Karpathy分享用LLM構建個人知識庫工作流：token大頭不再花在寫程式碼，而是操作知識

OpenAI 聯合創始人 Andrej Karpathy 在 X 上分享了他近期的一個發現：用 LLM 構建個人知識庫，比用它寫程式碼更有價值。他目前的大部分 token 消耗已從操作程式碼轉向操作知識。 完整工作流分五步： 1. 資料攝入：將文章、論文、程式碼倉庫、資料集、圖片等源文件索引到 raw/ 目錄，用 LLM 增量「編譯」成一個 markdown wiki，包含摘要、反向連結、概念分類和文章互聯。 2. 瀏覽介面：用 Obsidian 作為前端檢視原始資料、編譯後的 wiki 和衍生視覺化，wiki 內容完全由 LLM 維護，人幾乎不直接編輯。 3. 問答查詢：當 wiki 積累到一定規模（他的一個研究方向已有約 100 篇文章、40 萬字），可以向 LLM 提出複雜問題，LLM 自行檢索 wiki 內容作答。他原以為需要 RAG，但 LLM 自動維護的索引檔案和摘要在這個規模下已經夠用。 4. 輸出迴流：查詢結果以 markdown、Marp 幻燈片或 matplotlib 圖表形式生成，在 Obsidian 中檢視後歸檔回 wiki，讓個人探索持續沉澱。 5. 質量巡檢：用 LLM 定期對 wiki 做「健康檢查」，發現資料不一致、補全缺失資訊、挖掘跨概念關聯，增量提升資料完整性。 Karpathy 稱他還額外開發了一些工具，比如一個簡易的 wiki 搜尋引擎，既可以自己在網頁介面上用，也可以作為命令列工具交給 LLM 處理更大的查詢。他認為這套工作流目前還只是「一堆指令碼的拼湊」，但背後藏著一個「不可思議的新產品」機會。 更遠的設想是：每一個向前沿模型提出的問題，都可以派出一組 LLM 自動構建一個臨時 wiki、做質量巡檢、迭代數輪，最終輸出一份完整報告，「遠超一次 .decode()」。 [1M AI News]