前言你还在让 RAG 像个临考前一通乱翻的学渣吗每次提问才手忙脚乱地检索用完即弃知识库活成了一次性筷子 ✨现在换个玩法把检索从查询期提前到摄入期编译——在知识入库的那一刻就把“消化”和“索引”做到位让知识库从消耗品彻底变成能不断增值的复利资产 开箱即食把“预编译”直接挂给你的 Agent光看不过瘾我写了一个 直接可以挂载到任意agent的Skill——GitHubllm-wiki-skill本文带你轻松拆解 Andrej Karpathy 的原始 pattern 钻进两个开源项目看不同技术血统怎么落地nashsu/llm_wikigarrytan/gbrain不用苦大仇深跟着玩一遍你会笑着把“预编译知识库”装进脑袋 一、Karpathy LLM‑wiki 核心机制1.1 ️ 三层架构 Raw sources文章、论文、图片。LLM 只读不改——真相源 Thewiki摘要/实体/概念/对比/综述页。LLM 全权拥有——人只读不写⚙️ The schema一份 markdown告诉 LLM wiki 的结构、命名约定、冲突处理、何时开新页/合并页人和LLM一起迭代它——本质是用自然语言写一份“知识库宪法”1.2 ⚡ 三个核心操作 Ingest摄入—— 丢一份新源LLM 做读源 → 讨论 key takeaways写 summary 页更新index.md触达 10–15 个相关页实体/概念页都更新在log.md追加一条Query查询—— 你问问题LLM 做读index.md定位相关页读这些页综合成带引用的答案把好答案回填进 wiki 当新页——让探索本身复利 Lint体检—— 定期让 LLM 健康检查页间矛盾、被新源推翻的旧论断、孤儿页、缺失的交叉引用、data gap。1.3 index.md一个文件替代向量 RAGindex.md是 wiki 的目录卡片柜每页带链接 一句话摘要 metadata按分类组织LLM 答题前先读它定位相关页✨ 在 ~100 源、几百页规模下这一个文件就够替代向量 RAG 基础设施。不需要 embedding不需要向量库。用 LLM 的语义理解能力替代向量相似度——小规模下前者反而更准。一个 markdown 目录 一个 append‑only 日志模拟出 mini 数据库的导航能力️ 二、两条工程落地路线nashsu/llm_wikigarrytan/gbrain血统显式致敬 Karpathy pattern独立血统从 OpenClaw agent fork 长出来形态跨平台桌面 GUICLI / daemon / MCP server目标用户个人知识管理者AI coding agent 团队后端Rust 可选 LanceDBTypeScript (Bun) PGLite/Postgrespgvector生产规模个人用146K 页、24K 人、5K 公司、66 cron jobs️ llm_wiki个人知识管理者的“自动驾驶笔记”核心定位把 Obsidian 变成 LLM 能自动编写、整理、交叉引用的知识库解决的痛点你扔进去一堆文章/论文希望 LLM 自动拆解成概念、实体并持续维护它们之间的关联——但你仍需要保留人类的审阅权且不信任 LLM 自由发挥时可能产生的幻觉核心扩展超越 Karpathy 原文的部分两步链式推理录入先让 LLM 分析源材料抽实体、概念、矛盾点、建议再生成 wiki 页。好处是推理过程可回溯内容更结构化4 信号知识图谱 自动聚类不只依赖[[wikilink]]还利用直接链接、资源重合度、Adamic‑Adar 等图算法自动发现隐性关联。可以问“哪些主题被意外连在了一起”“仅查原始材料”模式当你对 LLM 的总结不放心时一键切回传统 RAG——只从原文抽取答案不进行二次合成⚙️技术形态跨平台桌面 GUI所见即所得的三栏布局后端 Rust 可选的向量数据库面向个人 gbrainAI Agent 和团队的“可自我演化的公司大脑”一句话让 agent 能像人查公司 wiki 一样自动存取、整理、发现问题并允许 schema 自行演化 它想解决什么生产环境中Agent 跨会话会失忆重复劳动严重。需要一种机制让 Agent 将对话中产生的知识持久化且这个知识库的结构实体类型、关系类型能随业务自动生长无需人类预先设计完整。 核心设计 零 LLM 调用的关系抽取不靠 LLM 识别实体关系而是直接匹配[[wiki/people/bob]]这样的链接语法自动生成 typed edgesattended,works_at等✅ 图随页面更新实时增长✅ 无 LLM 成本、延迟和失败模式 MCP 原生接口所有操作通过 MCP 协议暴露Agent 用search/think/put_page等工具自动组装上下文人类不再直接操作 wiki把 Karpathy 的“人机分工”再向前推了一步人只定规则Agent 负责读写。 可演化的 Schema 包不再是写死一份 markdown 宪法而是版本化、可切换的 schema 包如gbrain-base-v2Agent 可通过schema suggest提出新实体/关系类型人类审核后自动纳入实现动态结构 动态内容 每次查询自带“诚实检查”think命令在每次查询时显式输出哪些页面过时了哪条声明没有出处哪两页相互矛盾哪里有该补的洞不等定期 lint盲区实时暴露。⚙️ 技术形态CLI / 守护进程 / MCP ServerTypeScript(Bun) PGLite/Postgres pgvector生产规模已验证146K 页 · 24K 人 · 5K 公司 一句话选型场景选择个人研究者、笔记重度用户重视人工审阅和知识发现llm_wiki给 AI Agent 或团队搭建长期记忆系统需要自动化演化、无 LLM 开销和内置诚信机制gbrain 三、对 Agent 开发者的架构启示 知识库不做 RAG 兜底做Context CompilerRAG 把 raw chunks 当“检索源”每次 query 从头拼。Context Compiler则反过来Agent 的记忆层应提前将原始信号邮件 / 会议 / 推文 / 文档编译成结构化的 context每次 query 直接读取已编译好的 wiki。价值跃迁维护成本从O(n) → O(1)知识才真正成为资产未来架构大概率走向双层模型wiki 层综合 / 关系答案RAG 层raw chunk 兜底 Agent 记忆层自我体检 自我纠错机制作用独特卖点Lint让知识库不自相矛盾维持内部一致性Gap Analysis诚实暴露盲区“我哪里不知道”区别于传统 RAG 的核心优势gbrain 的think命令已将这种自省能力做到了每次查询级别而非等定期 lint 才暴露盲区让知识进化变为实时过程