Karpathy 的新想法：用 LLM 给自己建一个会自我生长的个人知识库。
大多数人用 AI 处理文档的方式都是 RAG——把文件上传，提问时检索相关片段，生成答案。
这能用，但有个根本问题：每次提问，AI 都在从零开始重新发现知识。没有积累，没有沉淀。问一个需要综合五篇文章的问题，它每次都要重新拼。NotebookLM、ChatGPT 文件上传、绝大多数 RAG 系统，本质都是这套逻辑。

Karpathy 的想法完全不同，他叫它 LLM Wiki。
1. 核心思路——知识库是编译过的，不是每次现查的
不是把文档丢给 AI 等它检索，而是让 AI 主动维护一个结构化的 wiki——一组互相链接的 markdown 文件。
每加入一篇新文章：AI 读它、提取关键信息、更新相关词条页面、标注新内容和旧内容的矛盾、把综合的结论写进去。知识编译一次，持续更新，不是每次查询都重来。
本质上是：知识在 wiki 里复利增长，而不是在对话里一次性消耗。
2. 三个组成部分
1）Raw Sources（原始文档）：你收集的所有原始资料，AI 只读、不改，是知识的源头
2）Wiki（AI 维护的知识库）：结构化的 markdown 文件集合，AI 全权负责写和更新
3）Schema（规则文件）：告诉 AI 这个 wiki 怎么组织、什么格式、什么工作流——是整个系统的配置文件，放在 CLAUDE.md 或 AGENTS.md 里

3. 三个核心操作
1）Ingest（摄入）：丢进一篇新文章，AI 读、讨论、写摘要、更新10-15个相关词条
2）Query（查询）：问问题，AI 查 wiki、综合答案——好的答案可以直接存回 wiki，让探索的成果沉淀下来
3）Lint（维护）：定期让 AI 检查 wiki 健康状态——找矛盾、找孤岛页面、找缺失的交叉引用

Karpathy 还提了一个新概念——「Idea File」
他说：在 LLM Agent 时代，分享"具体代码/应用"的意义越来越小，因为每个人的 agent 都能自己把想法落地。更有价值的是分享想法本身——一个抽象的 idea file，把核心模式讲清楚，剩下的让你自己的 agent 根据你的需求定制实现。
这个 gist 本身就是一个 idea file 的示范：没有具体代码，只有模式描述，然后让你扔给自己的 agent 去落地。

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

#HOW I AI# #程序员#