你觉得 AI 在学习，履行上，每次对话它齐在重学一遍。

你约略也有这么的体验：在 NotebookLM、ChatGPT 上传一系列文献，LLM 处理并生成谜底。但每次 LLM 齐要“从 0 开动”挖掘常识，尤其是当达到使用上限或放弃会话时，就像给名堂作念了一次“记念清空”。

其内容仍然是检索增强生成（RAG）。为了让它记取建树的架构细节，只可用更多的 token 和期间来重建 AI 的险阻文。

当今，OpenAI 独创成员之一、特斯拉前 AI 总监 Andrej Karpathy 通过构建一个耐久的、由 LLM 爱戴的名堂记载，提议了一套全新的有接洽 LLM Wiki。

该有接洽比典型的企业级处置有接洽（向量和 RAG 管说念）更通俗，也更优雅，能够复制粘贴到个东说念主 Agent 中（举例 OpenAI Codex、Claude Code、OpenCode/Pi 等）。在这个系统中，LLM 自己充任的扮装是全职“常识库管制员”：积极编译、检验和贯穿类 Markdown（.md）维基百科式文档。

Karpathy 将多数 token 预算用于结构化常识构建，而非叠加生成样板代码，从而为“第二大脑”的下一阶段绘图蓝图：一个能够自我教训、可审计且统统东说念主类可读的常识体系。

Karpathy 指出，“该步履在约 100 篇著作、40 万字畛域下的成果显耀优于传统 RAG，且统统东说念主类可读、可审计，基本开脱了供应商锁定。”

尽管 Karpathy 称这套有接洽当今还处于靠“一堆蹩脚剧本”兑现的阶段，但已有企业家嗅到了商机，有企业家称：谁能把这个功能打包成平淡用户齐能用的东西，谁就把抓了浩大商机。一款愚弄即可与你常用用具、书签、阅读愚弄、播客愚弄及酬酢媒体优质参谋内容同步。

在 LLM Wiki 有接洽中，LLM 并非只是在查询时从原始文档中检索信息，而是逐渐构建并爱戴一个耐久化的维基：一个结构化的、互相贯穿的 Markdown 文献联接，它位于用户和原始数据源之间。

当用户添加新的数据源时，LLM 不仅会为其进行索引以便后续检索，还会读取、提真金不怕火过失信息，并将其整合到现存的 Wiki 中更新页面，更正主题选录，指出新数据与旧说法相矛盾之处，从而不断修正或强化已有常识体系。常识被编译后可不断复用，无需在每次查询时从头推导。

过失在于，LLM Wiki 是一个不断更新、不断完善的资源。交叉援用毅然建树，矛盾之处已被标志，详细信息则反应了用户阅读过的总计内容。你添加的每个起原、提议的每个问题齐会让 LLM Wiki 的内容愈加丰富。

这么作念的平正是，用户险些从不（或很少）切身编写 Wiki，总计内容齐由 LLM（常识库管制员）编写和爱戴，其一次可处理约 15 个文献。你只需要寻找辛苦、主动探索和提议正确的问题；而 LLM 则防范总计繁琐的做事：追思、交叉援用、存档和信息整理，这些做事使常识库能够长久进展作用。

Karpathy 称，他一边掀开 Agent，一边掀开 Obsidian。LLM 会说明他们的对话进行剪辑，用户能够及时浏览放胆，包括点击贯穿、检验图表视图、阅读更新后的页面。在这种情景下，Obsidian 是集成开辟环境（IDE）；LLM 是圭臬员；维基则是代码库。

详细来看，a8体育系统架构分三个不同的阶段运行。

数据导入：原始辛苦，举例研究论文、GitHub 代码库、数据集和汇集著作被导入到 raw/ 目次中。为了将网页著作调理为 .md 文献，Karpathy 使用了 Obsidian Web Clipper 延长，他还竖立了一个快捷键，将总计关联的图片下载到土产货，以便 LLM 可通过视觉功能援用它们。

编译法子：这是架构中的中枢翻新点。LLM 不单是是对文献进行索引，而是对文献进行“编译”。它读取原始数据并生成结构化的维基百科页面，包括生成选录、识别过失见解、撰写百科全书式条款，以及在关联见解之间创建“反向贯穿”。

主动爱戴（代码校对）：该系统并非一成不变。Karpathy 描述了运行“健康检验”或“代码校对”的经过，LLM 会扫描 Wiki 以查找不一致之处、缺失数据或新联接。这十分于一个编削态的、能够“自我教训”的常识库。

LLM Wiki 的愚弄场景泛泛，竞争分析、尽责拜访、旅行琢磨、课程札记、兴味酷好深度研究……任何需要不断积存常识，而且但愿有序整理的场景齐不错用到它。

个东说念主成长：跟踪个东说念主目的、健康、感情、自我擢升，可记载日志、著作、播客札记，并跟着期间的推移构建一个结构化的自我形象。

深度研究：对某个主题进行为期数周或数月的深刻研究，举例阅读论文、著作、诠释，并逐渐构建一个包含不断发展的论点的详细维基。

念书札记：边读边整理章节，创建页面记载东说念主物、主题、情节脚迹以及它们之间的谋划。最终，你将领有一个内容丰富的配套维基。以托尔金百科（Tolkien Gateway）为例，其历经数年由志愿者社区构建而成，涵盖东说念主物、处所、事件、谈话等。你不错一边阅读，一边构建肖似的内容，而 LLM 则防范总计的交叉援用和爱戴做事。

业务/团队：一个由 LLM 爱戴的里面 Wiki，内容起原于 Slack 音问、会议记载、名堂文档和客户电话，可能也会有东说念主工参与审核更新。Wiki 之是以能保持更新景况，是因为 LLM 承担了膺惩职责——那些团队中其他东说念主齐不肯意作念的爱戴做事。

咫尺，已有开辟者将 LLM Wiki 时势延长到 OpenClaw 管制的 10 个 Agent 系统中，通过 Hermes（由 Nous Research 考研用于结构化评估）四肢零丁审核关卡对编译后的著作进行评分考证，以确保只须准确的内容插足长久常识库，再生成简报回馈给各个 Agent，从而造成了一个“产生-整理-考证-反馈”的闭环。

Karpathy 将 Markdown 文献看作“真谛之源”，其可幸免向量镶嵌的“黑箱”问题。AI 给出的每一条论断齐不错追忆到特定的 .md 文献，而这些文献不错由东说念主阅读、剪辑或删除。

LLM Wiki 有接洽探索的往常目的是合成数据生成和微调。跟着 Wiki 的增长，数据通过不断的 LLM 代码校对变得越来越“皑皑”，有望成为更竣工的数据考研集。

LLM 不再只是读取 Wiki 的险阻文窗口，在此基础上，用户最终有望在 Wiki 自己上对模子进行微调，从而构建一个更小、更高效的模子。这将使 LLM 通过模子权重掌抓个东说念主常识库，把研究名堂真确滚动为专属的定制化智能。

总体来说，这种有接洽是一种新的理念：通过领有自身记念的主动智能体，幸免了以往“单次”东说念主工智能交互的局限性。

关于个东说念主研究东说念主员而言，这意味着有望告别 LLM“失忆”，转而建树更长久的关连。对企业而言，这预示着原始数据湖正在向编译后的常识钞票挫折。约略，这也意味着咱们正在插足 AI 自主常识库期间。

参考辛苦：

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

https://x.com/karpathy/status/2039805659525644595

https://x.com/himanshustwts/status/2039811786602607052

https://x.com/jumperz/status/2040166448492900356

https://venturebeat.com/data/karpathy-shares-llm-knowledge-base-architecture-that-bypasses-rag-with-an

排版：刘雅坤