0 程式碼打造 Karpathy 同款 AI 知識庫

FOMO 的你，又被 Karpathy 擺了一道

上週，Andrej Karpathy 發了一則推文，說他現在不再把大量的 AI token 花在寫程式上，而是花在構建個人知識庫上。這條推文獲得 1700 萬瀏覽，在中英文 AI 圈瘋傳。

大神又下場製造 FOMO 了，搞得大家都想躍躍欲試。

但你真試過就知道了，這個方法理論上雖然很強；但在執行上，會有很多問題。

Karpathy 用 LLM 搭建知識庫的做法是：把原始素材扔給 LLM，不用 RAG，不用向量資料庫，純靠 LLM 硬編譯成一個帶摘要、反向連結、概念索引的 markdown 知識庫。

這條推文 600 多字。坦率說，對於會寫程式的人，這個流程確實不複雜。

但是 Karpathy 作為工程師大神，他的寥寥幾筆，看著十分簡單，卻藏著大量的「默會知識」。不然也不會有那麼多人在他發出這條推文之後，跟進了 step by step 的搭建教學。

不過如果你打開這些教學，就會發現它們也都是工程師寫的，雖然挺詳細的 —— 怎麼建 raw/、wiki/、outputs/ 三層資料夾，怎麼在終端機裡配置 Claude Code，怎麼寫 system prompt 讓 LLM 按格式輸出 markdown……

但工程師畢竟是少數，絕大多數知識工作者面對這些教學依然存在極大的學習成本，這也就解釋了為什麼會引起如此之大的 FOMO。

自媒體的博主、做品牌行銷的行銷人、寫論文的研究生、準備課件的老師、研究行業趨勢的投資人 —— 這些人每天都在做「收集資訊 → 理解資訊 → 產出內容」，他們可能比工程師更需要一個 AI 知識系統。但讓他們去配終端環境、寫 markdown、調 prompt？

不現實。

作為不懂程式的大多數，依舊需要克服面對終端機和命令列的恐懼。

工具應該為用戶服務，而不是用戶為工具妥協。

Karpathy 用 LLM 大幅降低了「資訊整理」的成本。以前我們需要自己寫摘要、打標籤、建連結，現在讓 LLM 做，打造「第二大腦」的方式又進步了。

但終點沒變，這個知識庫只能「讀」。

如果只是用來研究和學習，那一個「自動整理得很好的知識庫」絕對夠用了。

**但是，知識工作者的本質是文書工作者，文書工作者的本質就是創作者。所有的知識工作者，真正的工作不是收集知識，而是

對這篇文章有疑問？