IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
找到 2 个项目
清除筛选以下内容已由 AI 根据历史资料整理，供本地测试，未经人工复核。
以 LLM 为知识编译器的个人知识库构建方法
本条目整理自一份关于 Andrej Karpathy 个人知识库构建方法的技术拆解报告。报告指出，Karpathy 于 2026 年 4 月公开分享了一套基于 LLM 的知识库构建方法，其核心是从“操作代码”转向“操作知识”，将 LLM 视为知识库的核心引擎。系统采用五层架构：数据摄取层将网页、论文、代码等原始数据统一收集到 raw/ 目录；知识编译层由 LLM 将原始数据“编译”为结构化的 Markdown Wiki，包括摘要、概念文章、反向链接和索引文件；查看与浏览层使用 Obsidian 作为前端；问答层通过 LLM Agent 检索知识库并生成结构化回答；维护层通过 LLM 健康检查确保知识库一致性。报告强调，在约 40 万词的规模下，LLM 可以自动维护索引，无需传统 RAG 组件。每次查询的结果会回写知识库，实现增量增强。
让 LLM 成为知识库的编译器和维护者，实现知识的持续积累与复利增长
LLM Wiki 是 Karpathy 于 2026 年 4 月提出的一种用 LLM 构建和维护个人知识库的方法论。其核心主张是不再把 LLM 当作临时问答工具，而是让它成为知识库的编译器和维护者，像程序员维护代码库一样，持续读取源材料、写入 Wiki 页面、更新交叉引用、标记矛盾。该方法论横跨个人知识管理、LLM 应用范式和知识编译三个领域，旨在解决传统 RAG 模式没有知识积累、无法发现矛盾、无法跨文档综合、查询结果无法沉淀以及人类维护负担过重等痛点。其核心思想是让 LLM 成为知识库的编译器和维护者，而非临时检索引擎。底层基于三层架构：Raw Sources（原始源材料）、The Wiki（知识库）和 The Schema（配置规范），并通过 Ingest（摄入）、Query（查询）、Lint（健康检查）三个核心操作实现知识的增量编译和持续维护。该方法论适合长期深度研究、个人知识管理等场景，但存在 Token 消耗高、冷启动成本高、幻觉风险等局限。