让 AI 维护你的知识库

编译器，不是检索器

传统 RAG 的思路是：保留原始文档，查询时切片、检索，再让模型临时拼出答案。Karpathy 的 LLM Wiki 实践提出另一种方式：让 LLM 定期读取原始材料，主动维护一套人可以直接阅读、编辑和链接的 Wiki。

两者解决的问题不同。RAG 擅长从大量原文中按问题取证；LLM Wiki 重点是把持续积累的材料编译成结构稳定的知识。个人知识管理可以先从透明的 Wiki 开始，需要大规模语义检索时再增加其他层。

三层架构

vault/
├── raw/             # 原始输入，只增不改
├── wiki/            # AI 编译后的稳定知识
│   ├── INDEX.md
│   ├── concepts/
│   ├── entities/
│   └── topics/
├── output/          # 报告、分析、问答等一次性产物
├── SCHEMA.md        # Wiki 的格式与维护规则
└── CLAUDE.md        # AI 的全局工作边界

raw/ 保留证据，wiki/ 保留当前理解，output/ 保留面向具体任务的产物。把三者分开，可以追溯知识从哪里来，也不会把临时回答误当成长期事实。

SCHEMA.md 是 Wiki 的宪法

Schema 至少应定义：

• 概念页、实体页、主题页分别放在哪里。
• 每类页面使用什么 frontmatter 和正文结构。
• 哪些标签允许使用，何时需要新增。
• 如何引用来源、建立双链、处理重复条目。
• 哪些情况必须先询问人，而不能自行决定。

---
title: 文章标题
tags: [标签1, 标签2]
sources: [raw/中的源文件路径]
created: YYYY-MM-DD
updated: YYYY-MM-DD
summary: 一句话摘要
---

原书建议同一篇文章中的同一概念只链接第一次；遇到尚无页面的重要概念，可以先建 stub，但不要未经规则新增顶级标签。

从零构建一次 Wiki 编译

先放入少量真实材料，例如一篇技术博客、一份工具对比、自己的旧笔记和一段播客记录。让 AI 扫描来源，提出页面计划；批准后分批创建主题页和概念页，并更新索引。

读取 raw/ 中尚未编译的文件，并遵守 SCHEMA.md。
先给出本次编译计划：准备新增或更新哪些 wiki 页面、各自引用哪些来源、可能合并哪些重复概念。
等我确认后执行。不要改写 raw/；每个结论标注来源路径；完成后更新 wiki/INDEX.md，并输出变更摘要。

规模和边界

编译不是一次性的“大整理”。把它做成周期工作：每周只处理新增材料，更新已有页面，保留来源和变更记录。知识库增长后，仍要限制单次修改范围，并用 Git 审查差异。

本课练习：编译五份材料

• 建立 raw/、wiki/、output/
• 下载并填写 SCHEMA.md
• 选择不超过五份原始材料
• 要求 AI 先输出编译计划
• 批准一小批页面并检查来源和 diff

下载《SCHEMA.md 模板》

编译器模式的价值在于知识会被持续维护，而不是每次提问都从零生成一个无法沉淀的答案。