基于大模型、SKills 的知識(shí)管理

今天不聊新工具，聊點(diǎn)更高級(jí)的東西——三個(gè)巨佬的知識(shí)管理哲學(xué)

還有我自己的知識(shí)管理及內(nèi)容生成工作流

Karpathy

昨天 Andrej Karpathy（斯坦福 PhD、OpenAI 創(chuàng)始成員、前特斯拉 AI 總監(jiān)、CS231n（全球最火深度學(xué)習(xí)課程）締造者）發(fā)了條長(zhǎng)推，炸了整個(gè) AI 圈子。

這條推文的核心觀點(diǎn)是：他現(xiàn)在把大部分 token 預(yù)算花在了"操作知識(shí)"上，而不是"操作代碼"。

什么意思？

他搭了一套 LLM 驅(qū)動(dòng)的個(gè)人知識(shí)庫(kù)系統(tǒng)，用 Obsidian 做前端，Markdown 做底層格式，LLM 負(fù)責(zé)一切臟活累活。

整個(gè)系統(tǒng)的架構(gòu)可以拆成五個(gè)模塊：

Karpathy 知識(shí)庫(kù)系統(tǒng)：五大模塊 1. 數(shù)據(jù)導(dǎo)入（Data Import）

把各種原始素材——論文、文章、代碼庫(kù)、數(shù)據(jù)集、圖片——統(tǒng)統(tǒng)丟進(jìn) raw/ 目錄。

用 Obsidian Web Clipper 瀏覽器插件一鍵裁剪網(wǎng)頁(yè)文章為 .md 文件，配合快捷鍵把相關(guān)圖片下載到本地。

核心思路：先不管三七二十一，把所有原始材料攢在一起。

2. 知識(shí)編譯（Wiki Compilation）

這是整個(gè)系統(tǒng)最核心的一步——讓 LLM 把 raw/ 目錄里的散碎材料"編譯"成一個(gè)結(jié)構(gòu)化的維基。

具體做什么？

• 為每份原始數(shù)據(jù)生成摘要

• 建立反向鏈接（backlinks）

• 將數(shù)據(jù)分類到不同的概念

• 為每個(gè)概念撰寫專題文章

• 將所有文章互相鏈接

注意這個(gè)詞：編譯（compile）

Karpathy 用的是編程的隱喻——原始數(shù)據(jù)是"源碼"，維基是"編譯產(chǎn)物"，LLM 就是那個(gè)"編譯器"

3. 問(wèn)答驅(qū)動(dòng)（Q&A）

當(dāng)維基長(zhǎng)到足夠大（他舉例說(shuō)他某個(gè)研究方向的維基有約 100 篇文章、40 萬(wàn)字），就可以開始向 LLM Agent 提各種復(fù)雜問(wèn)題了。

一個(gè)關(guān)鍵的發(fā)現(xiàn)：他本以為需要搞復(fù)雜的 RAG，但實(shí)際上 LLM 自己維護(hù)的索引文件和摘要就夠用了。

在這個(gè)規(guī)模下，Agent 可以比較輕松地讀取所有重要的相關(guān)數(shù)據(jù)。

這點(diǎn)我必須插一嘴——40 萬(wàn)字對(duì)現(xiàn)在的長(zhǎng)上下文模型來(lái)說(shuō)真不算什么。

Gemini 的百萬(wàn) token 窗口，Claude 的 200K 上下文，處理這個(gè)量級(jí)的知識(shí)庫(kù)綁綁有余。

Karpathy 說(shuō)不需要 RAG，在這個(gè)規(guī)模下我同意

4. 輸出呈現(xiàn)（Output）

Karpathy 不喜歡在終端里看答案

他更傾向于讓 LLM 生成 Markdown 文件、Marp 格式的幻燈片、matplotlib 圖表，然后在 Obsidian 里直接查看

更聰明的是：他會(huì)把輸出"歸檔"回維基，這樣每次探索和查詢都會(huì)"累積"在知識(shí)庫(kù)里，讓它越用越富

5. 健康檢查（Health Check）

定期讓 LLM 對(duì)維基做"體檢"：

• 查找數(shù)據(jù)不一致的地方

• 用網(wǎng)絡(luò)搜索填充缺失信息

• 發(fā)現(xiàn)有趣的關(guān)聯(lián)，建議新的文章候選

• 提出下一步要調(diào)查的問(wèn)題

他說(shuō) LLM 在"建議進(jìn)一步的問(wèn)題"這件事上做得相當(dāng)好。這不就是我們說(shuō)的 Agent 自主探索 嗎？

用一張流程圖來(lái)理解 Karpathy 的系統(tǒng)：

Lex Fridman：把知識(shí)庫(kù)變成跑步伙伴

Karpathy 發(fā)完推，Lex Fridman 秒回——他也有類似的系統(tǒng)。

Lex 的身份不用多介紹了吧？全球最火的 AI 播客主持人，他的 Lex Fridman Podcast 采訪過(guò) Elon Musk、Sam Altman、Mark Zuckerberg、Karpathy 本人，以及一堆你叫得出名字的科技大佬

Lex 的設(shè)置和 Karpathy 類似，但有幾個(gè)獨(dú)特的點(diǎn)：

前端混合體：Obsidian + Cursor（用來(lái)編輯 .md 文件）+ 自己 vibe-coded 的網(wǎng)頁(yè)終端

Lex 不滿足于 Markdown 的靜態(tài)渲染——他經(jīng)常讓 LLM 生成動(dòng)態(tài) HTML 頁(yè)面（帶 JavaScript），這樣他可以對(duì)數(shù)據(jù)排序、篩選，交互式地調(diào)整可視化

做播客的知識(shí)管理需求：因?yàn)椴タ图钨e覆蓋的領(lǐng)域極廣，Lex 的研究興趣數(shù)量和多樣性遠(yuǎn)超普通人。

這種場(chǎng)景下知識(shí)庫(kù)方法的優(yōu)勢(shì)更明顯——你不可能把所有領(lǐng)域的知識(shí)都記在腦子里。

最炸裂的用法——跑步語(yǔ)音播客：Lex 會(huì)讓系統(tǒng)為特定主題生成一個(gè)臨時(shí)的迷你知識(shí)庫(kù)，加載進(jìn) LLM，然后在 7-10 英里的長(zhǎng)跑中開啟語(yǔ)音模式。

跑步的時(shí)候，它就變成了一個(gè)交互式播客——他可以隨時(shí)提問(wèn)、聽答案、深入探討。

你品品：一個(gè)人一邊跑步一邊跟 AI 討論量子力學(xué)或者神經(jīng)科學(xué)。

知識(shí)的攝入方式從"坐著讀"變成了"邊跑邊聊"

kepano：Obsidian 創(chuàng)始人的"冷水"

然后 Obsidian 的創(chuàng)始人 kepano（Steph Ango）出來(lái)說(shuō)話了

他沒有否定 Karpathy 的方法，而是提出了一個(gè)很微妙的警告：

"我更喜歡我的個(gè)人 Obsidian 倉(cāng)庫(kù)具有高信號(hào)噪聲比，并且所有內(nèi)容都有已知的來(lái)源。"

kepano 的核心觀點(diǎn)：你的個(gè)人筆記庫(kù)應(yīng)該是"你"的思想的體現(xiàn)，而不是 AI 的。

他的建議是：

1. 保持個(gè)人倉(cāng)庫(kù)干凈 ——這是你的思維主場(chǎng)

2. **給 Agent 一個(gè)單獨(dú)的"雜亂倉(cāng)庫(kù)"**——讓 AI 在那里隨便折騰

3. 只在 Agent 產(chǎn)出有用工件時(shí) ，才手動(dòng)搬到主倉(cāng)庫(kù)

他擔(dān)心什么？如果人類寫的和 AI 寫的混在一起太多：

• 搜索 會(huì)被 AI 生成內(nèi)容淹沒

• 反向鏈接 不再局限于你真正思考過(guò)的內(nèi)容

• 圖譜視圖 變成 AI 的知識(shí)圖譜，不再是你的

• 你無(wú)法 追溯 哪些想法是自己的、哪些是機(jī)器生成的

這段話的背后是 kepano 一貫的哲學(xué)

他寫過(guò)一篇很有名的文章叫 **"File over app"**（文件優(yōu)先于應(yīng)用），核心主張是：

如果你希望你的寫作在 2060 年甚至 2160 年的電腦上仍然可讀，那它最好在 1960 年代的電腦上也能被讀取。

他還寫過(guò) **"Don't delegate understanding"**（不要把理解力外包）——你可以讓 AI 幫你干活，但不能讓 AI 替你思考

理解力本身就是你最大的資產(chǎn)

在他的個(gè)人 Obsidian 實(shí)踐中，他甚至直接說(shuō)：

"有人問(wèn)我能不能用 LLM 自動(dòng)化筆記整理，但我不想這么做。我享受這個(gè)過(guò)程。做這種維護(hù)工作幫助我理解自己的模式。"

Karpathy 的方法論是天才級(jí)別的，Lex 的應(yīng)用場(chǎng)景讓人拍案叫絕，kepano 的警告確實(shí)發(fā)人深省

他們?nèi)齻€(gè)人講的是知識(shí)管理鏈路上不同的環(huán)節(jié)

我在做的事：補(bǔ)上"最后一公里"

Karpathy 搭的是一個(gè)知識(shí)積累與檢索系統(tǒng)——把數(shù)據(jù)灌進(jìn)去，編譯成知識(shí)，然后查詢和輸出。

但作為一個(gè)每周要輸出 3-5 篇技術(shù)文章、配套口播視頻、社交媒體內(nèi)容的人，我需要的不只是"積累"和"查詢"，我需要把知識(shí)變成內(nèi)容產(chǎn)品推出去。

這就是我做的事——知識(shí)管理的下游：內(nèi)容生產(chǎn)流水線。

zhangAI/                          # Karpathy 說(shuō)的"知識(shí)庫(kù)"
├── 1-Wechat/                     # 公眾號(hào)文章（成品庫(kù)）
│   ├── Archive/                  # 已發(fā)布文章
│   └── ing/                      # 正在寫的稿子
├── .agent/skills/                # 58 個(gè) AI Skill（執(zhí)行層）
│   ├── 1-write_tech_article_pro/ # 技術(shù)文章撰寫
│   ├── 1-title_generator/        # 標(biāo)題生成（3種風(fēng)格）
│   ├── 1-video-script-converter/ # 文章→口播稿
│   ├── 1-doubao-tts-voice-clone/ # 口播稿→克隆語(yǔ)音
│   ├── audio-to-video/           # 語(yǔ)音→豎版短視頻
│   ├── 1-upload-images-to-picgo/ # 圖片→個(gè)人圖床
│   ├── design_svg_card/          # 知識(shí)卡片設(shè)計(jì)
│   └── ...還有 50 多個(gè)
├── Video/                        # 視頻產(chǎn)物
│   ├── 口播稿/
│   ├── 口播音頻/
│   └── 成品視頻/
├── Clippings/                    # Karpathy 說(shuō)的 raw/ 目錄
├── CLAUDE.md                     # AI Agent 的"操作手冊(cè)"
├── AGENTS.md                     # Codex 的上下文配置
└── GEMINI.md                     # Gemini 的指令文件

看出區(qū)別了嗎？

Karpathy 的系統(tǒng)是 raw/ → wiki/ → query——知識(shí)的上游。

我的系統(tǒng)是 素材 → skills/ → 文章 → 視頻 → 社交媒體——知識(shí)的下游。

它們不是競(jìng)爭(zhēng)關(guān)系，是上下游互補(bǔ)關(guān)系

Karpathy 解決的問(wèn)題是：大量散碎信息怎么變成可查詢、可增長(zhǎng)的結(jié)構(gòu)化知識(shí)？ 我解決的問(wèn)題是：有了知識(shí)和選題，怎么高效地變成文章、視頻、社交內(nèi)容？

一篇文章從素材到成品視頻，我的 Skill 流水線是這樣的：

一條命令"幫我寫篇技術(shù)文章"觸發(fā) write_tech_article_pro Skill，輸出 Markdown 成品。然后"轉(zhuǎn)成口播稿"觸發(fā) video-script-converter，接著"用豆包轉(zhuǎn)成音頻"觸發(fā) doubao-tts-voice-clone，最后"音頻轉(zhuǎn)視頻"觸發(fā) audio-to-video

從一篇文章到一條短視頻，全程約 8 分鐘，傳統(tǒng)方式需要 2-3 小時(shí)。

所以理想的完整架構(gòu)，應(yīng)該是把上下游接起來(lái)：

Karpathy 的知識(shí)編譯層（上游：積累、編譯、檢索）
            ↓
    老章的內(nèi)容生產(chǎn)流水線（下游：寫作、配音、視頻）
            ↓
    發(fā)布 & 多形態(tài)分發(fā)
            ↓
    反饋回知識(shí)庫(kù)（閉環(huán)）← 這一步大家都還沒完全做好

這也是我接下來(lái)要補(bǔ)的課——給自己的系統(tǒng)加上 Karpathy 式的"知識(shí)編譯層"，讓過(guò)去寫的每一篇文章都成為未來(lái)創(chuàng)作的養(yǎng)料。

關(guān)于 kepano 的"污染論"

kepano 擔(dān)心 AI 生成的內(nèi)容會(huì)"污染"個(gè)人知識(shí)庫(kù)

他的解決方案是兩個(gè)倉(cāng)庫(kù)——一個(gè)干凈的給自己，一個(gè)臟的給 AI

這個(gè)擔(dān)心是合理的

不過(guò)在我的實(shí)際操作中，我用的是另一條路：溯源標(biāo)記。

在我的系統(tǒng)里，每個(gè) Skill 生成的文件都有清晰的來(lái)源標(biāo)記——YAML 頭部的 author 字段、文件路徑本身（比如 Video/口播稿/ 一看就知道是 AI 轉(zhuǎn)的）、以及 Skill 的執(zhí)行日志。這樣不需要物理隔離，也能知道每一段內(nèi)容是誰(shuí)寫的、用什么工具寫的、基于什么素材寫的

兩種方案各有道理

kepano 的物理隔離更干凈純粹，適合把 Obsidian 當(dāng)"思維延伸"的人；

我的溯源標(biāo)記更靈活，適合人機(jī)協(xié)作頻繁、產(chǎn)出量大的場(chǎng)景

不過(guò) kepano 有句話我是完全同意的——**"Don't delegate understanding"**

你可以讓 AI 幫你整理知識(shí)，但你不能讓 AI 替你理解知識(shí)

如果你連自己知識(shí)庫(kù)里的內(nèi)容都沒讀過(guò)、沒消化過(guò)，那這個(gè)知識(shí)庫(kù)再大也不是你的

Karpathy 最有遠(yuǎn)見的一句話

Karpathy 整個(gè)推文我認(rèn)為最有遠(yuǎn)見的一句話：

"隨著倉(cāng)庫(kù)的增長(zhǎng)，自然地也想考慮合成數(shù)據(jù)生成 + 微調(diào)，讓你的 LLM '知道'數(shù)據(jù)在其權(quán)重中，而不僅僅是上下文窗口。"

這才是真正的終局——從上下文到權(quán)重

現(xiàn)在所有的知識(shí)管理方案，本質(zhì)上都是在"上下文工程"的范疇內(nèi)打轉(zhuǎn)

把知識(shí)塞進(jìn)上下文窗口讓 LLM 讀取——管你是 RAG 還是直接長(zhǎng)上下文

但想象一下：如果你能用自己積累的 40 萬(wàn)字知識(shí)庫(kù)微調(diào)一個(gè)專屬的小模型，讓它從骨子里"理解"你的領(lǐng)域知識(shí)和思考方式。那就不是"你問(wèn)它答"了，那是你訓(xùn)練了一個(gè)數(shù)字分身。

三人觀點(diǎn)對(duì)比

維度

Karpathy

Lex Fridman

kepano

核心身份

AI 研究者 / 教育者

播客主持人 / 研究者

Obsidian CEO / 產(chǎn)品哲學(xué)家

知識(shí)庫(kù)用途

研究探索

多領(lǐng)域播客準(zhǔn)備

個(gè)人思維記錄

對(duì) LLM 的態(tài)度

全面擁抱，讓 LLM 管理一切

擁抱但重視多模態(tài)輸出

審慎，警惕過(guò)度依賴

Obsidian 角色

只是"前端渲染器"

混合前端之一

思維的延伸

核心哲學(xué)

"編譯知識(shí)"

"知識(shí)要可交互"

"文件優(yōu)先于應(yīng)用"

最大貢獻(xiàn)

完整方法論框架

語(yǔ)音交互式學(xué)習(xí)

人機(jī)邊界思考

One More Thing

三位巨佬給了我們?nèi)齻€(gè)視角：

• Karpathy 搭了知識(shí)管理的上游基建—— raw/ → compile → wiki → query

• Lex 打開了知識(shí)消費(fèi)的新維度——語(yǔ)音對(duì)話、動(dòng)態(tài)可視化、運(yùn)動(dòng)中學(xué)習(xí)

• kepano 守住了最重要的底線—— 知識(shí)庫(kù)的主人是你，不是 AI

而我在做的事情，是補(bǔ)上下游的最后一公里——把知識(shí)變成文章、視頻、社交媒體內(nèi)容，讓它流動(dòng)起來(lái)：

積累（Karpathy）→ 消費(fèi)（Lex）→ 守護(hù)（kepano）→ 生產(chǎn)（老章）→ 反哺積累

你的知識(shí)管理系統(tǒng)，走到了哪一環(huán)？

參考資料：

1. Andrej Karpathy — X/Twitter 長(zhǎng)推文，2026 年 4 月，關(guān)于 LLM 驅(qū)動(dòng)的個(gè)人知識(shí)庫(kù)系統(tǒng)

2. Lex Fridman — 對(duì) Karpathy 推文的回復(fù)，關(guān)于混合前端和語(yǔ)音模式知識(shí)消費(fèi)

3. kepano (Steph Ango) — 對(duì) Karpathy 推文的回復(fù)，關(guān)于個(gè)人倉(cāng)庫(kù)與 Agent 倉(cāng)庫(kù)分離

4. Steph Ango, "File over app" — stephango.com/file-over-app — 文件優(yōu)先于應(yīng)用的產(chǎn)品哲學(xué)

5. Steph Ango, "Don't delegate understanding" — stephango.com/understand — 不要將理解力外包的警示

6. Steph Ango, "How I use Obsidian" — stephango.com/vault — Obsidian 創(chuàng)始人的個(gè)人筆記實(shí)踐

7. Andrej Karpathy 個(gè)人頁(yè)面 — karpathy.ai — 個(gè)人經(jīng)歷與項(xiàng)目列表