2026年4月2日晚，AI领域知名专家、OpenAI创始团队成员、前Tesla AI总监安德烈·卡帕西（Andrej Karpathy）在X平台发帖，详细分享了自己近期使用大型语言模型（LLM）构建个人知识库（Knowledge Base）的完整工作流。这一帖子迅速引发全球开发者与AI从业者热议，阅读量超过900万，点赞超过3.6万，被视为AI从“代码时代”迈向“知识时代”的标志性实践。
卡帕西在帖中直言，最近他的token消耗方向正在发生显著变化：以往更多用于“操控代码”，现在更多用于“操控知识”（以Markdown和图像形式存储）。他发现，最新一代LLM在知识整理、总结和推理上已足够强大，完全可以让LLM成为知识库的“编译器”和“维护者”，而人类只需偶尔审阅。
完整工作流：Raw数据 → LLM自动编译Wiki → Obsidian可视化
卡帕西的工作流可概括为“Raw → Compile → Query → Enhance”的闭环，核心工具仅三个：本地文件夹、LLM代理和Obsidian笔记软件。
- 数据摄入（Ingest）：将研究资料（论文、文章、代码仓库、数据集、图像等）统一放入“raw/”目录。网页文章使用Obsidian Web Clipper一键转为干净的Markdown文件，同时通过热键下载相关图像到本地，确保LLM能通过视觉能力直接引用。
- LLM编译Wiki（Compile）：LLM逐个读取raw/中的原始资料，自动生成一个结构化的Markdown Wiki目录。Wiki包含所有文档的摘要、反向链接（backlinks），并将内容归类为不同概念，撰写专题文章并相互链接。整个过程是增量式的（incremental），新资料加入后LLM会自动更新相关条目。卡帕西强调：“LLM负责编写和维护Wiki的全部数据，我很少直接手动编辑。”
- Obsidian作为前端（IDE）：使用Obsidian查看原始资料、编译后的Wiki以及各种衍生可视化（如图表、幻灯片）。Obsidian插件（如Marp）可将Markdown直接渲染为幻灯片。卡帕西特别指出，保持个人主Vault干净、让Agent在单独Vault中操作，可有效防止“污染”风险。
- 复杂问答与研究（Q&A）：当Wiki规模达到约100篇文章、40万字时，可直接向LLM代理提出复杂问题。LLM会自动维护索引文件和文档摘要，在上下文窗口内高效检索，无需依赖复杂RAG系统。卡帕西发现，在这个“小规模”下，LLM已能很好地完成研究任务。
- 输出与反馈闭环（Output & Filing）：LLM不再仅输出纯文本，而是生成Markdown文件、Marp幻灯片、Matplotlib图表等可视化结果。这些输出可直接“归档”回Wiki，进一步增强知识库。卡帕西称：“每次探索和查询都会让知识库‘增值’。”
- Linting与健康检查：定期让LLM对Wiki进行“健康检查”，发现不一致数据、补充缺失信息（结合网络搜索）、挖掘新概念连接，甚至建议后续研究方向，实现知识库的持续优化。
此外，他还vibe‑coded了一个简单的Wiki搜索引擎，并作为工具交给LLM使用。长远看，他计划通过合成数据+微调，让LLM将知识“内化”到权重中，而非仅依赖上下文。
社区反响：从个人实践到产品化讨论
帖文发布后，Lex Fridman、Obsidian CEO kepano（@kepano）等大V迅速回复。Lex Fridman表示自己也采用类似Obsidian+Cursor+动态HTML的混合方案，甚至将迷你知识库转为语音交互，用于跑步学习。kepano则建议严格区分“个人Vault”和“Agent Vault”，避免Agent生成内容污染人类知识。
Reddit、LinkedIn和VentureBeat等平台快速跟进，开发者纷纷分享类似工作流或基于此构建的工具。许多人认为，这不仅是个人效率提升，更是AI Agent从“一次性问答”向“长期知识 compounding（累积）”的范式转变。
深远影响：AI知识管理新时代的开端
卡帕西的工作流揭示了AI应用的新方向：LLM不再只是聊天工具或代码助手，而是成为个人知识的“编译器”和“管家”。其核心价值在于知识累积效应——每次查询都会反哺Wiki，让知识库随使用不断进化，而非每次都从零开始。
这一实践对开发者、研究者和企业都有启示：
- 个人生产力：研究者可快速构建领域知识库，减少重复阅读和整理时间。
- Agent生态：推动从简单RAG向“LLM自主维护知识图谱”演进，为多Agent协作提供基础。
- 产品机会：卡帕西在帖末直言，“这套hacky脚本背后，存在打造一款‘不可思议新产品’的空间”。社区已出现多款基于Obsidian+LLM的插件和工具，预计2026年将涌现更多商用知识库产品。
同时，这一工作流也凸显了当前AI的局限：在大规模（百万字以上）知识库场景下，仍需结合索引和搜索技术；数据隐私与版本控制仍是挑战。
卡帕西的分享再次证明，AI真正的价值不在于模型参数，而是如何与人类知识工作流深度融合。从“操控代码”到“操控知识”，这不仅是个人习惯的改变，更是AI从辅助工具向智能伙伴转型的缩影。未来，类似“LLM知识库”或将成为每位知识工作者的标配，而Obsidian+LLM的组合，正悄然定义下一代个人知识管理范式。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com