0代码搭建Karpathy 同款AI知识库

FOMO 的你，又被 Karpathy 摆了一道

上周，Andrej Karpathy 发了一条推，说他现在不再把大量的 AI token 花在写代码上，而是花在构建个人知识库上。这条推特 1700 万浏览，在中英文 AI 圈疯传。

大神又下场制造 FOMO 了，搞得大家都想跃跃欲试。

但你真试过就知道了，这个方法理论上虽然很强；但在执行上，会有很多问题。

问题一、配置门槛高

Karpathy 用 LLM 搭建知识库的做法是：把原始素材扔给 LLM，不用 RAG，不用向量数据库，纯靠 LLM 硬编译成一个带摘要、反向链接、概念索引的 markdown 知识库。

这条推文 600 多字。坦率说，对于会写代码的人，这个流程确实不复杂。

但是 Karpathy 作为工程师大神，他的寥寥几笔，看着十分简单，却藏着大量的“默会知识”。不然也不会有那么多人在他发出这条推特之后，跟进了 step by step 的搭建教程。

不过如果你打开这些教程，就会发现它们也都是工程师写的，虽然挺详细的——怎么建 raw/、wiki/、outputs/ 三层文件夹，怎么在终端里配置 Claude Code，怎么写 system prompt 让 LLM 按格式输出 markdown……

但工程师毕竟是少数，绝大多数知识工作者面对这些教程依然存在极大的学习成本，这也就解释了为什么会引起如此之大的 FOMO。

自媒体的博主、做品牌营销的市场人、写论文的研究生、准备课件的老师、研究行业趋势的投资人 —— 这些人每天都在做「收集信息→理解信息→产出内容」，他们可能比工程师更需要一个 AI 知识系统。但让他们去配终端环境、写 markdown、调 prompt？

不现实。

作为不懂代码的大多数，依旧需要克服面对终端和命令行的恐惧。

工具应该为用户服务，而不是用户为工具妥协。

问题二、「知识库」就是个大坑

Karpathy 用 LLM 大幅降低了「信息整理」的成本。以前我们需要自己写摘要、打标签、建链接，现在让 LLM 做，打造「第二大脑」的方式又进步了。

但终点没变，这个知识库只能“读”。

如果只是用来研究和学习，那一个“自动整理得很好的知识库”绝对够用了。

但是，知识工作者的本质是文书工作者，文书工作者的本质就是创作者。所有的知识工作者，真正的工作不是收集知识，而是用知识创造内容。

日常工作中所有的学习和研究，终点都是为了产出内容。这样就意味着，光有一个漂亮的 wiki 并不能帮我们完成最终的工作。

知识库这个概念就是一个华丽的死胡同，你获得的只有「所见即所得」的假性满足，但没有收获「产出和交付」所带来的真实回报。

所以，知识库的本质是「生产力色情」—— 它完美模拟了「收获」的快感，但不提供生产力的结果。

我用一个真实的场景来说明区别。

就拿 Karpathy 这件事本身做例子。假设你是一个 AI 公司的市场营销，你看到了他的推，想蹭个热点、围绕这个话题做一系列内容

如果按照按 Karpathy 的方法，你需要经历以下步骤：

把他的推文、idea file、相关评论文章，通过脚本抓取，下载到 raw/ 文件夹
安装 Node.js，在终端安装 Claude Code，写指令文件，让 Claude Code 把这些素材编译成几篇 wiki 文章
下载 Obsidian 或其他 markdown 编辑器，才能到了一个关于「LLM Knowledge Base」的结构化知识库
然后，你打开一个空白文档，开始自己写

^{Nick Spisak 演示LLM知识库搭建}

先不说第 4 步，光是前三步，你就需要会用终端、装 Node.js、配 API key、写 prompt 指令、下载 Obsidian……对大多数人来说，还没开始建知识库，就已经被工具链劝退了。

而就算你跑通了这一切，到了第 4 步，你又回到了起点。知识库帮你理解了这件事，但写作、配图、发布……这些还是要你从零开始。

那么，有没有方法能同时解决这两个问题，轻松构建一个以产出结果为导向的「第二大脑」呢？

有。你现在正在阅读的这篇文章，就是我用这样的方式产出的。全程我只使用了一个工具，YouMind。我演示具体步骤：

具体怎么做？

第一步：收集素材

在浏览器打开 YouMind，新建一个 Board（你可以理解为一个项目空间），然后把所有相关素材存进去：

网页文章：粘贴链接，自动抓取全文
YouTube 视频：粘贴链接，自动获取字幕和内容
PDF 论文：直接上传
播客：粘贴链接，自动解析音频
自己的想法：随手写进笔记

这就是 Karpathy 的 raw/ 文件夹，但不需要手动下载任何东西，也不需要操作文件系统。

第二步：AI 理解与对话

素材存好之后，可以在 Board 内直接和 AI 对话。AI 的上下文是我们亲手策展的、与这个主题相关的一手材料，不是互联网上的泛泛信息。

你可以问它：

「这几篇文章的核心观点有什么异同？」
「Karpathy 的方法和 Tiago Forte 的 PARA 方法论本质区别在哪？」
「基于这些素材，帮我提炼三个最值得写的选题角度」

这对应 Karpathy 的 wiki 编译过程。但区别在于：你不需要等 LLM 自动生成一整套 wiki，而是通过对话来主动引导理解的方向。

第三步：从理解到创作

这一步是关键分界线。Karpathy 的工作流到上一步就结束了。而在 YouMind 里，你可以直接用自然语言，命令 AI 从理解进入创作：

基于素材和对话，生成一篇结构完整的博客初稿
从对话和理解，中提炼出适合发 Twitter 的短内容
把核心论点变成视觉化的信息图
直接演示文稿

所有这些产出都保存在同一个 Board 里，和你的素材、对话记录在一起。它们不是孤立的文件，而是同一条知识链路上的不同节点。

第四步：知识持续生长

Board 不是用完就扔的。你可以设置定时任务，让 YouMind 定期为你自动抓取 Karpathy 的推特更新，并保存在同一个 Board 中，完成知识的复利滚动。

这才是「第二大脑」应该有的样子，不只是积累，还能产出。

把 Karpathy 的方法和 YouMind 放在一起看，代表了两种不同的「AI 第二大脑」哲学：

	Karpathy LLM 知识库	YouMind
适合谁	工程师	创作者、知识工作者
搭建成本	Node.js、终端、Obsidian、Claude Code	打开 YouMind 浏览器版本就能用
核心动作	素材→知识库（wiki）	素材→理解→创作
AI 的角色	图书管理员（整理、索引）	协作者（对话、理解、共创）
终点	阅读与研究	生产与发布
知识形态	markdown 文件	多模态、可视化内容（文章、图片、slides、网页、视频等）

信息焦虑的真正解法

最后说一个有意思的事。

Karpathy 建了一个 40 万字的 wiki。但你想想，全世界引用的是什么？不是那个 wiki，是他的推文、他的视频、他写的文章。他的 markdown 文件只有他自己看，他的推文 1200 万人看。

真正的知识库不是一个系统，是一个人。

你写了一篇文章把一件事讲透了，别人收藏你的文章、引用你的观点——你就是他们的知识库。

这才是知识焦虑的解药。焦虑的人在往系统里灌信息，觉得系统会替他理解。但真正有影响力的人在往外输出理解，把自己变成别人的信息源。

前者永远焦虑，因为信息无穷无尽；后者不焦虑，因为他已经通过表达完成了理解。

所以问题从来不是「怎么建一个更好的知识库」，而是「怎么让自己成为知识库」。答案很简单：持续输出。

YouMind 做的事，就是帮你从信息的消费者，变成信息的源头。

---

本文与配图由编辑与YouMind共同创作。