IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
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。
Claude Code 的“使用说明书”——系统化的技能、代理、命令最佳实践
Claude Code Best Practice 是一套围绕 Claude Code 构建的开源工具体系，定位为 Claude Code 的“使用说明书”，提供系统化的技能、代理、命令最佳实践。它旨在解决 Claude Code 功能丰富但官方文档分散、缺乏“什么场景用什么方案”决策指导的问题。项目采用 Commands → Agents → Skills 三层编排，简单任务用 Commands，复杂任务用 Agents，可复用能力用 Skills；并采用 Best Practice + Implementation 双轨制，每个功能都有最佳实践文档和实际实现代码。项目汇集了 Everything Claude Code、Superpowers、Spec Kit 等社区顶级方案，提供场景驱动、对比矩阵式的决策指导，帮助开发者降低学习曲线，提升功能利用率。