Karpathy的三层知识库，真正值钱的不是存资料而是养判断
很多人都在抄 Karpathy 的 LLM Wiki，但真正值钱的不是 Raw、Wiki、Schema 这三个名字，而是中间那层能替 AI 存判断、养判断的记忆。
如果你平时也在用 AI 写东西、做研究、搭 Agent，你一定遇到过这种情况：资料明明越攒越多，系统看起来也越来越完整，可一到真的要写、要判断、要开新任务，还是得从头喂一遍上下文。 Karpathy 这套方法真正戳中的，就是这里。 它不是在教你把资料放整齐一点，而是在提醒你，知识库如果只负责存东西，最后很容易越做越大，但永远长不出自己的判断。
1 会生长的中间记忆
Karpathy是前OpenAI联合创始人、特斯拉AI负责人，现在独立做研究和教育，是公认的 AI 领域最值得持续关注的人之一。 他提出的LLM Wiki，是一套三层结构，Raw sources、The Wiki、The Schema。 很多人第一眼会盯着目录看，觉得这无非是把资料分个层。确实是分层，但真正要关注的是中间那层Wiki。 大多数人现在和AI的沟通方式，都是临时性的。 看到一批资料，丢进去总结。过两天来了新资料，再丢进去总结。换个问题，又从头检索、从头拼装。它看起来每次都很聪明，可只能解决你当下的问题，像是金鱼，记忆只有7秒，干完这一单，立刻清空大脑，每次都要重新建立共识。你刚把一件事讲顺，切个任务，又得从头解释。 系统看起来一直在转，实际上停在了高消耗、低积累的地方。 Karpathy不再让 AI 永远停留在一次性问答里，而是给它一层会持续生长的中间记忆。 一个主题今天写一版，明天能补，后天能改。新案例来了，可以挂进去。旧判断错了，可以修掉。和别的主题之间，还能慢慢连成网。时间一长，它就不再是一堆摘要，而是一层真正能复用的认知沉淀。 Raw是你从各处挖回来的原矿石，Schema是你最后要铸成的模具，Wiki就是那个一直在熔炼、反应、慢慢变纯的炉子。 当你决定把一篇文章、一条帖子、一次访谈放进Raw时，这个动作本身就是一次判断。它值不值得留，它和我现在关心的哪条主线有关，它是噪音，还是后面会继续长东西的种子。 表面上在讲知识库，实际上在讲一件更大的事，怎么让AI持续参与一个主题的生长。 这套骨架已经很好了，如果结合我们内容生产者来用，它满足了采集与学习场景，还缺一头一尾。
2 往上，一层克制的采集层
手动采集再有价值，也有一个很现实的问题：你的精力是有限的。 AI这个领域，信息更新太快了。刚部署好了OpenClaw小龙虾，还没研究明白，Hermes又横空出世；你还在消化上周的进展，推特上已经开始讨论它的局限性了。 如果长期只靠手动采集信息，覆盖率和稳定性都很难保证，很多本来值得进入视野的东西，有可能就错过了。 所以完全可以在Karpathy这套方法的基础上，往上加一层采集，没必要广撒网，只需要克制一点的自动采集。 研究AI的小伙伴，部署两个入口就够了。 一个是 X。 这里几乎集中了全球最新的一手信息，你不需要把关注列表里所有人的内容都抓下来，也不是关键词全平台乱搜，只需要盯住热点排序前10到20。 另一个是公众号。 AI领域厉害的作者不少，你不需要抓一堆泛泛的号，筛选出你常看的10个你真正认可的作者。 再多，你看不过来，系统也会失焦。来源稳定，X给你最新的消息，公众号给你解释和消化，这两条线放在一起，刚好互补。 克制采集到的信息都进入到Raw里，自动化把值得注意的东西推到你面前，经过去重、聚类、正文抽取、摘要、初步评分，慢慢沉淀进wiki。 今后在你与wiki的长期交互中，逐渐形成自己的判断。这个门，一定还是需要自己来守。 以后你的工作模式像是这样，某天，X上连续冒出很多条都在讨论同一个新Agent架构，候选池把它们聚在一起。你盯的几个公众号作者又各写了一篇长文，一个讲产品变化，一个讲工作流影响。系统抽取正文、去重、打分。你花几分钟扫一眼，判断这是不是你正在关心的。几天后你准备写稿时，这个话题已经不是临时拼出来的了。它已经顺着候选池、Raw、Wiki这条线，生长成了可以直接进入正文的成熟判断。
3 往下，真正的生产力
如果只停在采集和整理，已经是一套很不错的知识系统了。但完全可以再往下走一步，就是往下接内容生产。 很多人做知识管理，最后都容易停在整理的舒适区，存进去，就认为自己已经学会了。内容越来越多，系统看起来越来越漂亮，这些东西，最后有没有变成你的文章、你的视频、你的表达、你的产品判断？ 如果没有，那这个知识库的价值其实只实现了一半。 Karpathy这套东西天然适合接到生产层。 你前面已经有Raw，有Wiki，有Schema，已经有了一层被反复整理过、彼此有链接关系的中间结构。而内容生产最缺的不是素材，是这层中间结构。 你一般怎么写出一篇长文？ 很多时候不是靠突然爆发的灵感，而是几个零散观察、几条热点、再加上你之前积累过的旧判断，在某个时刻因为一个偶然的契机，突然就接上了。你发现，原来它们一直在说同一件事。 这时候如果你前面只有Raw，你会很累。你得重新翻、重新看、重新归纳、重新找线索。但有了这层Wiki，事情就完全不同了。你可以直接看到这个主题过去沉淀了什么，和哪些概念相连，最近新增了哪些例子，它又挂在哪条更大的主干上。 你甚至可以直接让AI基于这层wiki，给你做选题，给你出大纲，再往下展开成长文，或者转成视频稿。AI并没有替你瞎编，它在基于你过去亲手养大的wiki系统积累判断。 知识库就不再只是知识库了，它开始像一台内容引擎。 生产之后还没完。 你写完一篇文章，做完一期视频，里面有会有很多观点、判断，它们还应该反过来又补回Wiki。原来模糊的地方，会因此被写得更清楚。原来没连起来的两个主题，会因为一次生产重新接上。原来只是一个热点观察，也可能在生产之后慢慢沉成一条更稳定的方法论。 到这里，这套系统才真正闭环。 我们的整个闭环长成这样：克制自动采集/手动采集 → 候选池 → 人工确认 → Raw → Wiki → 选题提炼 → 内容生产 → 写回Wiki` 知识库就不再只是一个存档系统，会慢慢变成一个内容操作系统。
感谢你看到这里。 Karpathy这套方法是一种很朴素、但复利很强的想法，不要让 AI 永远停留在一次性问答。 给它原始资料，给它持续维护的Wiki，给它明确的 Schema，再往上接一层克制的采集，往下接一层内容生产。这样一来，信息进来，不会淹没你。信息出去，也不是临时凑一篇稿。 一个知识系统有没有真的长成，不用先看你存了多少链接，也不用先看目录漂不漂亮。要看一个新话题出现时，它能不能被你顺手收进候选池，沉到Raw，补进Wiki，最后稳定长成一篇文章、一期视频、一个更清晰的判断。 如果不能，你缺的往往不是更大的模型，也不是更多的信息源，而是那层能把信息慢慢沉成判断的中间记忆。
<section style="margin: 28px 0 14px 0; text-align: center; color: #d46b2c; font-size: 15px; font-weight: 700; line-height: 1.8;"> 扫码直达 </section>