。

就这？就这。

但「就这」，让悉数这个词开采者社区炸了锅。

他在X上唾手发的一条帖子，短短几天收成了1200多万次围不雅。

卡帕西背后的道理是：大模子的下一个战场，不是写更多代码，而是不停更多常识。

而他给出的决策，叫作念「LLM Wiki」——一种让大模子当你的全职常识管家、24小时不隔断整理、更新、自检个东谈主的全新范式。

GitHub上他附带的一份「宗旨文献」（idea file），不到12小时拿下超2100颗Star。

开采者Farza紧随其后，成功用这套想路，把我方2500条日记、札记和iMessage音讯，让大模子「编译」成了一个领有400篇结构化著作的个东谈主Wiki百科——Farzapedia。

一个给AI Agent用的、对于「你我方」的百科全书。

听起来科幻？但它一经在运行了。

LLM Wiki 到底是什么？

回忆一下你我方的日常：读了一篇好著作，保藏了；看了一篇论文，存了个PDF；开会记了一段札记，扔进了Apple Notes；在微信群看到一个可以的不雅点，截了个图……

然后呢？

然后就莫得然后了。

三天后你需要用到某条信息，翻遍悉数app、悉数文献夹，等于找不到。

要么是要津词想不起来，要么是存的所在太分布，要么干脆等于——铭记看过，但忘了在哪看的。

信息越多，大脑越乱；保藏越勤，渐忘越快。

这等于传统常识不停的死穴——它需要你继续花期间手动整理，而东谈主类天生懒得整理。

那AI能帮衬吗？自然能。

咫尺最主流的作念法叫RAG（检索增强生成）：把一堆文档切成碎屑，存进向量数据库，用户问问题的时候，AI去「搜」干系片断，强迫出谜底。

NotebookLM、ChatGPT的文献上传功能，本色上皆是这个门道。

RAG好不好用？能用，但不够好。

卡帕西一口谈破地指出了RAG的根柢问题：它每次皆在从零开动「重新发现」常识。

你今天问一个需要详细五篇论文智商恢复的问题，AI把碎屑翻了一遍给你拼了个谜底。未来你换个角度再问，它得重新翻一遍、重新拼一遍。

什么皆莫得积聚下来，什么也莫得设立起来。

用卡帕西的原话说：「莫得积聚。」（There's no accumulation.）

那他的决策是什么？

让大模子不是每次「搜」你的文献，而是把你的文献「编译」成一部活的百科全书。

这等于「LLM Wiki」的中枢想想。

LLM Wiki的完竣架构

卡帕西在GitHub Gist上公开了他的完竣构想。

自然他刻意写得比拟「抽象」——因为他以为在AI Agent时期，共享的应该是宗旨而非具体代码，让每个东谈主的Agent去笔据宗旨定制杀青——但整套系统的骨架其实绝顶明晰。

第一层：原始数据（Raw Sources）

等于你的素材库。论文、著作、代码、图片、数据集……裕如扔进一个raw/文献夹。

不需要你整理，不需要你分类，扔进去就行。

这一层是「不可变」的——大模子只读取，毫不修改。这是你的信息泉源、真相之本。

卡帕西保举用Obsidian Web Clipper浏览器插件，看到好著作一键转成Markdown，再用快捷键把图片一齐下载到腹地，确保以后网站挂了图也不会丢。

第二层：Wiki（The Wiki）

这是悉数这个词系统的中枢。

大模子读完raw/里的素材后，不是浅易地「索引」它们，而是主动地「编译」出一整套结构化的Wiki。

什么叫「编译」？

就像编译器把你的源代码变成可实施步履相通，大模子把你的「原始贵府」变成了一部可导航、可查询、相互援用的常识体系。

具体来说，大模子会作念这些事：给每篇素材写摘记，抽取要津想法，为攻击主题撰写放心著作，米兰体育app官网在不同页面之间设立反向并吞，真贵一个总索引文献（index.md），记录操作日记（log.md）。

你简直无用手动剪辑Wiki里的任何内容。

写著作的是大模子，打标签的是大模子，建并吞的是大模子。

用卡帕西我方的话说——Obsidian是IDE，大模子是步履员，Wiki是代码库。

第三层：司法文献（The Schema）

这是一份「诠释书」，告诉大模子这个Wiki如何组织、有什么限定、遭遇不真贵况该如何操作。

比如在Claude Code里是CLAUDE.md，在OpenAI Codex里是AGENTS.md。

这份文献由你和大模子「共同进化」——你用着用着发现什么司法好用就加上去，什么不好用就改掉。

四大操作：导入、查询、输出、自检

架构搭好了，日常如何用？

卡帕西给出了四个中枢操作。

操作一：导入（Ingest）

把新素材扔进raw/，告诉大模子：「处理这个。」

大模子读完之后，跟你筹议要津发现，然后写一篇摘记页，更新总索引，何况在悉数这个词Wiki中找到悉数干系的页面——可能是某个想法页、某个东谈主物页、某个对比页——一一更新。

一篇新素材可能会触发10到15个Wiki页面的联动更新。

卡帕西个东谈主心爱一次导入一篇素材，边导入边看大模子写的摘记，确保标的对了。

自然你也可以批量导入，连气儿扔100篇论文，让大模子我方冉冉消化。

操作二：查询（Query）

一朝Wiki积聚到一定例模，你就可以对着它问多样复杂问题了。

卡帕西我方的一个连续Wiki攒了大约100篇著作、40万字。他本以为这个边界得搞一套复杂的RAG才行——收尾发现根柢不需要。

为什么？

因为大模子浅薄把索引文献和摘记真贵得很好，它先读索引，找到干系页面，再钻进去细看。

40万字的边界，草率嘱咐。

而且查询的输出款式不限于笔墨——可以是Markdown著作，投注平台可以是Marp款式的幻灯片，可以是matplotlib图表，任何你想要的可视化体式。

操作三：回填（File Back）

这是最精妙的一步：把查询收尾存回Wiki。

你问了一个对比分析的问题，大模子给了你一份精彩的恢复——这份恢复本人亦然有价值的常识。

卡帕西的作念法是把这些输出「存档」回Wiki，让它成为Wiki的一部分，供畴昔的查询使用。

你的每一次发问，皆在让常识库变得更丰富。用的越多，它越灵巧。

这不是奢侈，是投资。

操作四：自检（Lint）

如期让大模子给Wiki作念一次「体检」。

查验什么？数据不一致的所在；新素材推翻了旧论断的所在；有援用但莫得放心页面的攻击想法；孤独的、莫得任何并吞指向的页面；通过收集搜索可以补全的信息空白。

这让悉数这个词Wiki不仅保抓健康，还在继续助长。

VentureBeat对此有一个精彩的评价：「这就像一个能自我成立的活常识库。」（It acts as a livingAIknowledge base that actually heals itself.）

到这里，你会发现卡帕西作念出来的东西，跟传统常识库完全不是一趟事了。

传统常识库是一个需要你继续喂养的存储用具，而LLM Wiki是一个自运行的常识引擎——大模子稳重整理、更新、自检、助长，东谈主类只需要作念一件事：想考。

Farzapedia：当你的一世被「编译」成百科全书

若是说卡帕西给出了表面框架，那开采者Farza等于第一个把这套表面「跑通」的东谈主。

Farza作念了一件听起来有点豪恣的事：他把我方的2500条日记、Apple Notes札记和部分iMessage对话一齐喂给了大模子，让AI从中「编译」出了一部对于他我方的个东谈主Wiki百科——Farzapedia。

这部「百科全书」包含400篇醒目著作，粉饰了他的一又友们、他创办过的公司、他的连续领域、甚而他最爱的动漫以及这些动漫对他的影响。

每篇著作皆带有反向并吞，酿成了一个完竣的常识收集。

但最要津的小数是——Farzapedia不是给Farza我方看的，是给他的AIAgent用的。

悉数这个词Wiki的结构和并吞相貌，自然允洽Agent爬取。

Farza用Claude Code通达这个Wiki，Agent从index.md（总目次）开动，可以像蜘蛛相通顺着并吞一层层钻到它需要的具体页面。

举个例子：Farza在联想一个新项狡计落地页，他问Agent：「我最近有什么影响了我审好意思的电影和图片？帮我找找灵感。」

Agent如何作念的？

它在Wiki里找到了Farza的「玄学」著作——那边记录了他看一部吉卜力记录移时的札记；找到了「竞品分析」著作——内部有他截图保存的YC公司落地页；甚而翻出了他几年前存的1970年代披头士乐队相近商品的图片。

收尾Agent给出了一份极其精确、极其「懂他」的创意决策。

Farza坦言，他一年前用RAG搭过肖似的系统，但体验很差。

而基于文献系统的常识库，让Agent通过它真的分解的目次结构去查找信息，恶果天差地别。

而Farzapedia最神奇的所在在于——它是「活」的。

当Farza往Wiki里添加新内容（一篇著作、一张灵感图、一份会议纪要），系统会自动判断这条新信息应该归入哪2到3篇已有著作，或者干脆创建一篇新著作。

用Farza的譬如：「它就像一个超等天才文籍不停员，专诚不停你的大脑——它恒久在帮你把东西归到最合适的位置，而且它从不疲钝。」

权利归你

卡帕西在转发Farzapedia时，用了一段话来弘扬他为什么如斯珍贵这种常识不停相貌。

这段话值得仔细试吃，因为它显现了一种对于「AI时期个东谈主数据主权」的深层想考。

他归纳了四个中枢上风：

第一，显式（Explicit）。你的常识不是藏在某个AI的「隐式记挂」里——那种你看不见、摸不着、也不知谈它到底记了什么的黑箱。Wiki是显式的、可导航的，你可以清皎鲜明看到AI知谈你什么、不知谈你什么，可以检视和不停这份「记挂成品」。

第二，你的（Yours）。数据就在你的腹地电脑上，不在某个AI厂商的云表系统里。你不需要牵记「我的数据被谁拿去考研了」，也无用惊骇「若是哪天换了AI就业商，我的记挂还能不行带走」。

第三，文献优于诳骗（File overApp）。悉数这个词常识库等于一堆Markdown文献和图片——最通用的款式。任何用具皆能读取它们，任何Agent皆能操作它们，你可以用Obsidian看，也可以我方写个界面来看。这叫「互操作性」。

第四，自带AI（BYOAI - Bring Your Own AI）。你想用Claude就用Claude，想用Codex就用Codex，想用开源模子就用开源模子。甚而你可以把Wiki当考研数据，微调一个「打从权重层面就闭塞你」的专属AI。AI厂商之间的竞争？让他们卷去，你只管挑最佳的用。

卡帕西的回想很干脆：这种个性化决策把你放在了完全的限定位上。数据是你的，款式是通用的，内容是透明的。用哪个AI随你挑，让AI公司们保抓垂死吧！

常识的「编译时期」来了

回头看卡帕西的LLM Wiki，你会发现它的精神内核其实并不新。

1945年，好意思国科学家Vannevar Bush在那篇驰名的论文《As We May Think》中，就忽视过一个叫「Memex」的构想——一个个东谈主化的、抓续策展的常识存储系统，文档之间由「关联陈迹」（associative trails）并吞起来。

Bush以为，文档之间的并吞和文档本人相通有价值。

这个宗旨比互联网还早了半个世纪。

其后，互联网如实杀青了文档的并吞，但走向了全球化、碎屑化，而非个东谈主化、结构化。

Bush昔时没能惩处的问题只好一个：谁来作念真贵？

咫尺，大模子惩处了这个问题。

卡帕西的决策，本色上是对Bush的Memex作念了一次「当代编译」：AI稳重悉数无聊的真贵责任——更新友叉援用、保抓摘记最新、发现新旧数据的矛盾、真贵几十上百个页面之间的一致性。

东谈主类之是以废弃真贵常识库，不是因为不想，而是因为真贵本钱增长得比价值更快。

大模子放置了这个瓶颈。

咱们正在目击一个新范式的出身——从「AI搜索信息」到「AI编译常识」。

在这个范式里，大模子不再仅仅一个你问什么它答什么的「搜索引擎」，而是一个抓续运转的「常识编译器」。

你的东谈主生资历、责任素材、阅读记录、灵感碎屑，皆是它的「源代码」。

而它的产出，是一部只属于你的、恒久在助长的、从不渐忘的「第二大脑」。

东谈主类稳重想考，AI稳重记着。

这可能是大模子最「朴素」、却也最真切的一个诳骗标的。

不炫技，不烧钱，不需要百万Token的凹凸文窗口，不需要复杂的向量数据库——等于一堆Markdown文献，加上一个费事的AI文籍不停员。

1945年，Vannevar Bush只可把Memex画在纸上。

2026年，你可以把它跑在你的札记本电脑上了。

畴昔已来。

参考贵府：

https://x.com/karpathy/status/2040470801506541998

https://x.com/karpathy/status/2039805659525644595

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

• 引爆
• 公开
• 真钱投注app平台
• 硅谷
• 卡帕