2026年4月2日晚，AI界知名專家、OpenAI創始團隊成員、前Tesla AI總監安德烈·卡帕西（Andrej Karpathy）喺X發帖，詳盡分享佢最近用大型語言模型（LLM）構建個人知識庫（Knowledge Base）嘅完整工作流。呢篇帖文迅速引起全球開發者同AI從業者熱議，閱讀量超過900萬，按讚超過3.6萬，被視為AI由「代碼時代」邁向「知識時代」嘅標誌性實踐。
卡帕西喺帖中直言，最近佢嘅 token 消耗方向喺發生明顯改變：以前多數用喺「操控程式碼」，而家更多用喺「操控知識」（以Markdown同圖像形式儲存）。佢發現，最新一代LLM喺知識整理、總結同推理方面已經足夠強大，完全可以令LLM成為知識庫嘅「編譯器」同「維護者」，人類只需偶爾審閱。
完整工作流：Raw數據 → LLM自動編譯Wiki → Obsidian可視化
卡帕西嘅工作流可以概括為「Raw → Compile → Query → Enhance」嘅閉環，核心工具只有三樣：本地資料夾、LLM 代理同 Obsidian 筆記軟件。
- 資料攝入（Ingest）：把研究資料（論文、文章、程式碼倉庫、數據集、圖像等）統一放入「raw/」目錄。網頁文章用 Obsidian Web Clipper 一鍵轉成乾淨嘅 Markdown 檔，同時用熱鍵下載相關圖像到本地，確保 LLM 可以透過視覺能力直接引用。
- LLM 編譯 Wiki（Compile）：LLM 逐個讀取 raw/ 入面嘅原始資料，自動生成一個結構化嘅 Markdown Wiki 目錄。Wiki 包含所有文件嘅摘要、反向連結（backlinks），並將內容分類為不同概念，撰寫專題文章並互相連結。整個過程係增量式（incremental），新資料加入後 LLM 會自動更新相關條目。卡帕西強調：「LLM 負責編寫同維護 Wiki 嘅全部資料，我好少直接手動編輯。」
- Obsidian 作為前端（IDE）：用 Obsidian 檢視原始資料、編譯後嘅 Wiki 同各種衍生可視化（例如圖表、投影片）。Obsidian 插件（例如 Marp）可以將 Markdown 直接渲染成投影片。卡帕西特別指出，要保持個人主 Vault 乾淨、令 Agent 喺獨立 Vault 操作，可有效避免「污染」風險。
- 複雜問答與研究（Q&A）：當 Wiki 規模達到約 100 篇文章、40 萬字時，可以直接向 LLM 代理提出複雜問題。LLM 會自動維護索引文件同文件摘要，喺上下文視窗內高效檢索，無需依賴複雜嘅 RAG 系統。卡帕西發現，喺呢個「小規模」下，LLM 已經可以好好完成研究任務。
- 輸出與反饋閉環（Output & Filing）：LLM 唔再淨係輸出純文字，而係產生 Markdown 檔、Marp 投影片、Matplotlib 圖表等可視化結果。呢啲輸出可以直接「歸檔」返到 Wiki，進一步強化知識庫。卡帕西話：「每次探索同查詢都會令知識庫『增值』。」
- Linting 與健康檢查：定期叫 LLM 對 Wiki 做「健康檢查」，發現資料不一致、補充缺失資訊（結合網絡搜尋）、挖掘新概念連結，甚至建議後續研究方向，實現知識庫嘅持續優化。
此外，佢仲 vibe‑coded 咗一個簡單嘅 Wiki 搜索引擎，並作為工具交俾 LLM 使用。長遠嚟講，佢計劃透過合成數據 + 微調，令 LLM 將知識「內化」到權重入面，而唔係淨係依賴上下文。
社群反應：由個人實踐到產品化討論
帖文發佈後，Lex Fridman、Obsidian CEO kepano（@kepano）等大V 迅速回應。Lex Fridman 表示佢自己亦採用類似 Obsidian+Cursor+動態 HTML 嘅混合方案，甚至將迷你知識庫轉成語音互動，用於跑步時學習。kepano 則建議嚴格區分「個人 Vault」同「Agent Vault」，避免 Agent 生成內容污染人類知識。
Reddit、LinkedIn 同 VentureBeat 等平台快速跟進，開發者紛紛分享類似工作流或基於此構建嘅工具。好多人認為，呢個唔單止係個人生產力提升，仲係 AI Agent 由「一次性問答」向「長期知識 compounding（累積）」嘅範式轉變。
深遠影響：AI 知識管理新時代嘅開端
卡帕西嘅工作流揭示咗 AI 應用嘅新方向：LLM 唔再淨係聊天工具或程式碼助手，而係成為個人知識嘅「編譯器」同「管家」。其核心價值在於知識累積效應——每次查詢都會反哺 Wiki，令知識庫隨住使用不斷進化，而唔係每次都由零開始。
呢個實踐對開發者、研究者同企業都有啟示：
- 個人生產力：研究者可以快速構建領域知識庫，減少重複閱讀同整理時間。
- Agent 生態：推動由簡單 RAG 向「LLM 自主維護知識圖譜」演進，為多 Agent 協作提供基礎。
- 產品機會：卡帕西喺帖末直言，「呢套 hacky 腳本背後，有機會打造一款『不可思議嘅新產品』」。社群已經出現多款基於 Obsidian+LLM 嘅插件同工具，預計 2026 年會湧現更多商用知識庫產品。
同時，呢個工作流亦突顯咗現時 AI 嘅局限：喺大規模（百萬字以上）嘅知識庫場景下，仍需要結合索引同搜索技術；數據私隱同版本控制仍然係挑戰。
卡帕西嘅分享再次證明，AI 真正嘅價值唔喺模型參數，而係點樣同人類知識工作流作深度融合。由「操控程式碼」到「操控知識」，呢個唔單止係個人習慣嘅改變，仲係 AI 由輔助工具向智能夥伴轉型嘅縮影。未來，類似「LLM 知識庫」可能會成為每位知識工作者嘅常備工具，而 Obsidian+LLM 嘅組合，正悄悄界定下一代個人知識管理嘅範式。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎追蹤我哋嘅 YouTube 頻道：
AI Rosetta
你嘅按讚、訂閱同分享，係對我哋最大嘅支持！🙏
更多 AI 新聞請瀏覽：https://www.airosetta.com