标签
本文介绍了如何用 WorkBuddy/Codex + LLM wiki + Obsidian 搭建自生长的个人知识库，详细拆解了 Raw/Wiki/Schema 三层架构和实操步骤，并推荐了合适的模型与工具。
本文提出一个可复用模板（llm-wiki-memory-template），该模板实现了llm-wiki模式，以保存在涉及多人、多AI智能体及多领域的协作知识工作中的会话记忆与失败路径。文章论证了该基板在三个轴向上的通用性，并通过案例研究展示了其对证据追踪的改进效果。
作者描述了在OpenClaw上构建Oogway——一个主动监控代理，它会调查异常、提出修复建议，并将每次事件持续记录到wiki中，从而创建一个复合知识库，避免重复推导解决方案。
介绍 OpenKnowledge，一款开源、本地化、私有的 Markdown IDE，专为人类和 AI 智能体设计，兼容 Claude、Codex 及其他智能体。
文章详细解析了Karpathy提出的llm-wiki方法：利用LLM将个人收集的原始资料编译成相互链接的维基页面，用户只管阅读和提问，不手动编辑。作者对比了RAG的局限，并提供了30分钟搭建教程，强调了schema文件对系统纪律性的关键作用。
作者主张LLM Wikis是AI的一种有价值应用，并展示了他们的PaperWiki项目，该项目使用代理自动整理和维护研究论文知识库，提高了信噪比，并推动了前沿研究。
该推文描述了使用LLM维基进行智能编码，称其极其强大，并举例通过吸收多个代码库来开发一个编码工具。
LLM Wiki WebUI 是一个为 nashsu 的 LLM Wiki 桌面应用配套的 Web 界面，支持在局域网内通过浏览器访问和管理 LLM Wiki 实例，提供项目切换、搜索、知识图谱可视化等功能，并可通过 Docker 一键部署。
OpenKnowledge 是一个开源、本地优先的 Markdown 编辑器和 LLM 维基，与 Claude、Codex 和 Cursor 集成，提供实时协作 AI 编辑和通过 GitHub 的团队共享功能。
llm_wiki v0.5 is a major update that transitions the personal knowledge base from a RAG-based system to an agent-driven architecture, introducing modular tool calls, intelligent retrieval decisions, and a revamped UI. The project, now at 12.6k stars, incorporates features like a knowledge graph, deep research, and MCP server integration.
一位开发者构建了一个针对代码仓库适配的Karpathy's LLM Wiki版本，允许用户存储和检索本地代码中的见解，并自动检测变化。
Google宣布了Open Knowledge Format，这是一个基于Karpathy的LLM wiki概念的开放标准，旨在通过简单的Markdown文件为AI代理提供上下文。
Brad Mills 分享了他使用 LLM Wiki 工具构建的个人 AI 智能教练系统，该系统为 AI 智能体整合知识库。系统协调多个智能体来管理锻炼计划，并根据用户反馈进行调整。
该推文介绍了 obsidian-wiki 项目，它将 Andrej Karpathy 的 LLM Wiki 模式落地到 Obsidian 上，使 AI Agent 能自主 ingest 多源知识并组织成 wikilink 互联的 markdown 知识库，支持 Delta 增量更新和来源归因，内置查询、审计、图表导出等功能，目前已有 2k stars。
Google Cloud 推出了 Open Knowledge Format (OKF)，这是一个开放规范，用于标准化 LLM-Wiki 模式，以便在 Markdown 中使用 YAML 前置元数据表示结构化知识，旨在改善 AI 代理的数据共享和互操作性。
谷歌发布了开放知识格式（Open Knowledge Format），这是一个基于Karpathy的llm-wiki的规范，使用Markdown文件实现可移植的知识表示，将人类编写的知识与智能体消费解耦。
Google 将 Andrej Karpathy 的 LLM Wiki 方法论起草为开放知识格式标准 OKF v0.1。项目作者 nash_su 计划让自家 llm_wiki 项目兼容该标准。
本文形式化了LLM维基的流式知识编译，引入了一个重要性信号，用于在token预算下从流式语料库中主动固定重要文档。它证明了O(√(T log K))的遗憾界，并在金融和维基百科领域验证了该方法，表明遗憾分析是一种可靠的评估指标。
一位开发者分享了基于Andrej Karpathy的想法构建LLM驱动维基的一个月经验，发现虽然搭建容易，但持续维护——如处理过期源、成本和集成——才是真正的挑战。
本文对比了普通RAG、知识图谱RAG和LLM Wiki三种知识库检索方案的适用场景与选型建议，强调根据数据形态选择正确方案，避免盲目使用复杂工具。