揭秘karpathy-llm-wiki三层架构raw/、wiki/与index.md如何让LLM自动维护你的知识库【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wikikarpathy-llm-wiki是一个可安装的 Agent Skills 技能它把 Karpathy 提出的「LLM 知识库」构想封装成了一套开箱即用的工作流你的编程 Agent 负责把原始素材收进raw/、把可靠知识编译进wiki/、回答时给出引用并定期为知识库做「体检」。一句话概括——LLM 来写和维护 wiki你只负责挑选素材和提问。karpathy-llm-wiki 是什么传统的 RAG检索增强生成是「每次提问都去原始文档里搜一遍」而LLM Wiki的思路正好相反让 LLM 把知识沉淀成结构化的 Markdown 页面越用越「长肉」。对比维度RAGLLM Wiki知识存放位置原始文本块 向量精心整理的 Markdown 页面何时做综合查询时摄入与维护时适合场景大语料广泛检索持续积累的知识、摘要、持久交叉链接这个项目基于一个自 2026 年 4 月起每天维护的真实知识库94 篇文章、13 个主题目录、99 份原始素材、7 天内 87 条操作日志。它遵循 agentskills.io 开放标准可配合 Claude Code、Cursor、Codex、OpenCode 等工具使用。三层架构全景整个知识库只有三个层级全部放在你的项目根目录下这也是karpathy-llm-wiki最优雅的地方——没有数据库、没有向量库全是纯文本。your-project/ ├── raw/ ← 第 1 层不可变的原始素材只读 │ └── topic/ │ └── 2026-04-03-source-article.md ├── wiki/ ← 第 2 层LLM 编译维护的知识文章 │ ├── topic/ │ │ └── concept-name.md │ ├── index.md ← 全局目录全局索引 │ └── log.md ← 追加式操作日志 └── SKILL.md ← 第 3 层模式层定义结构与工作流规则完整规范见 SKILL.md。下面逐层拆解。第一层raw/ —— 只读的原始素材raw/是不可变的原始素材库Agent 只读不改。它按主题分子目录组织例如raw/machine-learning/。文件命名规则YYYY-MM-DD-描述性-slug.mdslug 用连字符、最多 60 字符每份文件带一个元信息头来源 URL、采集日期、发布日期忠实保留原文只清理排版噪音不重写观点格式模板见 references/raw-template.md。一个真实的原始素材示例可参考 examples/2026-03-19-claude-code-statusline-landscape.md。关键点raw/永不修改是整条「证据链」的起点。第二层wiki/ —— LLM 全权维护的知识文章wiki/是 Agent完全拥有的知识层同样按主题分一级子目录wiki/主题/文章.md只允许一层不允许再嵌套。它把零散素材蒸馏、重组成结构化文章顶部元信息Sources来源作者/机构 日期、Raw指向raw/的相对链接、Updated知识内容最后变更日正文概述 主题章节支持表格与交叉引用可选的Status: Outdated/Status: Disputed状态块标记过时或存疑的结论文章格式模板见 references/article-template.md一份真实的编译后文章见 examples/claude-code-statusline-landscape.md。第三层index.md log.md —— 全局索引与操作日志wiki/下还有两个「特殊文件」是整本知识库的骨架wiki/index.md—— 全局目录每篇文章占一行按主题分组含「链接 一行摘要 Updated 日期」。它是 Agent 快速定位文章的入口。wiki/log.md—— 追加式操作日志记录每一次ingest/query/lint动作形成完整的「知识变更史」。索引格式模板见 references/index-template.md。仓库里放了一份真实索引片段 examples/ai-coding-tools-index.md 和操作日志样本 examples/log-sample.md可以直观感受它长什么样。三大操作Ingest、Query 与 Lint三层架构之上karpathy-llm-wiki提供了三个核心操作构成「摄入 → 查询 → 维护」的闭环。Ingest摄入把素材编译成知识丢给技能一个 URL、文件或粘贴的文本它会Fetch—— 把素材存进raw/Triage—— 判断是「新增 / 更新 / 存疑 / 无实质内容」Compile—— 编译或更新wiki/里对应的文章Cascade—— 检查涟漪效应级联更新所有受影响的关联文章一个来源可以同时更新多篇文章、强化交叉引用、并记录矛盾这正是知识库能「复利增长」的原因。Query查询带引用地回答问「我对注意力机制了解多少」技能会先读index.md定位候选文章再做全文检索最后用 Markdown 链接引用wiki/里的页面作答——答案始终有出处可追溯。Lint体检自动检查并修复说「给 wiki 做体检」它会分三类处理可自动修复索引与文件不一致、死链、See Also失效等机械式报告运行 scripts/check_evidence.py 核对「高信号数字/日期/引文」是否真的能在raw/里找到判断式报告事实矛盾、过时结论、缺失的交叉引用等只报告不自动改Grounding 不变量为什么不会「编造」这套架构最让人安心的地方是接地不变量Grounding Invariantwiki/里每一个承重的数字、日期、直接引语都必须逐字存在于该文章Raw字段所链接的raw/文件中。编译时执行「先定位再落笔」locate before writeLint 时用 scripts/check_evidence.py 重新 grep 全文核对由于raw/不可变一次验证过的文章就永远验证过了脚本几秒内即可重查整本 wiki无需维护增量状态。快速上手安装方式支持任意 Agent Skills 工具npx add-skill Astro-Han/karpathy-llm-wiki三步体验完整闭环「Ingest this article: 某篇文章链接」→ 素材进raw/知识进wiki/「我了解哪些关于 X 的知识」→ 带引用地作答「Lint my wiki」→ 体检并修复更多细节与常见问题见 README.md。常见问题它和普通个人 wiki 有什么区别个人 wiki 靠人工编辑LLM wiki 由模型维护新素材到达时自动更新摘要、交叉链接、索引和矛盾标注。能摄入哪些素材网页、论文、博客、PDF、Markdown 文件、纯文本和粘贴内容统统转成raw/下的 Markdown 再编译进wiki/。小结karpathy-llm-wiki用raw/只读素材、wiki/编译知识、index.md log.md索引与日志三层纯文本结构让 LLM 真正「自动维护」你的知识库知识随时间复利增长答案始终可溯源全程无需向量库或数据库。如果你正受够了 RAG 每次都要从头检索这套三层架构值得一试。【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考