免费POC, 零成本试错
AI知识库

AI知识库

学习大模型的前沿技术与行业落地应用


收藏

Karpathy扔了一篇gist,想干掉RAG?

发布日期:2026-07-28 14:26:10 浏览次数: 2203
作者:Adgine梦想家

微信搜一搜,关注“Adgine梦想家”

推荐语

Karpathy的LLM Wiki仅一页文字获5k星,颠覆RAG认知:知识库从“零检索”变“持续生长”,RAG退为配角。
核心内容:
1. RAG痛点:每次提问从零检索,知识无积累
2. LLM Wiki架构:原始层+动态Wiki层+Schema规范层
3. 知识库生长闭环:收录-提问-体检,持续迭代

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
当AI替你维护知识库,你还会每次从零开始检索吗?

Karpathy三个月前在GitHub扔了篇gist,叫《LLM Wiki》。
 没代码,没论文,就一页纯文字。
 结果呢?

5000多颗星。评论区直接炸成黑客松。
 一堆人排着队晒自己的实现。

说白了,这玩意儿戳中了一个我们忍了五年的痛点。

我干了快20年架构,踩过游戏高并发的坑,也搞过广告投放。
 听我一句劝——
LLM Wiki 不会彻底取代 RAG,但它正在把 RAG 从主角降级成配角。

以后检索只是导航,真正值钱的资产,是一份 LLM 替你持续维护的、会自己生长的知识库。

这话可能刺耳,尤其是刚花大价钱上了 RAG 系统的团队。

 

01
你那个RAG,每次都在重新发明轮子

 

RAG 这套,2020年就定型了。
 文档切块,塞进向量库,提问时捡碎片,喂给大模型拼答案。
 NotebookLM、ChatGPT 文件上传、市面上九成知识库产品,全是这个套路。

用着挺爽。

但有个巨坑。

LLM 每次回答问题,都是从零开始重新发现知识。
 你问一个需要综合五份文档的刁钻问题,它现场找碎片、拼起来、推理一遍。
 答完就忘。
 下次再问类似的?对不起,重新来一遍。
 没有一丁点积累。

打个比方:你请了个记性为零的顶级顾问。
 每次见面都得把病历从头讲一遍。
 顾问水平是真的高,但你迟早会疯。

每次重讲病历

 

02
知识只“编译”一次,然后持续保鲜

 

Karpathy 换了个方向。
 别让 LLM 在提问时才去读原始文档——
 让它平时就把知识“编译”成一份持续维护的 Wiki。

 

三层架构,权责分明

 


  • 原始层
    :你喂进去的论文、文章、数据。不可变,LLM 只读不写。这是事实源头。

  • Wiki 层
    :一堆互相链接的 Markdown 文件。实体页、概念页、对比页、综述页。LLM 全权拥有这一层,建页面、改页面、维护交叉引用。你只负责读。

  • Schema 层
    :一个约定文件(比如 CLAUDE.md),告诉 LLM 这个 Wiki 的目录结构、命名规范、收录流程。这是把 LLM 从“闲聊机器人”变成“有纪律的图书管理员”的关键。
     Karpathy 原话:没有它,LLM 就是个通用聊天机器人;有了它,LLM 才是个“懂规矩的 Wiki 维护者”。

三层架构

 

三个核心操作,闭环运转

 

收录:丢一份新资料进原始层。LLM 读完一口气干这些事——
 写摘要页、更新总索引、更新所有相关实体页、标注和旧结论冲突的地方、往日志里追加一条记录。
 一份资料可能动 10-15 个页面。
 你可以一篇篇喂、全程盯着,也可以批量灌、事后抽查。

提问:基于已综合好的 Wiki 提问,LLM 先查索引找到相关页,读完再答,附引用。
 关键设计是:好答案可以归档回 Wiki 变成新页面。
 一次深度对比、一个意外发现的关联,不该消失在聊天记录里——这样你的探索本身也在给知识库复利。

体检:定期让 LLM 给 Wiki 做健康检查。
 查什么?页面间的矛盾、被新资料推翻的过时结论、没有入链的孤儿页、被反复提到却没有自己页面的概念、缺失的交叉引用。
 LLM 还擅长建议“下一步该找什么资料、该问什么问题”。
 这是 Wiki 不烂尾的续命机制。

 

两个关键文件,替代向量索引

 

Wiki 长大的过程中,靠两个特殊文件导航,不需要 embedding 基础设施:


  • index.md
    :内容导向的总目录。每个页面一行——链接加一句话摘要,按类别分组。每次收录必更新。
     提问时 LLM 先读索引锁定相关页,再钻进去细读。
     实测在约 100 份资料、几百个页面的规模下好使得很。

  • log.md
    :时间线日志,只追加不修改。记录每次收录、提问、体检。
     小技巧:每条目用统一前缀,这样 grep "^## \[" log.md | tail -5 就能查最近动态,也让 LLM 知道最近干过什么。

Karpathy 原话很精辟:“Obsidian 是 IDE,LLM 是程序员,Wiki 是代码库。”

听懂了吗?
 知识在这套体系里是编译产物,不是运行时临时算的。
 交叉引用已经建好了,矛盾已经标注了,综述已经反映了所有读过的资料。
 每多一份资料、每问一个问题,Wiki 就厚一层。

这才是“积累”该有的样子。

 

03
凭什么这次能成?因为维护成本归零了

 

泼一盆历史的冷水:个人知识库这想法一点不新。
 1945年,Vannevar Bush 就提出了 Memex 构想。
 之后几十年,无数人尝试建个人 Wiki,绝大多数都烂尾了。

为啥烂尾?
 不是读不动,是记账记不动。
 更新交叉引用、同步摘要、标注新数据推翻了哪些旧结论——维护成本的增长速度远超 Wiki 价值的增长速度。
 人会烦,会懒,会放弃。

但 LLM 不会烦。

它不会在周五晚上六点说“这周太累了引用下周再补”。
 一次更新 15 个文件,眼都不眨。
 维护成本约等于零,Wiki 就能一直活着。

就这么简单。

 

04
Google下场:OKF给这个模式定标准

 

如果说 Karpathy 给的是“民间偏方”,那么 Google Cloud 六月份干的事就是“收编正规军”。
 发布 Open Knowledge Format(OKF),把 LLM Wiki 模式正式化成一个开放规范。

OKF 的设计克制得让人感动:就是 Markdown 加 YAML frontmatter,唯一必填字段是 type。
 没有 SDK,没有运行时,没有专用数据库。
 你能 cat 一个文件,就能读 OKF;你能 git clone,就能分发它。

 

v0.1 技术规范:一页纸说清

 

基本单位叫 Bundle(知识包)——一个自包含的 Markdown 文件目录树。
 里面每个知识点叫 Concept(概念),一个概念一个文件,文件路径去掉 .md 后缀就是它的概念 ID。
 每个概念文件就两部分:frontmatter 和正文。
 规则就三条硬性的,其他全是软性建议。
 消费方必须容忍未知类型、未知字段、断链——宽容到这个份上,就是为了让任何生产者、任何消费者都能即插即用。

 

v0.2 信任信号:AI写的东西凭啥信?

 

真正有意思的是 7 月 25 日刚发的 v0.2。
 解决一个扎心问题:当 Wiki 是 AI 写的,你凭啥信它?

人写的 Wiki 出了错,可以找人背锅。
 AI 一晚上生成一万个概念,出了错找谁?
 v0.2 的答案是五组字段,全部写在 frontmatter 里,让你在读正文之前就能判断这页可不可信:


  • 溯源:这页内容从哪些材料提炼的,正文里具体某句话的出处用 Markdown 脚注逐条归因。

  • 信任:generated 记谁生成的、何时;verified 记谁核验过、何时。核验者带 human: 前缀的就是“人工复核”档。三个信任等级,一句 frontmatter 过滤就搞定。

  • 新鲜度:一个绝对日期,过期判断就是日期比大小。

  • 生命周期:draft → stable → deprecated。废弃页面保留不删,历史查询可复现。

  • 算数担保:一个指标页不只说“营收是这个数”,还带一段被认可的计算方式(如 SQL)和配套检验程序。执行后验证实际跑的 SQL 和被认可的 SQL 是否一致,不一致则数字拒展。

注意一个设计哲学:OKF 只记录信号,不打“可信度评分”。
 评分是主观的、会过期的;信号是客观的,谁拿到都能自己算。
 这个取舍,老架构师看了会点头。

知识库新定义

 

05
缺点:别急着把向量库删了

 

想法很丰满,落地写代码,全是坑。
 评论区里真刀真枪干过的人已经踩出来了:

第一,漂移。 收录新资料时 agent 漏更新交叉引用,页面悄悄过期。
 体检不是可选项,是续命项。有团队直接挂定时任务跑矛盾检测。

第二,规模天花板。 纯 index.md 导航在几百个页面内好使得很,到几千个页面就开始喘。
 过了这个量级,还是得加搜索引擎——绕了一圈,检索又回来了。

第三,写入时的实体对齐。 新资料里提到的“张伟”,到底是已有实体还是同名新人?
 这个去重判断目前没有优雅解法,恰恰是这个模式“要么复利、要么蔓生”的分水岭。

第四,贵。 收录一份资料要动 10-15 个页面,token 烧得比 RAG 检索猛多了。
 一次性问答场景,RAG 便宜得多。

第五,垃圾进,垃圾复利。 LLM 写错的东西也会被“编译”进 Wiki,还会被后续页面引用。
 没有人工抽检,错误会利滚利。这也是 Google 火急火燎给 v0.2 加信任信号的原因。

所以我的判断是:一次性查资料的薄场景,RAG 照旧;需要长期深耕的领域,Wiki 碾压。
 二者不是替代关系,是分层关系——检索退化为导航层,Wiki 才是沉淀层。

 

06
最后,一点纯偏见

 

[偏激观点]:我赌两年内,“知识库”这个词的定义会变。
 今天它等于“向量数据库 + 检索器”,两年后它会等于“一个 git 仓库,里面装着 AI 维护的 Markdown”。
 向量库不会消失,但会缩回基础设施层,像今天的倒排索引一样,没人再拿它当卖点。

当年我们做高并发游戏服务器,就是这么被坑惨的。
 2013年底,缓存设计偷懒,以为缓存是优化项,后来才发现缓存即架构。
 RAG 是查询,Wiki 是缓存。
 查询谁都会写,能活过三年的缓存设计才是本事。

真不行。那种每次从零检索的方式,太原始了。

你的文档库,打算继续每次从零检索,还是今晚就开始让 AI 给你攒一份会自己复利的 Wiki?

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅