开篇你的知识正在悄悄流失你有没有过这种体验看到一篇好文章收藏了。开完一场重要会议纪要写了。解决了一个折磨三天的bug复盘也记了。但一个月后想找回那个结论——翻遍飞书、Notion、本地文件夹、聊天记录死活找不到。这不是你的问题是工具的问题。我们一直在存知识但从来没真正打理过知识。存进去的东西就像扔进黑洞——你知道它在那里但就是找不着、用不上。今天聊一个正在AI圈悄悄火起来的概念「LLM Wiki」。它不是什么新产品而是一套人机协作的知识管理方法来自Andrej Karpathy前OpenAI、Tesla AI负责人。一句话讲清楚LLM Wiki 是什么LLM Wiki Markdown做载体 LLM做管家 人类做主编核心思想就四个字「提前编译」。传统的做法是RAG检索增强生成——你需要什么临时去搜搜到了让AI现拼一个答案。好处是快坏处是这次问了下次还得重新搜。知识没有积累每次都是从头来。LLM Wiki反过来了「先把知识编译好存成结构化的笔记查询时直接读现成的。」打个比方——RAG像你每次做饭才去菜市场现买现做LLM Wiki是先把菜洗好、切好、分装好放冰箱想做饭时直接拿。你只管往里面丢素材文章、会议纪要、复盘记录LLM负责消化、提炼、打标签、建链接。你最后审核一眼通过了这篇知识就永久入库了。维度LLM Wiki传统RAGGraphRAG工作方式提前编译持续更新查询时检索实时合成提取实体关系构建图检索知识积累✅ 越用越厚❌ 用完即弃✅ 可积累人类可读✅ 结构清晰随时翻阅❌ 只输出答案❌ 面向机器维护成本中LLM承担低高适用场景个人学习、团队知识库实时问答企业级大规模文档怎么运作三层架构 三个操作LLM Wiki的结构分三层raw/ ← 原始资料层只读你往里丢素材 wiki/ ← 知识库层LLM全权维护你只管看 CLAUDE.md ← Schema规则你和LLM共同约定的说明书日常只有三个操作「① 摄取Ingest」—— 丢一篇新文章进去LLM读完写摘要、更新相关概念页、补齐交叉引用、更新索引。一篇素材可能触发10-15个页面的联动更新。「② 查询Query」—— 对着wiki提问。因为是提前编译好的回答有据可查、有链可循。好的答案还能当场存回wiki不浪费。「③ 健康检查Lint」—— 定期让LLM巡检整个wiki有没有矛盾的说法有没有孤儿页面没人链接它有没有过时的信息保证知识库不腐烂。这里的关键是「角色分工」「你是主编」负责选素材、定方向、做判断「LLM是编辑排版」负责整理、关联、维护这些体力活不是让AI替代你思考而是让AI把打理笔记这摊子事全包了。为什么这方法真的有效维护个人知识库最痛苦的不是读或想而是「记账」——更新交叉引用、保持摘要不过时、发现新信息跟旧结论的矛盾、在几十个页面之间维持一致性。人类放弃维基的原因很简单维护的负担增长得比价值快。但LLM不会烦。它不会忘掉更新某个链接不会嫌一次改15个文件太累。维护成本趋近于零知识库就能持续活下去。本质上这跟1945年Vannevar Bush设想的Memex个人知识关联存储是一回事——只是当时缺了一个谁来维护的答案。现在LLM补上了。动手实操10分钟搭好你的LLM Wiki第一步装好工具下载 Obsidian免费的知识管理神器给Claude Code装上Obsidian的5个skillhttps://github.com/kepano/obsidian-skills把这个链接扔给Claude Code让它自己安装就行。第二步创建知识库结构在Obsidian里新建一个仓库让Claude Code根据Karpathy方法论帮你搭好文件夹骨架请你根据karpathy的LLM Wiki方法论帮我把仓库的文件夹结构建立起来![[Pasted image 20260519143955.png]]AI会自动创建好raw/、wiki/、CLAUDE.md等所有目录和配置文件。第三步丢一篇素材试试找一篇你最近收藏的文章放到raw/文件夹对Claude说摄取 raw/xxx.md然后看着它自动生成摘要、更新索引、建立链接。你在Obsidian的图谱视图里能看到知识网一点点长出来。写在最后LLM Wiki不是什么高深的技术概念。它只是在说一件事「知识不是存出来的是养出来的。」你丢进去的每篇素材、每次提问、每条洞察都应该沉淀成可复用、可溯源的结构化知识。LLM把维护这件事的成本打到了零你就没有任何理由再让知识烂在收藏夹里了。一个属于你自己的、活的百科全书——从今天开始建不晚。