先说个体感。大部分人用AI管资料的方式，其实就三步：把PDF、研报、笔记丢进去，提问，得到一个不错的答案，然后关掉。下次再问类似的问题，AI又从头检索一遍、重新拼一遍。你问得越多，越会发现一个扎心的事实——AI答得挺快，但它什么都没攒下。
这个问题，Karpathy在今年4月2日的一条帖子里捅破了。他讲了自己在用的一套管理研究资料的新方法，帖子在X上拿到超过1600万次浏览、数千次转发，两天后他又补了一份完整的架构说明文档。知乎到了8月，这套方法在中文圈被密集拆解和实测；就在上周末，他最新一场演讲的标题更直接——《Delete Everything, Keep Graph》（删除一切，保留图），中英字幕版搬到B站一天就被收藏了88次。哔哩哔哩
"知识图谱"这个听起来很企业的词，正在变成普通人手里的工具。这篇把我这几天从知乎、B站、小红书、微博几个平台扒到的信息放在一起，说清楚三件事：这套方法到底改了什么、实测60天的人踩出了什么、你现在上手要走哪条路。
一、"问完即弃"的知识库，缺的不是检索是积累
先区分两种用法。
现在主流的个人知识库，走的是RAG（检索增强生成）的路子：NotebookLM、各种"上传文档问AI"，本质都是提问那一刻现场检索片段、现场拼答案。Karpathy指出的问题是：知识不积累。今天问一个要综合五份文档的问题，系统现场找、现场拼；明天问类似的，同样的活再干一遍。材料之间的交叉引用靠现场发现，材料之间的矛盾大概率没人察觉，产出的答案是一次性聊天记录，用完即弃。
他的方案把加工时点往前挪了：新材料进来的那一刻，就让LLM处理完、写进一个持续维护的wiki，而不是留到提问时才动手。他用一句话概括分工："Obsidian是IDE，LLM是程序员，wiki是代码库。"知识不是被查询出来的，是被持续维护、持续"编译"出来的。知乎
具体结构分三层，都不复杂：
raw层：原始材料，文章、论文、播客笔记，只读不改，是唯一的核对底线；
wiki层：LLM生成和维护的markdown页面，概念页、实体页、来源摘要、跨材料对比，外加一份总目录和一份操作日志；
schema层：一份规则文件，告诉LLM这个库的结构、约定和处理流程——这是让AI变成"有纪律的图书管理员"而不是"泛泛的聊天机器人"的关键。
日常就三个动作。录入：丢一份新材料，可能牵动十到十五个已有页面的联动更新；提问：好的回答本身会被归档成新页面，你的探索也在积累；体检：定期让LLM给全库做一致性检查——扫矛盾、找孤立页面、找出反复被提到却还没建页的概念。这最后一步，是过去所有个人知识管理方法（包括卡片盒笔记法）都没真正解决过的：卢曼靠几十年功力在几万张卡片里人工审计，现在这事AI能干了。
二、中文用户实测60天：40个概念页、190行日志、零事故
方法好听，落地呢？知乎上有个跑了两个多月的用户，把账算得很细。
他的库是四层结构（原始素材只读、wiki全由AI维护、schema定规矩、附件单放），目前沉淀了40多个概念页、11条工作流，操作日志记了190多行。知乎有意思的是里面装的不只是学习笔记——他做电商运营攒下的东西也在：自动补货的决策记录、广告调价的复盘、客服话术的迭代，全由AI归档。用他的原话说：“我的经验第一次变成了资产，而不是散落在十几个聊天记录里。”
社区总结过这套方法的六个坑，他的应对里有几条值得直接抄：
上下文不够长不是换模型能解决的。他的做法是把记忆外置到盘上：AI每次先读规则文件和索引，就知道去哪找什么，上下文只当工作台用。
写入事故是最被低估的风险。内容错了最多答错，文件坏了整个库打不开。他的解法很笨但有效：整个库泡在Git里，每半小时自动提交一次，出事直接回滚；原始素材层设为只读，AI永远不碰原文。两个月，零事故。
外部资料一律人工过目再入库。全自动RSS喂库的玩法要警惕——恶意文档能把指令种进wiki，个人库的天然防火墙就是你自己这个审核员。
更值钱的是他给出的两条判断线。
规模线：个人知识库整理完通常几千到两万token，现代模型的上下文随便装下，这时候LLM-Wiki完胜——检索百分之百可靠、零基础设施、还能做全局推理；但文档量到百万token级别，老老实实只能用RAG。两者不是对手，是两个量级的工具。知乎
成本线：这条是反直觉的。RAG每问一次都要重新检索原文塞进上下文，成本随查询次数线性上涨；LLM-Wiki是在录入时付一次成本，把原文"编译"成结构化页面，之后每次查询只读几百token的编译产物，接近常数。同一批知识被查得越多，这套方法越划算。前提是schema写得好——编译出来是垃圾，后面反复修反而更贵。知乎
三、两个硬伤，先说清楚
不想把这篇写成布道文，硬伤有两个，都是实测出来的：
规模天花板：这套方案在一两百篇文章的量级下运作良好，超出之后，光靠目录文件加上下文窗口会开始吃力。
错误传播：如果LLM在录入阶段建错了一个关联，这个错误会顺着页面间的反向链接扩散到更多页面，而且不容易被发现。
引用一句拆解文的判断，边界很清楚：它解决的是结构层的维护成本问题，不解决判断力问题。什么材料值得录入、AI写的内容哪些可信，还是得你自己把关。知乎
四、这周想上手，三档路线
按你能投入的时间，从上到下三档：
第一档：零安装，先体验"图谱化"是什么感觉。 谷歌刚把NotebookLM升级成Gemini Notebook 2.0，据B站教程视频实测，百万字长文档能直接读，新增了动态3D知识图谱和全自动深度报告，还能一键生成双人对话播客。哔哩哔哩先把自己手头的一份材料丢进去，感受"材料变成图"和"材料变成问答"的区别。另外Kimi最近也在推Agent Swarm方向的个人知识图谱玩法，B站已经有演示视频。哔哩哔哩
第二档：半天时间，搭自己的LLM-Wiki。 需要Obsidian（免费）+ 一个趁手的LLM。照三层结构建目录，先写一份一页纸的schema，约定清楚页面类型和处理规则，然后丢十份你最熟的领域材料进去试录入。记住60天实测者的两条保命操作：库整个放进Git，原始层只读。
第三档：直接抄开源作业。 国内已经有人基于Karpathy的方案做了开源的"知识铸造平台"，号称能思考、探索、规划、生长。知乎
还有UnderstandAnything这类工具，把代码库、文档直接转成可搜索的交互知识图谱。微博
最出圈的案例是有人把《史记》57万字变成了可搜索、可跳转、可推理的知识图谱，GitHub上拿了2600多star——历史爱好者看完估计会手痒。微博
怎么判断自己适不适合？ 问自己两个问题：你会不会在同一个主题上持续三个月以上攒材料？同一批材料会不会被反复查询？两个都是"会"，这套方法的复利就开始滚了。只是偶尔查一次文档、或者手上是百万token的大语料，那还是用传统问答工具，别折腾。
最后留两个值得继续盯的信号：一是Karpathy那场《Delete Everything, Keep Graph》演讲的完整内容还在陆续被翻译解读，从标题看他还要把"图"的地位再往上提一格；二是Obsidian的图谱可视化插件还在快速迭代，小红书上Galaxy View这类"星空视图"插件的收藏量涨得很快。小红书
知识库这东西，建起来只是开始，能活多久，看的是你愿不愿意每天跟它较劲。
