字节笔记本
2026年10月5日 · 约 14 分钟读完
Karpathy 的第二大脑：让 AI 替你维护知识库
你大概率有过这种经历：Obsidian（或 Notion、Logseq）用了一阵子，存了几百篇文章、几千条高亮，然后呢？然后就没有然后了。
笔记越堆越多，但它们彼此不链接、不交叉、不生长。那张漂亮的图谱视图看起来很唬人，实际上是一团死结。一年后你打开它，发现里面的东西自己早就忘了为什么存。
Andrej Karpathy（前特斯拉 AI 总监、OpenAI 创始成员）说破了这件事：大多数 vault 死于同一种方式：囤了一年的文章和高亮，没有一个被链接起来。图谱在腐烂，只是看起来还很壮观。
他的解法不是"换更好的笔记软件"，而是把 vault 的维护工作，交给模型。你负责筛选来源、提出问题，Claude 负责归档、链接、对账。你保留判断，它记账。
raw 归你，wiki 归 Claude：用分层和分工，让知识库复利增长。
一、核心思想：不是更好的笔记软件，是换一种分工
先理解 Karpathy 要解决的真问题。
传统第二大脑（PARA、Zettelkasten 等）的死穴在于：它们的维护成本全压在用户身上。每存一篇文章，你得：读完、提炼要点、找关联、建反链、归到合适的分类。这套动作重复几十次后，人就放弃了。于是 vault 变成"知识坟场"。
Karpathy 的洞察是：这件事不该人干。
你筛选来源、提问。Claude 归档、链接、对账。你保留判断，它记账。
这是一个分工的转移：把 upkeep（维护）从人挪到模型。人做最擅长的事（判断什么值得存、问对的问题），模型做它最擅长的事（机械地读、提炼、交叉链接、维护索引）。
二、架构：raw 归你，wiki 归 Claude
整个系统的核心是一个清晰的分层。这是 Karpathy 方法最关键的设计，多份独立教程（agricidaniel、TheToolNerd、Medium 多位作者）都一致确认：
your-vault/
├── raw/ # 源材料，归你，永不修改
│ ├── articles/
│ ├── notes/
│ ├── pdfs/
│ └── transcripts/
├── wiki/ # 模型写的页面，归 Claude
│ ├── concepts/
│ └── ...
├── CLAUDE.md # 操作规则（给模型的指令）
├── index.md # 已有 wiki 页面索引
└── log.md # 最近发生了什么每个目录的职责：
| 目录 | 归谁 | 干什么 | 能不能改 |
|---|---|---|---|
| raw/ | 你 | 存原始资料（文章、笔记、PDF、转录） | 你随便加，模型绝不修改 |
| wiki/ | Claude | 模型读 raw 后写的 Markdown 页面 | 模型自由写、更新 |
| CLAUDE.md | 你 | 定义规则、风格、分类逻辑 | 偶尔调 |
| index.md | Claude 维护 | 已有哪些 wiki 页面 | 模型自动更新 |
| log.md | Claude 维护 | 最近的变更记录 | 模型自动追加 |
这个分层的精髓是"职责分离"：raw 是 single source of truth（唯一真相源），神圣不可侵犯；wiki 是模型的作业区，随便它折腾。两者互不污染。
Moysei 推文里那句 "raw belongs to you and never gets edited. wiki belongs to Claude"，说的就是这条铁律。
三、为什么不是 RAG（这是最反直觉的一点）
很多人第一反应：这不就是 RAG（检索增强生成）吗？vector embedding + 相似度搜索？
不是。Karpathy 明确反对用 RAG 做这件事。
区别在于：
| RAG | Karpathy 的 LLM Wiki | |
|---|---|---|
| 工作方式 | 每次提问，实时检索向量库 | 编译一次，之后从 wiki 读 |
| 产出 | 零散的相关片段 | 结构化的链接页面 |
| 是否积累 | 否，每次都是一次性检索 | 是，复利增长 |
| 质量控制 | 靠 embedding 质量 | 模型主动整理、去重、交叉链接 |
Karpathy 的原话（agricidaniel 转述）：
你把源文档索引到 raw/，然后用 LLM "编译"出一个 wiki：一组 .md 文件，带摘要、反链，按概念分类，文章之间互相链接。
关键在那个"编译"。RAG 是每次提问都重新检索，结果零散、不积累。LLM Wiki 是把源一次性加工成结构化页面，之后这些页面自己就成了知识，越加越多，复利增长。
打个比方：RAG 像每次去图书馆按关键词找书，找完就忘；LLM Wiki 像有个馆员帮你把书读完、写成卡片、按主题归类、互相标注关联，下次你直接看卡片柜。
四、工作流：编译、复利、自愈
整个系统的运转分三步：
1. 编译（Compile）
你往 raw/ 丢新东西（一篇文章、一个 PDF、一段会议转录）。然后告诉 Claude：
"我往 raw/ 加了新内容，请更新 wiki。"
Claude 会：读新资料，提炼要点，看现有 wiki 有没有相关页面，要么更新已有页面，要么新建，维护反链，更新 index.md 和 log.md。
2. 复利（Compound）
这是最神奇的部分。因为 wiki 是结构化的链接页面，每次新增内容，都会让原有的知识网络更密。今天加的一篇文章，可能和三个月前存的某个概念产生关联，Claude 会主动建立这个链接。
Moysei 推文那句 "Your sources compile once into linked pages and compound from there"，说的就是这个意思。知识不是线性堆积，而是网状生长。
3. 自愈（Reconcile）
更厉害的是对账（reconcile）。当两篇资料观点冲突、或同一概念被分散在多个页面时，Claude 会主动发现并合并、标注差异。这解决了知识库的"碎片化"和"自相矛盾"问题：模型在持续地让你的知识库保持内在一致。
五、会话记忆：log.md 让每次对话都"接着上次"
文章里提到一个细节：每天早上 7 点，vault 会自动"把自己归档好"。背后靠的是 log.md，它会记录：
- 上次会话你在做什么
- 做了哪些关键决策及理由
- 最近创建/更新了哪些 wiki 页面
- 你提过的开放问题和下一步
有篇分析提到：读这个 log.md 大概消耗 500 token，不到 Claude 上下文窗口的 0.25%，但能省掉每次重新建立上下文要花的 2000-3000 token。4-6 倍的回报。
这和 agentic 编程工具里常说的 context rot（上下文腐烂）是对症的：与其让上下文无限膨胀，不如用一个小的 log.md 在每次会话开始时快速恢复上下文。
六、Moysei 总结的 9 条规则（核心纪律）
Moysei 推文提到 "9 rules. Start with 10 sources, not 10,000"。综合多份教程，这套方法的核心纪律可以归纳为：
- raw 神圣不可侵犯：模型只读 raw，绝不修改你的原始资料
- wiki 是模型的工作区：它自由写、更新、重构
- 不用 RAG，用编译：一次性加工，之后复利
- 从 10 个源开始，不是 10000 个：少而精，先跑通流程
- 每加新内容，触发编译：不是实时检索，是增量更新
- 反链和分类由模型维护：人不用手动链接
- log.md 维持会话连续性：每次开会话先读它
- index.md 是页面目录：模型知道自己有什么
- 人保留判断，模型记账：你决定什么值得存、问什么问题
第 4 条尤其重要："Start with 10 sources, not 10,000"。这是对"囤积癖"的直接反击。大多数人的 vault 之所以死，就是因为一上来就导入几千条，结果什么都没整理好。Karpathy 的建议反过来：先从 10 个你最在意的源开始，把流程跑通、把 wiki 结构搭好，再逐步扩充。
七、怎么落地：三步上手
第 1 步：装 Obsidian + Claude Code
- Obsidian（免费）：当 vault 前端
- Claude Code（或 Codex / 任何带 shell 的 agent）：当维护引擎
第 2 步：建 vault 目录
按上面的结构建 raw/、wiki/，写一个 CLAUDE.md 定义规则。或者直接用现成的：GitHub 上有好几个开源 starter（比如 eugeniughelbur/obsidian-second-brain，跨 Claude Code/Codex/Gemini 通用）。
第 3 步：丢 10 个源进去，让 Claude 编译
挑你最近最在意的 10 篇文章/笔记/PDF，丢进 raw/，然后对 Claude 说："读 raw/ 里的内容，编译成 wiki。"看它怎么提炼、怎么链接、怎么分类。
之后每次加新内容，重复这个动作。坚持一周，你会看到一个会自己生长的知识网络。
八、为什么这套方法值得认真对待
拆完整个方法，它最值得学的有三点：
第一，它找到了"维护成本"这个真问题。 之前所有第二大脑方法（PARA、Zettelkasten）都假设用户会持续手动维护，但人不会。Karpathy 把维护交给模型，从根本上解决了"vault 变坟场"的宿命。
第二，它坚持 raw 不可变。 这个设计极其克制。原始资料是真相源，模型只能在它自己的 wiki 里加工，不能动你的原始数据。这保证了可追溯性：任何时候你都能回到 raw 看原始内容，wiki 只是"当前最佳理解"。
第三，它用"编译+复利"对抗"检索+遗忘"。 RAG 是一次性的，LLM Wiki 是积累的。前者像查字典，后者像养一个会自动整理的图书馆。长期看，后者的知识密度远高于前者。
九、它适合谁，注意什么
适合你，如果：
- 你已经用 Obsidian（或想用），但 vault 一直处于"囤而不整"状态
- 你有大量文章/笔记/PDF/会议记录，但它们彼此不链接
- 你愿意让 AI 介入你的知识管理（而不是纯手动）
- 你想要一个"越用越聪明"而非"越用越乱"的系统
注意几点：
- 需要 Claude Code 或类似的 agentic 工具：纯 ChatGPT 网页版做不了文件级操作
- 前期要调 CLAUDE.md：规则定义得好坏，直接决定 wiki 质量
- 不是零成本：每次编译要消耗 token，但相比 RAG 长期看更省
- raw 的质量决定一切：垃圾进，垃圾出。第 4 条"从 10 个源开始"就是为了逼你筛源
十、一个更广的信号
Karpathy 这套方法并非孤例，过去一年大量 AI 工具实践都在指向同一个趋势：
AI 不只是帮你"找信息"，它在帮你"结构化地持有信息"。
- AGENTS.md、CLAUDE.md 这类项目规则文件，让 AI 一进仓库就记住项目约定
- 会话日志与复盘机制，让 AI 每次开工都接着上次的进度
- Karpathy 的 LLM Wiki 走得更远，让 AI 直接维护你的整个个人知识库
它们共享同一个内核：把"维护"这件事，从人挪到 AI；把"判断"这件事，留在人手里。
Moysei 推文最后那句总结很到位：
Most people hoard notes. This turns them into a brain that maintains itself.
（大多数人囤笔记。这套方法把囤积，变成一个会自我维护的大脑。）
如果你的 vault 正在变成坟场，不妨试试 Karpathy 这套：别再一个人扛维护了，把它交给一个不知疲倦、擅长链接的模型。
本文整理自 Moysei 在 X 上分享的 LLM Wiki 方法，转述 Andrej Karpathy 的思路；方法细节经 agricidaniel.com、TheToolNerd 与 Medium 多份独立教程交叉核实。开源 starter 可参考 GitHub 仓库 eugeniughelbur/obsidian-second-brain。
