AI大牛Andrej Karpathy最近公布了一套用大模型自动管理知识库的高效方案。这套四步法通过LLM自动编译原始资料、构建结构化Wiki、自然语言交互和知识库体检，实现了近乎全自动的知识管理。从论文到代码库，40万字材料都能自动维护更新，还能生成幻灯片和交互式内容，堪称数字时代的研究神器。

前 OpenAI、特斯拉 AI 总监 Andrej Karpathy 最近在 X 上分享了一套用大模型管理个人知识库的实战方法。他的某个研究主题知识库已经积累了 100 多篇文章、约 40 万字，全部 Markdown 格式，基本由 LLM 自动维护。

这个方案没有什么高深技术，核心就四步。

第一步：建 raw/ 原料库

把所有原始资料——论文、文章、代码仓库、图片——统一丢进 raw/ 文件夹。网页文章用 Obsidian Web Clipper 插件一键转成 Markdown，图片也要下载到本地（LLM 读图能力现在很强，别浪费）。

第二步：让 LLM “编译”知识

Karpathy 把这一步叫做 compile。就是让 LLM 读完 raw/ 里所有内容，自动生成一套结构化的 Wiki：每份原始资料有摘要和反向链接，核心概念单独成文，目录和交叉链接自动建好。

增量更新也很简单——新加一篇文档，跟 LLM 说”把这个归档进 wiki”，它自己知道放哪、怎么改现有文章。整个过程几乎不需要手动编辑。

前端用 Obsidian 打开整个文件夹，raw/ 原始资料和编译后的 wiki 同时可见，Marp 插件还能直接把内容生成幻灯片。

第三步：用自然语言提问

知识库积累到 100 篇左右之后，效果就出来了：可以直接问复杂问题，LLM 会自己去 wiki 里检索、交叉验证，再综合给出答案。

不需要搭 RAG，LLM 自己维护索引文件和摘要，在上下文窗口里就能读完关键内容。输出格式也很灵活：Markdown、Marp 幻灯片、Matplotlib 图表，甚至带交互的 HTML 都行。这些输出还可以直接丢回 wiki 继续积累，形成正向循环。

第四步：让 LLM 给知识库”体检”

LLM 还能做健康检查：找出矛盾数据、补全缺失信息、发现新关联，甚至推荐下一步研究方向。Karpathy 还顺手用 vibe coding 搭了个简单搜索引擎，既能自己用网页版查，也能作为工具让 LLM 处理更复杂的多跳查询。

整套流程用一句话概括：

raw/ 原始资料 → LLM 自动编译成 Markdown Wiki → CLI 工具问答 + 增量更新 → Obsidian 可视化

几乎不用手动写字，LLM 充当知识管家。

Karpathy 本人也说，这套方案目前还是”脚本堆积”的 hack 状态，但方向非常清晰——让普通人无需编程就能拥有自己的第二大脑。Lex Fridman 等人也在用类似方案，有人甚至把知识库接成跑步时的语音播客，边跑边消化。

对于做研究、长期跟踪某个领域、或者大量生产内容的人来说，这套方案值得认真试试：装 Obsidian 和 Web Clipper，建一个 raw/ 文件夹，找一个上下文够长的模型（Claude、Cursor 都行），开始编译。

知识库会自己进化，这一点比任何笔记软件都有吸引力。