Karpathy LLM Wiki：让AI自动维护你的知识库

1. 学习目标

通过本文你将掌握：

• 理解 Karpathy LLM Wiki 的核心哲学
• 熟练使用 Ingest、Query、Lint 三大操作
• 在 Claude Code/Cursor/Codex 中安装和配置本技能
• 构建个人知识库并实现自动维护
• 解决实际使用中的常见问题

2. 背景与原理

2.1 Karpathy 的 LLM Wiki 理念

2026年4月，AI 大神 Andrej Karpathy 提出了一个简洁而强大的概念：

“The LLM writes and maintains the wiki; the human reads and asks questions.” （LLM 负责撰写和维护 wiki，人类只管阅读和提问。）

传统知识管理的问题在于：

• 人类需要手动整理、分类、维护大量笔记
• 知识随着时间碎片化，难以检索
• 跨文档的关联和引用难以维护

Karpathy 的解决方案是：让 LLM 成为知识库的管理者。人类只需不断向 wiki 注入知识（文档、链接、笔记），LLM 负责：

• 将源材料编译成结构化的 wiki 页面
• 建立文档间的交叉引用
• 维护统一的索引和目录
• 自动检测和修复断链、矛盾等问题

2.2 Agent Skills 标准

本技能遵循 Agent Skills 开放标准，这是一个跨平台的 LLM Agent 技能规范。只要工具支持 SKILL.md，就能使用本技能。

支持的工具：

3. 技术架构深度解析

3.1 目录结构

your-project/
├── raw/              ← 不可变源材料（只增不改）
│   └── topic/
│       └── 2026-04-03-source-article.md
├── wiki/              ← 编译后的知识（LLM 维护）
│   ├── topic/
│   │   └── concept-name.md
│   ├── index.md       ← 知识索引（一页目录）
│   └── log.md         ← 操作日志（只增）
└── .agents/
    └── skills/
        └── karpathy-llm-wiki/
            ├── SKILL.md
            └── references/

设计原则：

1. raw/ 只增不改：源材料是不可变的，任何人（包括 LLM）都不能修改 raw/ 中的内容。这确保了知识溯源。
2. wiki/ 由 LLM 维护：LLM 负责将 raw/ 中的源材料编译成结构化的 wiki 页面，并维护索引。
3. 日志追踪：每次操作都记录在 log.md 中，便于回溯。

3.2 三大操作详解

Ingest（摄入）

功能：抓取源材料 → 编译到 wiki → 更新索引和引用

触发方式：

"Ingest this article: https://example.com/attention-is-all-you-need"

内部流程：

1. Fetch：获取 URL 内容或直接接收文本
2. Store：将原始内容存入 raw/topic/YYYY-MM-DD-source-name.md
3. Compile：LLM 分析源材料，提取关键概念
4. Link：建立与现有 wiki 页面的交叉引用
5. Index：更新 wiki/index.md 索引

Query（查询）

功能：搜索 wiki 并回答问题，附引用来源

触发方式：

"What do I know about attention mechanisms?"

内部流程：

1. Search：在 wiki/ 中语义搜索相关页面
2. Synthesize：综合多篇文档内容生成答案
3. Cite：附上引用链接，指向具体 wiki 页面
4. Archive（可选）：将答案存档为新的 wiki 页面

Lint（检查）

功能：自动修复断链、索引缺口，报告矛盾和孤立页面

触发方式：

"Lint my wiki"

检查项：

3.3 Wiki 编译原则

LLM 编译 wiki 时遵循以下原则：

1. 概念优先：每个概念对应一个 wiki 页面
2. 引用驱动：页面间通过 [[WikiLink]] 互相引用
3. 摘要引导：每个 wiki 页面以简短摘要开头
4. 溯源可查：每个知识点都附上源材料引用

4. 安装与配置

4.1 环境要求

• Node.js >= 18（用于 npx）
• 支持 Agent Skills 的 LLM 编码工具（Claude Code / Cursor / Codex 等）

4.2 安装步骤

Claude Code：

npx add-skill Astro-Han/karpathy-llm-wiki

Cursor：

npx add-skill Astro-Han/karpathy-llm-wiki
# Cursor 会自动转换 SKILL.md 格式

Codex CLI：

# 手动复制技能到对应目录
mkdir -p ~/.agents/skills/karpathy-llm-wiki
git clone https://github.com/Astro-Han/karpathy-llm-wiki.git /tmp/karpathy-llm-wiki
cp /tmp/karpathy-llm-wiki/SKILL.md ~/.agents/skills/karpathy-llm-wiki/
cp -r /tmp/karpathy-llm-wiki/references ~/.agents/skills/karpathy-llm-wiki/

4.3 初始化项目

在项目根目录执行：

mkdir -p raw wiki

或让 LLM 自动初始化：

"Initialize my wiki structure"

5. 使用指南

5.1 摄入新知识

摄入 URL：

"Ingest this article: https://example.com/attention-is-all-you-need"

摄入本地文件：

"Ingest the paper at ./papers/transformer.pdf"

摄入笔记：

"Ingest my notes about RLHF from today's research session"

5.2 查询知识

基础查询：

"What do I know about attention mechanisms?"

带存档的查询：

"Research diffusion models and archive the findings"

跨领域查询：

"How does the attention mechanism relate to my notes on neural networks?"

5.3 维护 wiki

健康检查：

"Lint my wiki"

查看索引：

"Show me my wiki index"

查看最近更新：

"Show me my wiki log"

6. 开发扩展

6.1 自定义编译规则

在 references/ 目录添加自定义模板：

references/
├── templates/
│   ├── concept.md      # 概念页模板
│   ├── tutorial.md     # 教程页模板
│   └── reference.md     # 参考页模板
└── rules.md           # 编译规则

6.2 多语言支持

修改 references/lang.md 来自定义术语表和语言风格。

6.3 与其他技能集成

本技能可以与以下技能配合使用：

集成示例：

"Research the topic, ingest findings to wiki, then summarize for my memory"

7. 最佳实践

7.1 知识摄入习惯

• 频繁小量：不要等到积累大量笔记，每学到新概念就立即摄入
• 源材料完整：尽量摄入原始文档，而非摘要
• 标签规范：使用一致的主题标签

7.2 Wiki 结构管理

• 定期 Lint：每周执行一次 Lint my wiki
• 索引审查：每月检查 index.md 确保结构清晰
• 日志回顾：定期回顾 log.md 了解知识库演进

7.3 常见陷阱

8. FAQ

Q: raw/ 里的文件可以删除吗？

A: 可以，但不建议。raw/ 是不可变存储，删除后相关的 wiki 引用会变成断链。正确做法是执行 Lint my wiki 让 LLM 清理。

Q: wiki 页面可以手动编辑吗？

A: 可以，但不推荐。LLM 维护的 wiki 页面有其内部逻辑。如果必须手动编辑，确保遵循 references/templates/ 中的格式规范，并在 log.md 中记录。

Q: 如何迁移到新工具？

A: 只需迁移 raw/、wiki/、.agents/skills/ 目录，所有数据和配置都在其中。

Q: 支持离线使用吗？

A: 支持。本技能完全本地运行，不依赖任何云服务。

Q: 源材料支持哪些格式？

A: 支持 Markdown、纯文本、URL（会自动抓取内容）、PDF（需要额外处理）。

9. 总结

Karpathy LLM Wiki 技能将知识管理从手工劳动中解放出来，让 AI 成为知识库的管理者。通过 Ingest/Query/Lint 三大操作，我们可以：

• 持续积累：随时摄入新知识，不用担心碎片化
• 智能检索：用自然语言查询，附有引用来源
• 自动维护：LLM 自动修复断链、更新索引、报告问题

核心价值在于：知识是活的可执行的代码，而非静态的文档库。

🦞 每日08:00自动更新