状态：推荐使用 · 适合持续积累的中小型个人知识库
速读#
karpathy-llm-wiki 把一个很朴素的想法做成了 Agent Skill：不要每次提问都从原始资料重新检索和临时总结，而是在资料进入时，就让模型维护一组长期存在的 Markdown Wiki 页面。之后查询先读 Wiki，新增资料再更新旧页面，知识关系因此会累积。
它只有三个核心动作：
| 动作 | 做什么 |
|---|---|
| Ingest | 保存原始来源，并新增或更新对应 Wiki 页面 |
| Query | 搜索 Wiki，用页面作为依据回答并给出引用 |
| Lint | 检查索引、链接和知识库结构，修复可确定的问题 |
三个动作已经覆盖最小闭环，没有先上向量库、图数据库、管理后台和一堆评分字段。这种克制正是我推荐它的原因。
raw/ 和 wiki/ 必须分开#
它的目录设计比具体提示词更重要：
your-project/├── raw/ # 不改写的原始资料└── wiki/ # 模型维护的综合知识页、索引和日志raw/ 是证据，wiki/ 是解释。模型总结错了，可以回到原文核对；新的资料和旧结论冲突，也可以更新 Wiki 而不覆盖来源。很多所谓 AI 知识库的问题，不是检索不到，而是把原文、摘要和模型推断混在了一起，最后没人知道哪句话来自哪里。
它和 RAG 不是替代关系#
RAG 擅长在大量原始分块里临时找相关内容；LLM Wiki 则在资料进入时先做综合，把关系、结论和交叉链接保存下来。前者偏广度检索，后者偏长期整理。
我之前在《LLM Wiki 和 RAG：不是替代，是把整理时间挪到了前面》里写过这个判断。这个项目的价值，是把判断变成了可以直接安装和复用的工作流。
最短上手#
npx add-skill Astro-Han/karpathy-llm-wiki安装后先喂一份真正熟悉的资料，再问一个自己知道答案的问题。第一轮不要追求规模，先检查三件事：原文是否完整保存、Wiki 有没有偷偷增加原文不存在的判断、回答能否回到具体 Wiki 页面。这个闭环可信，再继续扩充。
为什么推荐#
- 文件可读：不用专用数据库，Git、grep 和普通编辑器都能检查。
- 知识会复利：新资料可以更新多个旧页面，而不是只多出一批孤立分块。
- 工具无关：遵循 Agent Skills 结构，可用于 Claude Code、Cursor、Codex 和其他兼容工具。
- 边界明确：项目刻意不做向量搜索、评分系统、自动定时任务和 UI，规模没逼到那里就不提前付成本。
不能交给它自动相信#
Wiki 仍然是模型生成内容，引用链不能替代事实核对。来源本身错误，Wiki 只会更有条理地继承错误；模型把两份资料拼错，Markdown 也不会自动变真。
它也不适合把海量文档一股脑倒进去后期待全量召回。知识库大到 grep 和直接阅读明显漏结果时，再补全文索引或向量检索；在那之前，先把资料选好、页面写实、链接维护好。
这个项目最好的地方，是没有把知识管理包装成神秘基础设施。原始资料留下，综合页面可改，索引可以 lint——先把这三个朴素动作做稳，知识才有机会越用越值钱。