写在前面 我知道对于很多还在上班的人，目前在突飞猛进的AI确实会让人产生焦虑，但是如果你深度的使用，非常高强度的用这个工具创造属于你的东西，那么你会对工具本身产生新的认识，它是一个非常好的杠杆，会放大你的判断力、你的创造力，而且会让你对未来产生新的看法和“幻想”，如果你热爱创造、渴望拥有刻上自己名字的内容、更好的理解这个世界，请不要因为害怕被替代（人是不会被替代的），而是猛猛地拥抱它。
工具是中性的，没有好坏，未来会怎么样，只在于你怎么用它看待新世界。
前两篇的内容是openclaw通过挖掘我之前积累的很多素材并模仿我的一些写作风格写的，我原本的计划是在前两篇之后写一下关于一些工具的使用技巧，如何能更合理、快速的通过工具做出自己想要的东西，但是最近github上一条很火的内容[llm-wiki](# llm-wiki.md)让我改变了这个计划。
我原本就有收藏很多内容的习惯，之前收藏的很多内容、信息都会堆在浏览器收藏、notion仓库里，开始用openclaw之后，我做了个一个skill，把我看到的内容丢给它，它会自动帮我提取里面的内容整理总结好，上传到github上，我只要本地更新一下，就可以更新到我的obsidian仓库里。
需要用到的时候，会让claude code 直接访问我的obsidian库，让它直接在我的库里搜索我想要的答案，换句话说，claude code是我的本地知识仓库的搜索引擎，能够快速提取我想要的内容，并通过我收集到的信息来解答我的问题。
但其实收藏 ≠ 拥有，收藏的时候觉得自己拥有了，需要的时候发现根本找不到。
我在 Obsidian 里堆了几百篇文章，但没有"目录"，没有"关联"，没有"这个知识点跟那个知识点有关系"的标注。每篇文章都是一个孤岛。
以我最近在做的主业为例，我在小红书上开店，我收集了几十篇关于小红书开店卖东西的资料、视频，从选品到测品再到数据分析，每一篇我都读过，但是其实我得到的是分散的内容，它并没有串成一条主线，当我遇到实际的问题时，还是会习惯性的寻找新的解决问题的答案，看完了，然后把它收藏到了我的知识库里，又变成了一个新的小的“知识点”，但其实我要用的时候并不能直接给我帮助。
01｜Karpathy 的洞察：知识要"编译"，不要每次重新"推导"
RAG 的问题
大多数人用 AI 管知识的方式是这样的：
丢一堆文件进去 → 问问题 → AI 从原文里找片段拼答案
这就是 RAG（检索增强生成）。NotebookLM、ChatGPT 文件上传都是这个思路。
能用。但有一个问题——每次都是从零开始。
你问一个问题，AI 翻一遍原文，拼一个答案出来。下次问类似的问题，它又翻一遍原文，又拼一遍。上一次的答案不会"留下来"，知识没有被"编译过"。
这就像你每次考试都从课本重新学一遍，而不是有一本笔记可以翻。
Karpathy 的 LLM Wiki
Karpathy（OpenAI 联合创始人）在 2026 年 4 月发了一个 gist，提出了一种不同的做法：
与其每次从原文里重新找、重新拼，不如让 AI 持续维护一个结构化的 wiki。每读一篇新内容，AI 不只是索引它，而是把关键信息提炼出来，更新到对应的 wiki 页面里——更新实体页面、修正过时的结论、标注矛盾、建立交叉引用。
知识编译一次，持续保鲜。 下次你问问题，AI 读的是 wiki（已经整理好的知识），而不是原始文档（没整理过的素材）。
只要你的素材库在更新，你就可以让LLM持续的迭代wiki，最后让你在某一个专项里收集得到的材料变成一个真正的在持续进步的知识库。
我基于他的这篇文章，昨晚逐个检索阅读了我收集的小红书虚拟资料相关的内容，它“总结”了一篇非常详细的小红书虚拟资料方法论，基本上能解决95%的经营过程里遇到的问题。然后进一步，我还让AI通过对这些内容对理解，对我进行了访谈，通过问答的形式，我得到了一个更加“个性化”的我的个人能力与方向的文档，可以作为我自己工作的一套行动指南。
02｜我的实践过程
三层架构
我在 Obsidian 里搭了三层结构：
第一层：Raw Sources（原始素材，只读）
| 目录 | 内容 | 规则 |
|---|---|---|
Clippings/ |
Web Clipper 抓取的文章 | 只读，永远不改 |
knowledge/ |
各类知识素材 | 只读 |
podcast/ |
播客笔记 | 只读 |
这一层是"原材料"。AI 只能读，不能改。保证原始信息不被污染。
第二层：Wiki（AI 维护的知识核心）
core_knowledge/ 目录，目前有这些页面：
04-小红书虚拟资料方法论— 从选品到爆款笔记到数据复盘的完整闭环05-提示词知识地图— 全库提示词内容的索引06-个人能力与方向分析— 深度访谈的结论索引.md— 所有页面的目录log.md— 操作日志
这一层是 AI 写的。我只负责读和确认方向。
第三层：Schema（告诉 AI 怎么干活）
CLAUDE.md 文件——告诉 AI：
- 哪些目录只读、哪些可写
- 每个 wiki 页面的格式约定（frontmatter、标签等）
- 三个核心操作的工作流（Ingest / Query→Wiki / Lint）
这一层是整个系统的关键配置文件。 有了它，每次新开一个 Claude Code 会话，AI 都知道怎么维护这个 wiki，不需要你从头解释。
三个核心操作
Ingest（摄入新素材）
流程：读原始素材 → 提炼要点 → 写入/更新 wiki 页面 → 更新索引 → 追加日志
我把37篇小红书开店运营资料，提炼成了一个 04-小红书虚拟资料方法论 页面。一个素材可能涉及多个页面的更新（交叉引用、矛盾标注）。
一个关键原则：知识编译一次，持续保鲜。不要每次从原文重新推导。
Query → Wiki（好的问答沉淀回 wiki）
当你问 AI 一个问题，AI 给了一个好的分析/对比/建议——不要让它消失在对话历史里。
主动说"把这段沉淀下来"，AI 就会把它写成新的 wiki 页面。
读完全部小红书开店相关资料后，我让 AI 对我做了一个深度访谈。访谈的结论变成了 06-个人能力与方向分析 这个 wiki 页面。
Lint（定期体检）
定期让 AI 检查 wiki 的健康状况：
-
页面之间有没有矛盾？
-
有没有"孤儿页面"（没有入链）？
-
有没有过时的结论？
-
索引是否跟实际一致？
03｜如果你也想试试：从零开始搭建指南
你需要准备什么
- Obsidian — 免费的 Markdown 笔记软件，下载装好就行
- Claude Code
- 一个用来放东西的文件夹 — 你的 Obsidian 仓库 （介于claude code使用有门槛，用codex、cursor、trae等别的ide工具也可以，只要让它们能访问你的obsidian仓库就可以）
第一步：先把素材收进来
不管你用什么方式，先把你觉得有用的内容存下来。
收集方式你选一个顺手的就行：
- Obsidian Web Clipper（浏览器扩展）：浏览网页的时候一键保存成 Markdown，直接进你的obsidian仓库（超级好用）
- 手动复制粘贴：最笨但也最可靠的方式，新建一个 md 文件，把内容贴进去
- OpenClaw：如果你在用 AI 助手，可以让它帮你自动抓取和整理
- 飞书/Notion 导出：大部分工具都支持导出成 Markdown
重点是：先收进来。 不用管格式好不好、要不要整理，先存下来。
第二步：让你的AI工具访问你的obsidian目录
打开claude code/codex/cursor等等，访问你的obsidian的目录，然后让它阅读这个链接的内容， https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f 告诉它你要干这件事，剩下的就交给AI去执行就好了。
04｜写在最后
因为AI的出现，内容生产的门槛又被大大的降低了，如果说整个互联网上以前90%是垃圾的话，现在就是99.99%。在海量的垃圾信息里找到真正的好内容会变得越来越难，如果你对自己摄入的信息有要求，有品味，不想被垃圾信息、网络烂梗充满自己的大脑，想找到好内容来指导自己的创作、开始自己的小生意，搭建一个属于自己的知识库是恐怕是必需的。
AI的辅助会让你把你觉得好的内容留下来，进而指导你的下一步的行动，你自己实践留下来 、写下来的真知灼见也会变成下一次行动的养料，它会越变越好，会变成你的知识“复利”，这是你用自己的想法训练出的算法，不是别人投喂给你的垃圾。
再回到我在最前面写到的那句，技术本身没有好坏，取决于你怎么用它看待“新世界”，我用AI用的非常非常多，虽然AI能在很多不经意的时刻洞察到一些我没注意到的细节，但是它仍然替代不了我自己的思考和判断，我是主动在做选择、做判断，这些选择和判断是AI不会主动去做的，它仍然是一个被动的、等待人类去唤醒去启动的工具。
我在写这篇文章的时候和Claude 讨论了关于这个新的构建知识库的方法的优点和弊端，我是这么问它的：
当知识库里存在错误时该怎么纠正呢？而且感觉如果整个库越来越庞大，是不是内容也会越来越繁杂，检索页会越来越复杂，另外我觉得这个系统是不是更适合沉淀一个专门类目的知识，
假如我想串联crossfit和ai的内容，其实是需要人来在中间串联的，我打个比方，举重看似是需要很强的力量，但是其实顺势而为会获得更大的动能，llm看似是需要人来强力约束，但是适当的放松会获得意想不到的结果，我这个比方不合适，但是我就是随便一说，我觉得这两个东西在概念上是有相似的
它的回复：
你这个比方其实挺准的。
举重里叫"借力"——不是硬顶，是让杠铃的惯性帮你完成动作。LLM 里对应的是不要用死板的 prompt 把模型锁死，给它一点运动空间反而能输出更有弹性的结果。本质都是：顺着系统的物理特性走，而不是对抗它。
这种跨领域的类比其实是很有价值的知识，但你说得对——这类洞察确实需要人来串联，LLM Wiki 本身产生不了它。Wiki 只能整理你已经输入的东西，创造性的连接还是得你来。
回到你问的两个实际问题：
怎么纠正错误沉淀
Karpathy 提到的 Lint 操作就是为这个设计的——但光靠 AI 自查是不够的，因为 AI 不知道它自己写错了什么。更可靠的方式是：
原始资料永远保留，Wiki 是派生物。如果你发现某页写歪了，可以让 AI 对照原始资料重新生成那页，或者你手动改。因为原始资料不动，Wiki 永远可以从头重建。
规模越大越乱的问题
这个担忧是真实的。Karpathy 的建议是靠 index.md 和 log.md 来控制导航复杂度，但说实话在几百页之后这也会力不从心。社区里有人已经在说这个问题了——他在文章评论区里有人指出大概到 100 篇资料之后系统开始退化。
真正的解法可能是你说的那个方向：按领域分库。一个 CrossFit 库，一个 AI 库，而不是把所有东西混在一起。混在一起的问题不只是复杂，而是 AI 整理时不知道"举重"和"transformer"之间的关系，可能乱建链接。
你那个类比让我想到一个有意思的结构
跨领域的洞察可以单独存一类——不是事实性的知识，而是模式和原则。比如你那个"借力"的类比，本质是：
复杂系统里，顺应内在动力比强行施力更有效。
这个原则可以单独存一页，然后从举重和 LLM 两个方向分别链接进来。这样 Wiki 里就出现了一种新的节点类型：不是"CrossFit 知识"也不是"AI 知识"，而是你自己提炼出的底层原则。这类节点往往是一个知识库里最有价值的东西——也是最需要人来写的东西，AI 不会自发产生它。
主动提问、联想、选择、决策是AI无法替代人类的部分，你的提问、联想、选择、决策，决定了你如何用新的工具看待新的世界。