跳到主要内容
Wenlan

教程

Karpathy LLM Wiki 是什么?用 Claude Code 自己搭一个

解释 Karpathy 的 LLM Wiki:放入文档、整理关联页面、提问并查看来源,再核对资料更新后的答案。

Qi-Xuan Lu更新 7 分钟阅读

01

LLM Wiki 是一个由 AI 根据你的来源持续更新的 Markdown 页面文件夹,答案会积累,不必每次从头整理。

02

它有三层(来源、wiki、schema)和三个任务(ingest、query、lint)。

03

跟着完整流程试一次:放入文档、整理 Wiki、提问看来源,再核对更新。

01

Karpathy 的 LLM Wiki 是什么

2026 年 4 月,Andrej Karpathy 在 GitHub gist 发表了《LLM Wiki》。这个做法是把来源整理成互相链接的 Markdown 页面,让后续问题可以先从维护中的综合页面开始,不必每次都从头搜索整批资料。来源变更时仍要重新读取并检查受影响的页面;重要结论也可能需要回到引用来源核对。

gist 是概念说明,不是 App,也没有规定唯一配置。下方规则模板与重试规则练习是我们补充的教学示例;跨 AI 工具共用规则是可选项。本文以 Karpathy 的公开笔记为概念来源,不代表 Karpathy 为 Wenlan 背书。

Schema

CLAUDE.md 或 AGENTS.md:wiki 怎么组织

给 AI 的工作规则;修改仍需审核

原始来源

文章、论文、笔记、文件

只读不改

ingest

Wiki

每个主题一页 Markdown,互相链接

index.md · log.md

query

回答

附上用到的页面与来源链接

lint:找出矛盾、过时说法、没有被链接的页面

LLM Wiki 的三层结构与三个任务。
先看完整示例,不必安装

02

三个任务:ingest、query、lint

Karpathy 描述了三种反复进行的工作:ingest、query 和 lint。有用的答案也能保存为新页面。规则用于引导 AI,实际修改仍需要你审核。

  • Ingest(加入来源):读新来源、写一页摘要、更新受影响的页面,再更新 index.md 和 log.md。
  • Query(提问):先读 index.md,只打开需要的页面,回答时附上链接。好的答案可以存成新页面。
  • Lint(健康检查):找出互相矛盾的页面、被新来源取代的说法、没有被链接的页面,以及还没有页面的主题。

03

LLM Wiki 和 RAG 的区别

RAG 和 LLM Wiki 可以一起用。Wiki 把持续维护的综合内容留在互相链接的页面里;RAG 则检索原始来源或 Wiki 页面,协助回答问题。如果你想在提问之外继续阅读、编辑这份整理成果,Wiki 就有用途。检索仍能协助找到证据,来源变更后也仍要重新整理与审查。

RAG

  1. 提问
  2. 检索来源片段
  3. 回答

来源仍可查询;片段可能再次出现。

LLM Wiki

  1. 来源
  2. 整理并维护页面
  3. 提问
  4. 先看相关页面

来源变化时要更新页面。

RAG 会按问题检索来源片段,同一内容可能再次出现;Wiki 保留维护中的页面,来源变化时仍要更新。

04

现成的 LLM Wiki 实现

多数人是从现成项目开始。GitHub 上名称或描述含“llm-wiki”的仓库超过 6,400 个,大多在 2026 年 4 月之后创建;星数最多的 nashsu/llm_wiki 和 claude-obsidian,都超过 15,000 颗星(2026 年 10 月)。

项目是什么适合你,如果你
Karpathy 的 gist原始说明,不是软件想自己动手配置(见下方)
nashsu/llm_wiki跨平台桌面 app想要一个独立 app 整理文档
AgriciDaniel/claude-obsidianClaude Code + Obsidian 的配置笔记本来就放在 Obsidian
Astro-Han/karpathy-llm-wiki给 Claude Code、Cursor、Codex 的 Agent Skills 套件想把这个模式装成 AI 技能
Wenlan桌面 app,附 MCP server同时用好几个 AI 工具,希望页面保持最新、又不会覆盖你的修改

05

用 Claude Code 或 Codex 搭建 LLM Wiki

你需要 Claude Code 或 Codex 这类能编辑本地文件的 AI 工具,以及一个空文件夹。建立下面的结构并运行 git init。用 Obsidian 或任何 Markdown 编辑器阅读页面即可。

文件夹结构
my-wiki/
  CLAUDE.md        # Claude Code 使用;Codex 请用 AGENTS.md
  raw/             # 你的来源;AI 不会修改
  wiki/
    index.md       # 每页一行
    log.md         # 每次 ingest、query、lint 一行
    sources/       # 每份来源一页摘要
    topics/        # 每个主题、人物或概念一页

已经有 Obsidian vault?把它变成 LLM Wiki

06

放入文档、整理 Wiki,再核对答案

先用下方虚构资料跑一遍。以下提示输入 AI 对话,不是终端命令。

  1. 1. 放入文档

    将下方的 api-v1.md、decision-07.md 和 runbook-v1.md 分别保存到 raw/。按工具保存下方规则,审核并提交这些初始文件,再让 AI 写入。

  2. 2. 让 AI 整理 Wiki

    在 my-wiki 启动 Claude Code 或 Codex,先请它确认加载了哪些规则,再逐句输入。核对它有生成来源摘要和相互链接的主题页、更新 index.md 和 log.md,且没有修改 raw/。

    AI 对话:整理文档
    ingest raw/api-v1.md
    ingest raw/decision-07.md
    ingest raw/runbook-v1.md

  3. 3. 提问,打开来源核对

    答案应是首次失败后最多重试 3 次,总共 4 次尝试,依据为 api-v1.md 和 decision-07.md。亲自打开这两份引用文件核对原文;超时时间没有指定,AI 不应自行补上。

    AI 对话:附上依据回答
    query GET 最多可以重试几次?请附来源,并列出尚未确定的信息。

  4. 4. 加入新版资料,核对变化

    将下方新版内容保存为 raw/api-v2.md,保留 v1 作历史参考。新资料允许重试 1 次,但 decision-07.md 仍写 3 次。Wiki 应指出冲突,不应默默选一个答案;接受更新前逐项检查修改。

    AI 对话:核对更新
    导入 raw/api-v2.md,将 api-v1.md 仅作历史参考。
    query GET 重试规则改了什么?引用两份当前来源,标出尚未解决的冲突。
    lint

07

给你选用的工具一份 Wiki 规则

用 Claude Code 就保存为 CLAUDE.md;用 Codex 就保存为 AGENTS.md。先选一个工具开始,不需要配置跨工具共享。

CLAUDE.md 或 AGENTS.md:按工具选一个
# LLM Wiki

This folder is a wiki you maintain from my sources.

## Layout
- raw/: my sources. Read them. Never edit, move, or delete them.
- wiki/sources/: one summary page per source, named after the source.
- wiki/topics/: one page per topic, person, or idea.
- wiki/index.md: every page, one line each: [[page]] - summary.
- wiki/log.md: one line per job: ## [YYYY-MM-DD] ingest | <title>

## Page rules
- Start each page with a two- or three-sentence summary.
- Every claim links to the source page it came from.
- Link related pages with [[wiki links]].
- If a new source contradicts a page, say so on the page and cite both.
- Never rewrite text under a "## My notes" heading. I write that part.
- Write pages in Simplified Chinese.

## Jobs
- ingest <file>: summarize it, update affected topic pages,
  update index.md, and log it.
- query <question>: read index.md first, open only the pages you need,
  and answer with links. Offer to save a useful answer as a page.
- lint: list contradictions, outdated claims, orphan pages, and
  missing pages. Fix only what I approve.

08

先用完整示例试做,不必先安装

你的 wiki 能回答项目问题、指出依据,并在来源变化时提醒旧答案不能照用吗?先用这组虚构资料,在你现有的 AI 工具中试一次。以下是人工编写的教学输入与参考答案,不是 Wenlan 运行记录、客户成果或性能对比。

新建一个可随时删除的测试文件夹,按下方文件名分别保存三个 Markdown 文件,让 Agent 只读访问。生成的 wiki 答案另存,不要让 Agent 修改原始来源。API 名称与英文测试数据保持一致,便于三种语言的读者核对同一个问题。

提问:“只根据 api-v1.md、decision-07.md 和 runbook-v1.md,整理一页重试规则。每条规则标明来源文件名,区分重试次数与总尝试次数,列出尚未确定的信息。不要用常识补齐文档没写的内容。”

完整测试资料:分别保存这三个文件
# api-v1.md — fictional API specification, revision 1
GET /reports: after a failed first attempt, allow up to 3 retries.
POST /payments: do not retry automatically.

# decision-07.md — fictional client decision
Use the API's GET retry cap of 3 to limit repeated requests.
Automatic POST retries are disabled because duplicate payments are unsafe.

# runbook-v1.md — fictional operator note
Record the endpoint, attempt number, and final failure in the local test log.
The request timeout has not been decided.

09

核对答案,再改一份来源

对照下面的参考答案,不必逐字相同,但四项结论都要有正确依据;超时时间必须保留“尚未指定”。亲自打开被引用的文件:看似合理的引用,不代表真的支持那句话。

然后按下方内容新增 api-v2.md,让它替代 api-v1.md。第二次提问:“以 api-v2.md、decision-07.md 和 runbook-v1.md 作为当前来源,把 api-v1.md 仅作历史参考,对照之前的 wiki 答案与当前证据,找出过时结论,保留‘最多重试 1 次’与‘3 次’尚未解决的冲突;不要默默修改 decision-07.md,也不要替这项冲突下结论。”

如果普通文件加上你的 Agent 已经能清楚完成,就保留这个简单方法。当维护来源页面、让多个 AI 工具共享查询成为重复工作时,再评估 Wenlan。来源链接不等于语义已验证;另存替代来源也不等于更新已链接来源,仍要查看实际页面状态。这个练习不能证明 Wenlan 的准确率、节省时间、自动维护效果或今后复用。

参考答案、更新后的来源与应有的审核记录
# Request retry policy — reference answer, revision 1
GET: at most 3 retries after the first attempt (4 attempts total).
Source: api-v1.md; decision-07.md.
POST: no automatic retry.
Source: api-v1.md; decision-07.md.
Log: endpoint, attempt number, final failure.
Source: runbook-v1.md.
Timeout: not specified. Ask the owner; do not invent a value.
Source: runbook-v1.md.

# api-v2.md — fictional replacement for api-v1.md
GET /reports: after a failed first attempt, allow at most 1 retry.
POST /payments: do not retry automatically.

# Review note — before accepting a revised answer
The old GET answer is stale: api-v2.md now allows only 1 retry.
decision-07.md still says 3. Preserve and flag this conflict.
Do not report the old 3-retry policy as settled current guidance.
POST, logging, and the unknown timeout are unchanged.
Ask the decision owner to reconcile decision-07.md with api-v2.md.

查看 Wenlan 的来源与审核边界

10

接受更新前,核对文件

最后在终端运行以下命令。另行打开标成 ?? 的新文件:git diff 不会显示尚未跟踪的文件。确认 raw/ 和自己的笔记没有被修改,只提交已审核的文件。

终端:核对文件
git status --short --untracked-files=all
git diff HEAD

11

自己搭的 LLM Wiki 会在哪里卡住

文件夹方案把日常维护留给你:

  • 来源变更后,你要重新导入或运行 lint,并核对受影响的页面。
  • 除非每个 Agent 都遵守“My notes”规则,否则手动修改仍可能被覆盖。
  • 每个客户端都必须加载共用 schema,并遵守来源与编辑边界。
  • 大型索引需要选择性加载或搜索,不能无限制地放进每次提示。
  • 你要决定何时将对话中的决定存回文件。

12

在 Wenlan 中使用 LLM Wiki

Wenlan 把来源导入、Wiki 页面、引用和审查整合在同一个 App。开启后台 AI 后,符合条件的 AI 维护页面可以随依据变化而更新;你编写或修改过的页面则收到修订提案。已连接的工具共用同一个知识库,省去自行搭建这套维护流程。

/capture 存下对话中的决定,/wenlan distill 创建或更新主题页面,/wenlan pages 打开页面,/brief 和 /recall 只加载下一次对话需要的内容。

Wenlan 工作流——需要已安装并连接的客户端
/brief <topic>
/recall <question>
/capture <decision + why>
/handoff
/wenlan distill <topic>
/wenlan pages <topic>

查看完整日常工作流

13

选读:让 Claude Code 和 Codex 共用规则

只有切换工具时才需要这段。保留一份 AGENTS.md,并在 CLAUDE.md 放入下方的 @AGENTS.md,以兼容不同配置。每次启动都确认加载的规则(Claude 用 /context;Codex 可询问加载了哪些指令文件)。

一次只让一个工具写入,完成后再切换。共享的是文件,不是上一段对话。

CLAUDE.md
@AGENTS.md

并排比较

用实际使用的维度比较。自建文件夹 + Wiki 规则 更好的地方,我们直接写出来。

维度Wenlan自建文件夹 + Wiki 规则
配置安装 app 并连上你的 AI 工具一个文件夹、一份 schema 文件和 git
来源改变时选用后台 AI 可更新符合条件的 AI 维护页面;你修改过的页面收到提案重新导入来源并检查受影响的页面
你自己的修改保留;更新不会覆盖你改过的页面schema 规则引导 AI;已提交的 Git 版本可用来恢复
多个 AI 工具Claude Code、Codex 等共用同一个 wiki一份共用 schema,由各客户端加载
AI 对话作为来源可以直接从对话存下决定请 AI 将对话中的决定保存为文件,再自行审查

审查来源变化后的 wiki 页面

Wenlan 将文档、笔记和 AI 对话整理成附来源链接的页面;关联来源变化时,可标记受影响内容供检查。

在实际画面中,核对引用与修订

以下来自 Wenlan App 的 Tally 发票项目演示录像。放大实际画面,查看一条引用如何回到来源,以及页面修订提出了哪些变化。

1. 从 SQLite 结论回到原始依据

Wiki 说明 Tally 为单人应用选择 SQLite。展开的引用显示「SQLite for Single-User App」来源、摘要和「Open memory」入口。再次使用这个决策前,先比较句子与来源是否一致。

Wenlan 实际录制的 Tally Wiki,SQLite 引用已展开,显示来源摘要和 Open memory 入口。

滑动图片,查看放大后的细节。

打开原图
Tally 演示录像:Wiki 页面与来源浮层。来源链接让结论可检查;是否真正支持该句,仍需亲自核对。

2. 先看增删内容,再决定是否接受

Project notes 修订删除「数据库尚未决定」的旧文字,提出使用 SQLite 的新表述。画面保留增删差异、先前版本,以及 Skip/Approve 操作。先检查新文字和引用,再决定保留哪些内容。

Wenlan 实际录制的 Project notes 修订,显示增删文字、先前版本,以及 Skip 和 Approve 操作。

滑动图片,查看放大后的细节。

打开原图
Tally 演示录像:一项待审核的页面修订。这张画面没有显示已批准的结果,也不能证明每句修改都正确。

常见问题

Karpathy 的 LLM Wiki 是什么?+
Andrej Karpathy 描述了一种由 AI 根据来源撰写并维护的个人 wiki:把来源整理成互相链接的 Markdown 页面,后续问题可以从这些页面开始。来源变更时仍要重新读取并检查受影响的页面。引用他的说明不代表他为 Wenlan 背书。
已经用 NotebookLM,还需要 LLM Wiki 吗?+
如果主要是对文档提问,NotebookLM 可能已经够用:它能附上来源引用,也能把回答存成笔记。当你希望成果是互相链接的 Markdown 页面,可以自行编辑、用 Git 管理版本,并交给能编辑文件的 AI 工具复用时,文件型 Wiki 才值得考虑。这也需要设置与更新审查;先选一个来源会变化的主题试用,不必搬走整个资料库。
LLM Wiki 和 RAG 是同一种东西吗?+
不是同一种东西,但可以一起用。Wiki 维护互相链接的页面;RAG 检索资料来回答问题。你可以检索 Wiki 页面,再回到原始来源核对。维护 Wiki 并不代表来源变更后就不用审查。
怎么用 Claude Code 或 Codex 搭建 LLM Wiki?+
先用一个能编辑文件的 AI 工具。保存规则,将文档放入 raw/,请它整理成相互链接的 Wiki 页面,再提问并打开引用来源。加入新版来源后核对答案,确认后再接受更新;跨工具共用规则是可选项。
搭 LLM Wiki 一定要用 Obsidian 吗?+
不用。wiki 就是纯 Markdown,任何编辑器都能用。Obsidian 适合用来阅读:wiki 链接可以点,关系图谱能看出页面之间的关系。
大量文档的 LLM Wiki,怎么避免遗漏细节?+
整批导入前,先试几份有代表性的来源,包括最长的一份。分别问文档后段的细节、需要结合两份来源的问题,以及来源更新后的问题;每次都打开引用段落核对。如果漏了细节,先查原文,再改摘要。保持主题索引精简,用搜索加载相关页面,而不是整个资料库。文澜整合了来源导入、搜索和更新审核,但本文的小型示例并不是上千份文档的性能测试。
Karpathy 的原始 gist 和 LLM Wiki v2 在哪里?+
Karpathy 的原始 LLM Wiki 是构想文档,不是可安装的 app。参考资料中的 LLM Wiki v2 是 rohitg00 的社区扩展稿,不是 Karpathy 发布的新版;它提出记忆生命周期、搜索与自动化的扩展做法。本篇教程按原始模式设计,v2 是选读资料。
LLM Wiki 能取代代码搜索或官方文档吗?+
不能。LLM Wiki 不能取代代码搜索、当前的源代码、测试结果或工具本身的文档,软件现在怎么运作仍以这些为准。同样的主题在很多次对话或多个工具之间反复出现时,它才值得。

分享这篇指南