@Phoenixyin13: Karpathy 掀翻 RAG！聊聊两个月前的终结个人知识库腐烂的终极战略 这是让 AI 替你打理个人维基百科的实战宣言。 2026 年 4 月初，AI 领域顶流大牛、前 Tesla AI 总监、OpenAI 联合创始人 Andrej K…

Karpathy 掀翻 RAG！聊聊两个月前的终结个人知识库腐烂的终极战略 这是让 AI 替你打理个人维基百科的实战宣言。 2026 年 4 月初，AI 领域顶流大牛、前 Tesla AI 总监、OpenAI 联合创始人 Andrej Karpathy，用程序员的思维，从源码、编译、Lint 到解耦，彻底重构了人类的知识管理方式。 他发布了一篇名为 LLM-WIKI.md 的短文，给出了一个具体、可执行、可复制的框架，教你用当下 LLM 实现知识的复利增长。 绝大多数人在用 Obsidian、Notion 等工具构建第二大脑时，都会经历同一个痛苦阶段： 疯狂收藏、高亮、标注，却从不整理。最终知识库变成一堆死去的文字，图谱腐烂、链接断裂、检索失效。 Karpathy 给出了一个全新的解法。 人类只负责输入和最终审阅，把枯燥的整理、链接、维护、更新工作全部交给 Claude、Cursor 等大模型。 从 RAG 走向 Compile。 传统 RAG 的局限在于每次提问，AI 都要临时从一堆碎片文件中捞取相关段落，拼凑答案，效率低、上下文弱、容易幻觉。 Karpathy 提出的 Compile 模式则完全不同。 你的原始笔记等于源代码 raw，永不修改。大模型等于编译器。 每次加入新内容，AI 就一次性编译融合，生成结构化、交叉链接的 Wiki 页面。 提问时，直接查询这个已经长在一起的活知识库，而非临时拼凑。 这让知识从一次性检索变成了持续 compounding 复利增长的持久 artifact。 Karpathy 在文中列出了构建自我维护知识大脑的 9 条核心军规，我将其精炼为三个最重要维度。 1. 三层严格解耦。 Raw 原始不可变，Wiki AI 维护的编译产物，Schema 规则文件。人类只管输入，大模型负责全部 bookkeeping。 2. 代码化管理与健康检查。 把知识库当作代码仓库处理，定期 Lint 检查矛盾点、孤立节点、断链，及时标记低置信内容，像代码审查一样维护知识质量。 3. 单点迭代、小步快跑。 拒绝批量狂导入，坚持一次只认真消化一个高质量来源。从 10 个种子开始，让知识图谱像有机体一样自然生长，避免早期膨胀导致的腐烂。 这篇短文是一篇技术随笔，却也是一篇个人认知进化的方法论宣言。 发布两个多月来，它在 Obsidian、Cursor、Claude 社区掀起了一波实践热潮： 有人已把自己的 Wiki 扩展到上百页、数十万字； 有人开发了自动化插件； 也有人分享了在学术研究、个人成长、创业复盘中的实际效果。 Karpathy 再次用极简却深刻的方式提醒我们： 工具的进化，最终指向的是人类注意力的解放。 强烈推荐每一位没有读过此文重度知识工作者、研究者、创作者都去读一读原文。 它就是你的下一阶段第二大脑，从噪音走向永续生产力的转折点。