Karpathy又封神：掀翻RAG成品

知识第一次，能像代码一样利滚利。前OpenA 创始团队成员、特斯拉前 AI 高级总监 Andrej Karpathy，提出一个狠招：别再用 RAG 检索你的知识库，让大模型把它「编译」成一座持续生长的活 Wiki。两个多月，他在GitHub屠出 5000+ star。

收藏不等于拥有，高亮不等于理解。

那些凌晨两点让你心潮澎湃的深度好文，那些在Obsidian里拉出的密密麻麻的双向链接，那些在Notion里精心排版的数据库，都是躺在笔记软件里的「赛博木乃伊」。

图谱看似壮观，实则早已腐朽。

这是整个信息过载时代的系统性失败。

现Anthropic工程师、前OpenAI联合创始人、Tesla前AI总监Karpathy，看不下去了，扔下一枚炸弹。

传送门：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

他没有宣布新模型，没有发布新框架，他只是说：把你的笔记当成不可变源代码，让LLM做编译器。

两个月过去，这份文档已经在Obsidian、Claude、Cursor社区掀起一场静默却剧烈的迁移。

有人已经把自己的Wiki扩展到上百页、数十万字。

自动化插件开始出现。学术研究者、独立创业者、终身学习者正在集体转向一种全新的知识生产关系。

RAG的黄昏

信息搬运救不了你的思想

在LLM-WIKI出现之前，主流的解决方案是RAG（检索增强生成）。

简单说，就是给大模型配一个「翻找员」：当你提问时，它去你的笔记里搜几个片段，然后拼凑出一个答案。

听起来很美，但用过的人都知道那种「卖家秀」与「买家秀」的落差。

它只是搬运工：RAG只能处理局部，无法理解全局。

它能告诉你第5篇笔记提到了A，但它无法告诉你这500篇笔记共同指向的底层逻辑。

它会「人格分裂」：如果你半年前认为A是对的，昨天却写笔记反驳了A，RAG往往会陷入自我矛盾，吐出一堆逻辑混乱的废话。

图谱腐烂：手动维护的知识链接，就像没有自动清理功能的代码。日子久了，断头链接随处可见，检索效率呈指数级下降。

Karpathy的直觉非常犀利：搜索和检索是人类无能的表现。我们需要的是「共识」，是「结构」，是「真相」。

把知识当源代码

让LLM当编译器

Karpathy的答案，来自一个程序员每天都在做、却从没往知识上想过的动作：编译。

你写好一段源代码，不会每次运行程序都重新读一遍代码。

你把它编译成一个二进制文件，编译这一次很费劲，但之后每次运行都飞快。编译的成本，被之后成千上万次使用摊平了。

知识为什么不能这么干？

Karpathy说，把你的原始笔记当成不可修改的源代码，把LLM当成编译器，让它一次性把这堆乱七八糟的材料「编译」成一个结构化、互相链接的Wiki。

每加一篇新材料，AI就做一次融合：更新相关的条目页、修订综述、把新数据和旧结论打架的地方标出来、顺手加固或挑战已有的判断。

关键的差别在这里：知识被编译一次，然后持续保鲜，而不是每次查询临时重建。

等你来提问的时候，交叉引用早就在那了，矛盾早就被标过了，综述早就反映了你读过的一切。

你不会每次跑程序都重编译一遍源代码。那为什么每次提问，都要让AI重读一遍你的笔记？

认知生产关系的根本转移

在他的LLM-WIKI框架里，笔记不再是死文字，而是「源代码」。

大模型不再是查字典的翻译官，而是「编译器」。

这套架构极其精妙地实现了三层解耦：

1、Raw层（原始素材）：这是你的灵感原矿。你随手记下的感悟、剪辑的文章、会议纪要。它是「不可变」的，保持了人类输入的原始性和不洁感。

2、Schema层（知识宪法）：这是你写给AI的「军规」。比如你规定：每一个人物词条必须包含「动机、局限性、关键成就」；每一个技术栈必须说明「优缺点」。

3、Wiki层（编译成品）：这是AI全权维护的区域。它根据你的Schema，把那堆乱七八糟的Raw编译成结构化、交叉链接、逻辑自洽的百科页面。