状态：推荐试用 · 适合个人知识库蒸馏、长期资料沉淀与主题 Wiki 维护
速读#
传统个人笔记系统最容易沦为「资料收集墓地」：收集了一堆链接和文章，但从未消化，也无法相互关联。
karpathy-llm-wiki 提出了一个极简认知模型：
raw/：存放原始文章、网页抓取与 PDF（只读底稿）；wiki/：由 AI 定期读取 raw 资料，提炼出结构化的概念词条、交叉索引与演进综述。
为什么它比普通 RAG 更适合个人#
普通 RAG 只是在碎片向量里按相似度检索片段，无法形成系统的全局概念。LLM Wiki 则像维基百科一样，由模型自主维护词条的分类层次、上下游关联与综述更新。
# 典型知识库目录设计my-knowledge-base/├── raw/ # 原始资料归档（PDF, Markdown, 网页抓取）├── wiki/ # 蒸馏产物（概念词条、主题综述、索引网）└── scripts/ # 触发模型更新 Wiki 的 Python 蒸馏脚本最短上手#
- 建立
raw/与wiki/两个目录。 - 放入 3~5 篇同主题的技术长文到
raw/。 - 编写提示词让模型通读这几篇资料，在
wiki/生成 1 个主题综述文件与 3 个核心概念词条。 - 人工校验生成词条的准确性，体验会生长的笔记系统。
不适合什么情况#
- 追求毫秒级事实问答（结构化知识图谱或精准搜索更合适）。
- 无法容忍模型偶发总结偏差的医疗/法律敏感资料。
知识的价值不在于收集了多少原始字节，而在于它们之间建立了多少有效的结构与链接。