我用Obsidian 复现了 Karpathy 的 LLM Wiki 方法，效果超出预期!

AI 时代最大的讽刺：我们拥有了最强大的知识处理工具，却仍在用最原始的方式管理知识。

前 Tesla AI 总监 Karpathy 给出了他的答案——LLM Wiki。

这套框架近期在 GitHub 上引发广泛关注。仔细研读后，我发现它的核心价值不在于技术实现，而在于一套关于知识组织的理念与行为准则——门槛极低，却能带来质的飞跃。

image.png

核心框架

三种文件：知识库的基石

文件类型 作用 示例 Raw Resource 存放原始资料 PDF、视频、网页剪藏 Wiki AI 主导生成的知识节点 实体页、概念页、对比页 TheSchema 人与 AI 约定的加工规范 目录结构、Front Matter、工作流

核心洞察：原始资料是唯一事实来源，AI 的任务是把资料编译成可复用的知识网络。

三种日常操作

1. Ingest（摄取）

• 把新资料喂给 AI → AI 提取实体/概念 → 新增或修改 Wiki → 更新 Index 和 Log

2. Query（问答）

• 基于 Wiki 而非原始资料提问 → 效率更高 → 回答有价值可生成新 Wiki

3. Lint（审查）

• 让 AI 定期做体检：是否有矛盾？是否有被推翻的旧表述？是否有孤立页面？

三种查询提效工具

工具 作用 Index 所有 Wiki 的一句话摘要，方便 AI 快速定位 Log 记录 AI 每次操作，让它知道你研究了什么 RAG Wiki >1000 页时，用 Qmd 等工具进行混合检索

附：QMD原理详细解读
https://zhuanlan.zhihu.com/p/2016471943256254194

我的 Obsidian 实践

模板示范

obsidian-vault/ ├── 01-INPUT/ ← 原材料入口，低摩擦记录 │ ├── articles/ 文章 │ ├── transcripts/ 转录稿 │ ├── ideas（选题）/ 选题灵感 │ ├── sources（素材）/ 素材收集 │ ├── 剪藏/ 网页剪藏 │ ├── 周报和复盘/ 复盘记录 │ ├── 文章草稿/ 写作草稿 │ ├── 模板/ 笔记模板 │ ├── 研究报告/ 研究资料 │ └── 项目资料/ 项目相关 ├── 02-PROCESSING/ ← AI 处理区，研究摘要、选题分析、中间稿 │ ├── research/ │ ├── outlines/ │ ├── drafts（AI初稿）/ │ └── reviews/ ├── 03-OUTPUT/ ← 正式作品区，可发布内容 │ ├── newsletters/ │ ├── scripts/ │ └── wiki/ 知识 Wiki ├── 04-FEEDBACK/ ← 反馈层，追踪内容效果，驱动系统进化 │ ├── metrics/ │ ├── comments/ │ ├── retrospectives/ │ └── ARCHIVE归档/ ├── 05-REFERENCE/ ← 长期参考资料 │ └── 提示词/ AI 提示词库 ├── AGENTS ← Newtype-os记忆文件（硬链接） ├── CLAUDE ← Claude code记忆文件（硬链接） ├── QWEN ← qwen code记忆文件（硬链接） ├── TheSchema ← 核心规范文档 └── commands/ ← 自定义命令

💡 说明：CLAUDE、QWEN、AGENTS 实际上是同一个文件的硬链接（TheSchema），让不同的 AI Agent 都能读取到同一份规范文档。

yaml属性示例

--- type: "entity|concept|comparison|source" tags: [] summary: "一句话说明" sources: ["raw/xxx.pdf"] updated: "2026-05-07" ---

实践建议

建议建 3 个 skill：

1. ingest — 将 Raw/ 目录下的原始资料编译到 Wiki/ 中

也可以直接在 Claudian 插件中对话：

请根据 @wiki/TheSchema 的规范，针对我 01_Raw/ 文件夹下的所有文件夹下全部文档进行分析拆解并创建出相应的wiki页面以及建立他们之间的链接关系

或：

请基于提供的资料，生成 02_Wiki/ 下的结构化知识条目，并根据主题归入对应的分类目录；若知识库中没有匹配的分类，请自动创建新分类。条目需保持独立、标题清晰，格式符合 Wiki 规范

2. lint — 知识库全局健康度检查

3. query — 基于本地 Wiki 知识库回答用户提问

三个容易被忽视的盲点

1. 原始资料可能更适合入门

Wiki 是原子化、结构化的，适合回顾和总结。但初学者应该先完整学习原始资料（PDF 的章节结构、视频的循序渐进），再来看 Wiki 串联知识点。

2. AI 生成的 Wiki 需要验收

不要无脑囤积。检查链接是否有上下文（"详见 XXX"却没说为什么相关）、内容是否准确。持续迭代 Schema 才能产生真正价值。

3. 现在创建的内容是给 AI 看的

• Index 和 Log 的设计初衷就是给 AI 用

• 用 type 属性区分"人写的内容"和"AI 生成的内容"

• Summary 字段方便 AI 检索

资源汇总

Obsidian实例

模板 作者 链接 obsidian-vault-template 我自己创建 https://github.com/dqtx760/obsidian-vault-template karpathy-llm-wiki-vault 内含 3 个 skill https://github.com/jason-effi-lab/karpathy-llm-wiki-vault llm-wiki-obsidian-blink Blink 老师 https://github.com/iBlinkQ/llm-wiki-obsidian-blink obsidian-ai-vault-template 志辉 https://github.com/iamzhihuix/obsidian-ai-vault-template

一键 Wiki

💡 这里与 Karpathy 原方法略有不同：原方法是"摄入新资料后编译"，这里是"对已发布的博客内容进行编译"。

前提需安装 Newtype-os。比如我对我博客编译是这样的，终端 nt 启动 Newtype-os：

/wiki 根据 post 文件夹内容进行编译

• 本地体验：安装 Newtype-os 后，在终端执行上述命令

• 在线预览：访问 dqtx.cc/wiki 免安装查看我的博客编译

Karpathy 的 LLM Wiki 框架，本质是把知识管理从"每次查询时重新派生"变成"编译一次，保持最新"。

这才是真正的可复利知识层。

工具会变，但这套方法论值得长期践行!