💡 TL;DR：Karpathy 的新玩法——把研究资料丢进 raw/ 目录，让 LLM 增量「编译」成一部 markdown wiki，Obsidian 当前端，然后向它提问、做体检、跑工具。你几乎从不动手写 wiki，那是 LLM 的领地。

Andrej Karpathy · X · 2026-04-02 · 原文

---

最近发现一件特别好使的事：用 LLM 给我各种感兴趣的研究课题搭个人知识库。这么一来，我最近的 token 吞吐量，越来越少花在摆弄代码上，越来越多花在摆弄知识上（以 markdown 和图片的形式存储）。最新的 LLM 干这个已经相当在行了。所以：

资料摄取：

我先把源文档（文章、论文、代码仓库、数据集、图片等）索引进一个 raw/ 目录，然后用 LLM 增量地「编译」出一部 wiki——说白了就是一套目录结构下的 .md 文件合集。wiki 里包含 raw/ 中所有数据的摘要、反向链接，再把数据归类成一个个概念，为每个概念写条目，并把它们全部互链。网页文章转 .md，我喜欢用 Obsidian Web Clipper 浏览器剪藏扩展，然后再按一个快捷键把相关图片全部下载到本地，方便我的 LLM 直接引用。

IDE：

我用 Obsidian 当这套系统的 IDE「前端」，在里面查看原始数据、编译好的 wiki 和派生的可视化图表。要注意的是：wiki 的所有数据都是 LLM 写、LLM 维护的，我几乎不直接碰它。我还试过几个 Obsidian 插件，用别的方式渲染和查看数据（比如用 Marp 放幻灯片）。

问答：

好玩的地方在这儿：等你的 wiki 足够大（比如我某个近期研究课题的 wiki 已有约 100 篇文章、40 万词），你就可以拿各种复杂问题去考你的 LLM 智能体，它会自己跑去研究、给你答案。我本来以为自己得上花哨的 RAG（检索增强生成），结果发现 LLM 把索引文件和各文档的简要摘要自动维护得很好，在这么个不算大的规模下，它把相关的重要数据读一遍并不吃力。

输出：

我不喜欢在终端里看纯文字答案，而是让它把结果渲染成 markdown 文件、幻灯片（Marp 格式）或 matplotlib 图像，然后回到 Obsidian 里查看。根据提问的不同，你可以想象出很多别的可视化输出形式。而且我常常会把产出「归档」回 wiki，让它对下一轮查询更有用。于是我的每一次探索和提问，都在知识库里「累加」。

体检：

我会让 LLM 给 wiki 做些「健康检查」，比如找出互相矛盾的数据、（借助网络搜索）补全缺失数据、发现值得写成新条目的有趣关联等等，一点点清理 wiki，提升整体的数据完整性。让 LLM 建议接下来值得追问和深挖的问题，它也很在行。

额外的工具：

我发现自己在顺手开发处理数据的小工具，比如凭感觉写码（vibe coding）了一个朴素的小搜索引擎，盖在 wiki 之上——我自己会在网页界面里直接用它，但更多时候，是想通过 CLI 把它交给 LLM 当工具，去处理更大的查询。

进一步的探索：

随着仓库越长越大，一个自然的念头是：做合成数据生成 + 微调，让你的 LLM 把这些数据「记进」权重里，而不只是放在上下文窗口里。

TLDR：

从若干来源收集原始数据，让 LLM 把它们编译成一部 .md wiki，再让 LLM 通过各种 CLI 操作这部 wiki——做问答、 增量地增强它——一切都在 Obsidian 里查看。你几乎从不动手写或改 wiki，那是 LLM 的领地。我觉得这里容得下一款了不起的新产品，而不只是一堆凑合的脚本。

附：Lex Fridman 的跟帖

我也一样，配置差不多：Obsidian、Cursor（写 md），再加几个 vibe 出来的网页终端当前端。 因为我做播客，研究课题又多又杂，但知识库这套方法一直很好用。 要答案的时候，我常让它生成动态 HTML（带 JS），可以排序、过滤数据，还能交互式地摆弄可视化。 另一个有用的招：让系统针对某个特定主题生成一个临时的、聚焦的迷你知识库，装进 LLM，然后带着去跑长距离——7 到 10 英里（约 11-16 公里）——用语音模式跟它互动。于是跑步就变成了听一场互动播客：我问，它答，边跑边学。 好了，出门跑步去了，谢谢你的分享 👊