Karpathy 的知识库方案很好，但它不是为你设计的

之前聊过 Karpathy 的个人知识库方案，不少朋友照着搭了起来。但搭完之后，有人说了句很实在的话：

工具都会装，但装好后往里面塞什么，反而成了难题。

最近国内的范凯——Ja vaEye 的创始人，早期写博客的老玩家应该都认识——在 Karpathy 方案的基础上做了一次大改造。改完之后反响不小，很多人评价“比原版更能用”。

把两个方案放在一起比对了许久，发现一个有意思的事——

它们根本不是同一类方案。

表面上看，用的都是 Obsidian + LLM + Markdown 这套组合，但背后的出发点截然不同。而那种“搭好了不知道往里塞什么”的困惑，根源几乎都指向一个没人问过的前置问题：这个方案，到底是给谁设计的？

搭知识库的第一步，从来不是选工具，而是看清楚自己。

一、Karpathy 的出发点：让知识积累，而非每次从零开始

上一篇讲的是 Karpathy 方案的操作层，这次往下挖一层：他为什么要这么设计。

回想一下所有用 AI 的人都经历过的瞬间——

上周和 AI 认真讨论过一个问题，讨论得很深入。这周换个新对话，想接着上次的思路往下走，结果 AI 一脸陌生，从零开始给你讲基础概念。上次聊的上下文全丢了。

Karpathy 说的就是这件事。他的解法很直接：让 LLM 把每次对话里产生的知识，沉淀成 Markdown 文件。下次再问，AI 先翻已有的笔记，在之前的基础上往前推。知识像滚雪球一样越攒越多，交叉引用越来越密。

上一篇讲的三层架构和四个动作，都是在这个底层逻辑上长出来的。其中最精妙的是 Lint——让 AI 定期扫描知识库，找矛盾、找孤岛、找过时。用 Karpathy 的话说（大意）：维护知识库最累的不是阅读和思考，而是记账（bookkeeping）。读文章、判断价值是人类该干的事；整理格式、更新链接、检查过时——这些交给 AI。

在这个出发点下，知识库的终点是 Wiki 本身。AI 越维护得好，Wiki 就越完整；Wiki 越完整，AI 下次回答就越有基础。Wiki 就是目的。

这套方案对 Karpathy 这种研究者来说几乎无懈可击——研究者的工作本来就是“让知识沉淀下来”。

但问题来了：对不是研究者的人，“知识沉淀在 Wiki 里”就是终点了吗？

二、范凯的出发点：知识存着不用，等于没有

你可能也有过这种感觉——

辛辛苦苦攒了几百条笔记，做了完美的目录。一个月后打开 Obsidian，突然问自己：这些东西我最近用过吗？大多数答案是没有。笔记安静地躺在硬盘里，像一座永远装修不完的房子，你从来没真正住进去过。

范凯在他的改造文章里开门见山：

基于这个出发点，范凯做了三个关键改动。

Karpathy 原版是三层架构（Raw Sources / Wiki / Schema）。范凯拆成了五层：

• Notes/（输入层）— 网页剪藏、碎片想法、AI 对话
• Knowledge/（知识层）— 方法论、读书笔记、原创思考
• Software/（技能层） — 工具技巧、开发笔记
• LifeOS/（行动层）— 投资、健康、保险等落地事项
• Writing/（产出层）— 视频脚本、文章、运营 SOP

中间三层是并行的管线，各管各的领域。最下面的 Writing/ 产出层是 Karpathy 完全没有的。范凯的原话：

在 Karpathy 那里，弹药库就是目的；在范凯这里，弹药库只是中间站，开枪才是目的。

而 LifeOS/（行动层）也容易被忽略。范凯说，投资笔记不是写完就完，要指导真实的交易决策；健康计划要变成每周的训练安排。知识不只要“产出”，还要“落地”。

Karpathy 的 Raw Sources 是一个统一容器。范凯把输入拆成了三类：Clippings（网页剪藏）、Inbox（碎片想法）、Conversation（跟 AI 的有价值对话）。

范凯的原话：

这是范凯自己说的“跟 Karpathy 最大的分歧”。

Karpathy 的模式是让 LLM 主笔维护 Wiki，人参与审阅。范凯试过之后发现，AI 对“这篇文章应该放哪”的判断经常不靠谱——比如把内容创作方法论放到了 Knowledge/ 而不是 Writing/Knowledge/，或者本该合并到已有文档的内容被新建了一个文件。

所以他加了一条规则：AI 先列方案，人确认了再动手。用他的话说，分类反映的是你自己的思维结构，AI 可以建议，但最终得你来定。成本很低——看个表格而已——但能避免很多返工。

这三个改动背后是同一个出发点：知识必须流动起来，必须能变成东西，必须能落地。

三、两种方案，同一张桌子

	Karpathy · 让知识积累	范凯 · 让知识开枪
出发点	别让 AI 每次从零开始，让知识攒起来	知识存着不用，等于没有
终点	Wiki 本身	Wiki 之后的产出和行动
架构	三层（Raw / Wiki / Schema）	五层（输入 / 知识 / 技能 / 行动 / 产出）
AI 的角色	主笔维护，人参与审阅	参谋报方案，人拍板执行
最怕什么	矛盾、孤岛、过时	积压、不产出、吃灰
典型提问	“X 和 Y 的关系是什么”	“这些素材能写什么”
交叉引用	密集链接，AI 自动维护	少即是多，只留强关联

你的出发点决定了你该抄哪一份。

四、还有第三种出发点

除了“让知识积累”和“让知识开枪”，还有没有第三种？
有。

笔者就属于第三种。所做的是 AI + 保险这个交叉地带——一边是变化极快的 AI 技术，一边是变化极慢的传统行业。这种位置的人，每天接触到的信息极其碎片：监管文件的一段、某个模型的新能力、竞品的一个功能、一次和业务方的争执、一篇论文里的工程细节。这些东西单看都没意义，合在一起才是你对这个行业的真实理解。

出发点既不是“让知识积累成百科”，也不是“让知识变成内容”，而是——把一个陌生而复杂的行业，慢慢装进自己的脑子里。

这种知识库更像一块慢慢变厚的“认知底座”。它平时不怎么被翻，但每一个架构判断、每一次和业务方对齐，都悄悄建立在它之上。

为什么做 AI + 传统行业的人需要这种特殊形态？因为光靠公司文档装不进脑子。公司文档能告诉你“我们现在是怎么做的”，但告诉不了你“为什么这么做、下次遇到变化该怎么判断”。这种“为什么”和“怎么判断”，只能靠自己在一天一天中慢慢对齐、消化、沉淀。

这种“认知底座”有几个反常识的设计，甚至有一些是反 Karpathy 的（比如 Raw 不能“只进不改”）。下一篇单独说。

如果你也在做 AI + 传统行业（保险、医疗、金融、政务），下一篇应该会有共鸣。

五、两个自检问题

在动手改造你的知识库之前，花一分钟回答两个问题。

→ 一本越长越厚的“个人百科”——出发点接近 Karpathy，上一篇的方案直接用
→ 一个持续产出的“弹药库”——出发点接近范凯，加产出层和行动层
→ 一块让你对复杂行业越看越透的“认知底座”——第三种，下一篇讲

→ “它没能帮我想得更深”——你是积累型
→ “它没能帮我写得更多”——你是产出型
→ “它没能帮我把这个行业真正装进脑子”——你是第三种

答案大概率指向同一个方向。这就是搭知识库的真正第一步——不是选 Obsidian 还是 Notion，是先看清自己的出发点。

· · ·

“搭好了然后呢”——这是上一篇发出来之后最多的一个问题。答案不是再装一个插件，而是退一步，看清自己到底要用知识库干什么。

工具是中性的，方法是有立场的。你的出发点，决定了这两样东西在你手里会变成什么。

下一篇见。

---