我们都知道，想让 AI 输出更优质的信息，就得喂它更有效的信息。知识库，就是作为这样的中央大脑而存在。 那过往的知识库都有什么问题？它只是文档的堆砌。文档一多就难检索，维护又高，以至于变成一座你不太敢打开的山。AI 擅长结构化，那么结构化的事，就应该交给 AI 去维护。 知识库接上大语言模型之后，它能更快帮你找信息。这是知识库底层的核心需求。但只做到这一步，文档堆砌的问题并没有被 fix。 我给"知识库"下一个定义，它应该有三层。 基础层，整理 + 检索，是底线; 再往上一层，沉淀隐性文档。比如从你迭代的内容里，识别出你的个人写作风格、表达节奏，反过来帮你写出更有人感的东西; 顶层是自我维护。它能指出问题，自己提议下一步该补什么，自己维护这个体系。 Andrej Karpathy 上个月发了一份 Gist，讲他自己怎么做知识库。我试行了一个月，真的非常好用。他把这件事讲得很清楚： 过去我们用 LLM 处理文档，本质都是 RAG，你把一堆资料扔进去，AI 在你提问的那一刻才去检索、拼接、给答案。问题在于，这种方式每问一次就从零开始一次，知识没有沉淀，跨文档的综合每次都要重做。NotebookLM、ChatGPT 文件上传, 本质都是这个逻辑。 他的解法是反过来。不让 AI 每次重新拼，而是让它增量地维护一份 Wiki。每多一份源进来，AI 不是存起来等以后查，而是当场读完、和你讨论要点、写一份摘要、更新已有的实体页和概念页、把矛盾标出来、把相关引用补上。一份新材料进来会牵动十几个页面同步改。Wiki 因此是会复利的资产，AI 是替你打理它的那个人。 整套架构只有三层。Raw 是原始资料，AI 只读不改，是 source of truth；Wiki 是 AI 全权拥有的 markdown 集合，摘要、实体、概念、对比都在这里，你只读，AI 写；Schema 是一份 CLAUDE.md，这样的配置文件，告诉 AI 这个 Wiki 长什么样、入库时该做什么、回答时走什么流程。 维护知识库耗费的从来不是「读」和「想」，是簿记。更新交叉引用、保持摘要新鲜、标注矛盾、维持一致性，这些事没人愿意做。人放弃 Wiki，从来不是因为它没价值，而是慢慢被高精力维护劝退。 #ai工具 #知识库 #知识库搭建 #karpathy知识库