第二大脑
共 31 篇文章-
rvaniaaa:Obsidian CEO 把自己的第二大脑配置公开在了 GitHub 上
译注:原文无标题,标题为译者代拟。
-
xiaohu:lumimax:把 Karpathy LLM Wiki 做成可长期积累的知识库产品
lumimax 把 Karpathy LLM Wiki 的思路做成产品,让分散资料成为可关联、可查证、能持续更新的知识库 让个人和团队的知识经验积累能跨越工具更替,成为企业和个人的长期资产,是非常有意义的... 感兴趣的可以试试:https://t.co/woFC7r9wr3 lumimax LLMWiki Karpathy MCP
-
rvaniaaa:9 个把笔记变成 AI 真能用的第二大脑的开源仓库
译注:原文无标题,标题为译者代拟。
-
bojie_li:用微信聊天记录搭建个人知识库(greenbubbles)
2026 年了,让 Agent 访问微信聊天记录仍然是一件很麻烦的事情。我做了一个 CLI 小工具 greenbubbles(绿泡泡),可以让 Agent 随时连上微信桌面版的数据库,实时访问聊天记录。
-
Matt Pocock:我的知识工作 AI 工作流:每个交付物配一座 LLM Wiki
译注:原文无标题,标题为译者代拟。
-
AISuperDomain:claude-obsidian:Karpathy LLM Wiki 的工业级开源实现
Karpathy 提出的「LLM Wiki」概念,终于有了极其工业级的开源实现:claude-obsidian。
-
AISuperDomain:pi-llm-wiki:把资料编译成可维护本地 Wiki 的开源知识库
🚀发现一个很适合搭配 Pi、Claude Code、Cursor 使用的开源知识库项目:pi-llm-wiki。
-
hims:Agent Wiki 已经无处不在:四家公司给出同一个答案
译注:原文无标题,标题为译者代拟。
-
Bober_smart:用纯 Markdown 文件夹和一个 CLAUDE.md,搭出 AI 原生的第二大脑
译注:原文无标题,标题为译者代拟。
-
Akshay 🚀:Karpathy 说第二大脑还有产品空位——这可能就是那个产品
译注:原文无标题,标题为译者代拟。
-
Shann³:向量嵌入如何让 GBrain 比普通 LLM Wiki 更聪明
译注:原文无标题,标题为译者代拟。
-
Shann³:比较 LLM Wiki 与 GBrain:两种正在兴起的第二大脑框架
译注:原文无标题,标题为译者代拟。
-
geekbb:second-brain-cloudflare:自托管、多工具共享的开源记忆层
这个好,一个开源内存层,让 Claude、ChatGPT、Cursor 和 Codex 共享一个大脑。 主要是它部署在 Cloudflare Workers 上,把记忆放在你自己 Cloudflare 账号里,对外走 MCP,数据落在用户自己的 D1、Vectorize、KV 与 Workers AI,强调语义检索而非字面匹配。个人规模可在 Cloudflare 免费额度内。
-
lanshu:OpenHuman 与 OpenViking:把 LLM Wiki / 个人数据做成助手与上下文基础设施
做个最近比较火的 OpenHuman、OpenViking 初步分析。 这两个名字容易被放在一起讲,但本质上不算同类型产品。 OpenHuman 偏个人 AI 助手体验。 OpenViking 偏 Agent 的上下文基础设施。 先说 OpenHuman。 OpenHuman 其实可以直接理解成:把 Karpathy 提过的 LLM Knowledge Base / Obsidian Wiki 思
-
Akshay 🚀:GBrain 到底是什么:YC CEO 给自己的智能体造的大脑
译注:原文无标题,标题为译者代拟。
-
BruceBlue:用 Hermes 自动搭好 LLM Wiki,并打通 Obsidian 与 GitHub
🚀 被 Hermes Agent 干出人生级 AHA 时刻! 前两天我只是随口说了一句:帮我搜一下 @karpathy 的 The LLM Wiki。 结果 Hermes 不光搜完,直接把整个 LLM Wiki 的完整构建计划给我弄好了! 从整体框架、知识架构、内容逻辑,到详细执行步骤,全安排得明明白白。 更离谱的是,还一键帮我打通了 Obsidian + GitHub 全流程,笔记、版本控制、
-
XiaohuiAI666:用 Claude Code 自动维护 Obsidian 三层 Wiki,避免传统第二大脑烂尾
感谢铁锤哥分享的Obsidian + Claude Code干货教程👍 传统第二大脑易烂尾:标签过时、断链、维护成本高,比记笔记还累,最终成垃圾堆。 解决方案:用Claude Code自动维护Obsidian三层Wiki(raw原始素材 + wiki知识页 + rules规则)。 整个流程由AI自动完成:录入文章→拆解概念→建页+双向链接→更新索引;每周自动检查修复矛盾、孤儿页、过时信息。 搭建
-
nash_su:按 Karpathy LLM Wiki 方法论做的可视化客户端(即将开源)
LLM Wiki 客户端马上开源! 昨天根据 Karpathy 大神的 LLM Wiki 个人知识管理的方法论,开发了一个可视化的客户端软件,功能流程都完整实现,需要再优化下用户体验,今晚或明天开源出来。 今天要搞 https://t.co/nib8sZOrUi 的大版本更新和发布,忙完了就搞这个
-
aehyok:Karpathy LLM Wiki 替代 RAG:Obsidian 剪藏与图谱实操总结
Karpathy 提出用 LLM Wiki(互相链接的 Markdown 文件)替代传统的RAG模式,让 AI 增量构建并维护持久化知识库。 下面是实操的简单总结: 1、Obsidian Web Clipper — 一键将网页转为 Markdown 存入 Obsidian 2、图片本地化 — 配置附件路径 + 绑定快捷键 Ctrl+Shift+D,防止外链失效,让 AI 可读取图片 3、自有Gra
-
Andrej Karpathy:Karpathy 补充:把想法写成「idea file」,让别人的智能体替你实现
译注:原文无标题,标题为译者代拟。
-
Farza 🇵🇰🇺🇸:Farzapedia:我把 2500 条日记编译成了一座给智能体读的百科
译注:原文无标题,标题为译者代拟。
-
timyangnet:实践 Karpathy 工作流:用 Obsidian Web Clipper 降低个人知识库入库摩擦
随着 Andrej Karpathy 分享的 LLM 知识库工作流火起来,这几天不少人都在疯狂搭建个人知识库。 我也试了下他提到的 Obsidian Web Clipper 插件,基本解决了我之前说的一键入库需求。 我没用 Obsidian 自带 Sync,而是直接把剪藏的内容存到 GitHub 仓库的 clipping 目录下。本地处理速度飞快,通常不到 1 秒就完成。 不过默认用网页 titl
-
XiaohuiAI666:比较 NotebookLM 与 LLM+Obsidian:如何构建可私有沉淀的终身第二大脑
NotebookLM:简单强大但云端隔离、无所有权、无法跨库长期沉淀。 LLM+Obsidian构建个人知识库:完全私有、可维护、可进化,构建终身第二大脑。 最佳实践:NotebookLM快速生成洞见,导出Markdown导入Obsidian编译存档。两者相辅相成👍
-
timyangnet:实测 Karpathy 的 LLM 知识库玩法:两层 Markdown 架构与实操细节
花了半天时间实测 Andrej Karpathy 提到的 LLM 知识库玩法,分享一些实操细节: 【架构设计】 我采用了简单的 2 层 Markdown 结构,完全没用 Embedding 工具。我觉得在文件数量 < 1,000 的规模下,这种“纯文本编译”的思路完全够用。 1. 索引层 (wiki/index.md): 核心索引文件。每一行对应一个文件,包含:Path | Summary | T
-
timyangnet:搭建个人知识库时的入库、翻译与维护痛点
Andrej Karpathy 分享的 LLM 知识库一体化的构建方法确实给我带来很多启发。 回到实际操作中,说说我在处理个人知识库中碰到一些非常磨人的问题和痛点: 1. 入库的摩擦力: 看到不错的文字内容或者网页,很难做到一键转换 Markdown 入库(我用 GitHub 私有仓库)。经常要做一些复制粘贴的零碎工作。虽然有人觉得通过 Skill 可以一行命令实现,但这种通过 agent 抓取、
-
Barret_China:从情境/语义/程序记忆框架,比较 Claude Code、Mem0 与 OpenClaw 的记忆设计
看了一晚上 Claude Code 泄露的代码,结合常见的记忆管理框架,把记忆模块做了一些分析。 Tulving 老爷子在 1972 年提出了记忆系统的框架设计,至今仍在广泛使用,他把记忆分为三类:1)情境记忆(episodic memory),我干了啥,用来记录过去;2)语义记忆(semantic memory),我知道啥,用来提炼规律;3)以及程序化记忆(procedural memory),
-
GitHub_Daily:memory-lancedb-pro:强化 OpenClaw 长期记忆与知识库的开源插件
用 OpenClaw 自带的基础记忆插件,总觉得小龙虾的记忆比较差,对话上下文一长之后,前面说过的重要信息很快就被遗忘。 刚好看到 memory-lancedb-pro 这个开源插件,专门用来强化 OpenClaw 长期记忆能力。 直接把检索机制提升到了生产级标准,不再是简单的模糊匹配, 并兼顾语义理解和关键词匹配,同时确保提取给 AI 的都是最新、最核心的信息。 甚至支持自我反思和纠错,让 Ag
-
wangray:OpenClaw 记忆管理完整实战指南:从零到生产
OpenClaw 记忆管理完整实战指南,刚写完 从零到生产,基于 5 个 Agent 团队 30 天真实运行经验 想搭 agent 记忆系统但不知道从哪下手的,这篇可以直接抄作业 目录👇 一、为什么 Agent 需要记忆系统 二、三层架构(https://t.co/wHLn6nVINj / 每日日志 / 知识库) 三、目录结构与文件规范 四、写入机制(路由规则 + CRUD 验证) 五、检索机制
-
bitfish:把记忆系统当作 Agent 的大脑:Mem0、Zep、Letta 等方案怎么选
玩 OpenClaw 🦞 一个多月。好用和安全之间的张力,是 26 年每必须解决的问题。三条经验: ① https://t.co/bNNUyY0ckj 是第一道防线——认真写 ② 记忆系统是 Agent 的大脑——认真选。 原生记忆跨会话基本失忆。开源方案已爆发:Mem0、Zep、Letta、EverMemOS、OpenViking 都能接 ③ PII 网关是隐私底裤——必须穿。 Agent 和
-
onehopeA9:OpenClaw 记忆系统 2.0:先重做记忆结构,再用 qmd 做检索
OpenClaw 刚用几天,真是惊为天人,但随着使用时间的增加,慢慢的它也会健忘,答非所问。 前几天写了一篇节省龙虾token的,有3万+浏览 如果准备长期使用龙虾,那么最好自己搭建一套记忆系统。 下面是我的OpenClaw 记忆系统 2.0:先用字节 OpenViking 思路搭架构,再把 qmd 插进去做检索加速(省 token + 提准确率) 这几天我把 Agent memory 做了次大改
-
howie_serious:用知识管理对抗信息熵,并与 LLM、NotebookLM 结合
信息熵是专注力的敌人。而信息熵的本质是信息的无序和复杂。 所以,我们需要知识管理,来对抗信息的无序;我们需要ChatGPT,来对抗信息的复杂。 整体的方向,是降低大脑的认知负荷(即使你的脑力爆表,也需要节省,因为认知过载会损害你的思考和专注)。 最近用 Google 的 NotebookLM 和Deep Research,深深感到,ChatGPT 等 LLM 和传统知识管理的结合,马上就要引领知识