Andrej Karpathy：LLM正从代码操纵转向知识操纵构建个人知识库
人工智能研究者Andrej Karpathy分享个人实践，使用大型语言模型为研究主题构建知识库。他将文章、论文、仓库、数据集和图像等原始资料放入raw目录，然后让LLM逐步编译成Markdown格式的wiki，包括摘要、反向链接、概念分类和关联文章。
Karpathy以Obsidian作为前端界面查看原始数据、编译后的wiki和可视化结果，LLM负责几乎全部wiki的维护。他在wiki规模达到约100篇文章和40万字时，可针对复杂问题进行问答，LLM能自动维护索引并调用相关内容，而非依赖复杂RAG系统。输出常以Markdown、Marp幻灯片或Matplotlib图像形式生成，并回填wiki以持续增强知识库。
他还使用LLM进行健康检查、发现不一致或缺失数据、建议新连接，并开发额外工具如简易搜索引。Karpathy认为这一流程未来可扩展为每个前沿问题自动生成临时wiki、迭代清洗并输出完整报告。
来源：公开信息
ABAB AI 解读
Karpathy的实践显示AI使用模式的深层迁移：token消耗从代码生成转向知识编译与维护。传统个人知识管理依赖人工整理，而LLM将原始数据转化为结构化、互连的wiki，实现增量编译、自动链接和持续清洗。这压缩了人类在信息组织上的认知负荷，却将价值转向提示工程、数据质量控制和模型上下文管理，形成新的技能分层。
从生产率结构看，这一方法加速研究迭代。复杂问答不再局限于单次上下文，而是依托动态wiki作为扩展记忆，LLM代理能跨文档研究、发现连接并生成可视输出，显著提升探索效率。历史上，笔记工具和数据库曾降低知识获取门槛，今天LLM驱动的wiki进一步将知识生产自动化，资源分配向掌握高质量输入源和验证机制的研究者倾斜，同时弱化单纯记忆或手动分类的能力。
长期而言，这一趋势嵌入技术替代与认知工具演变的更大周期。LLM作为知识操作系统，模糊了外部记忆与内部推理的边界，推动从被动检索向主动合成迁移。Karpathy提到的合成数据生成与微调方向，暗示未来个人模型可将wiki内化进权重，形成更紧密的人机共生。制度约束如数据一致性、知识产权和幻觉控制将成为瓶颈，而能将这一流程产品化的工具，将在注意力与研究产出的再分配中占据新接口位置。