本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 Karpathy 不同款的 LLM Wiki 我看了很多 Karpathy 同款的 LLM Wiki ，但是我觉得他们的对于我来说，没有什么用。 所以，我基于 [Karpathy llm-wiki]方法论，搭一套 Karpathy 不同款的 LLM Wiki 知识库。利用 AI 持续构建和维护 知识库， 自动整理为结构化的 wiki，并通过 Quartz 发布为静态wiki知识库网站。 还可以通过 claude_agent_sdk 调用 claude agent 使用 llm-wiki ,提供api接口对外访问服务 。 就是：Claude Agent SDK + LLM-wiki，变成最强大的agentic RAG 。 本项目主要展示了我制作的 llm-wiki 怎样通过 Claude Agent SDK 转为 agentic rag， 我自己测试很多，效果非常好的。 核心文件是： 7_wiki_writer.py ， wiki_writer_api.py 。 开源地址 github.com GitHub - liangdabiao/llm-wiki: 基于 [Karpathy llm-wiki]方法论，利用 AI... 基于 [Karpathy llm-wiki]方法论，利用 AI 持续构建和维护你的个人知识库。支持从多种素材源（网页、推特、公众号、小红书、知乎、YouTube、PDF、本地文件）自动整理为结构化的 wiki，并通过 Quartz 发布为静态wiki知识库网站。 并通过 claude_agent_sdk 调用 claude agent 使用 llm-wiki ,提供api接口对外访问服务 。 我的思路 传统的RAG系统的完整链路是这样的：ingest → chunk → index → retrieve → rerank → prompt-pack → generate → cite ，做过RAG的都知道，以上整个流程每一块都需要很多工作和魔法，才能让rag看上去能够回答问题，实际上复杂问题还是不能回答，总是错误，很难控制的好。 而Karpathy 大神的确非常深刻，过去几年最重要的ai概念都是他总结出来，都是看起来很简单，但是达到了最本质。我觉得他的llm wiki被大大低估了，这个东西就是开发ai的根。 这个wiki格式是非常重要，ai就是靠这个组织了整个知识，我认为 它一下子解决了rag全部问题，我已经不再用rag了，因为llm-wiki这个才是答案。 我还加上Quartz 它可以一键生成wiki网站，变成真正的知识库 。 基于这个东西，我可以搞很多厉害的项目，因为 理解越深，生成越深，本质就是这样搞ai 。 我的这个方案不需要RAG整个流程，利用Llm-wiki取代了它，然后套上 claude agent sdk，把整个方案打包成更好用的rag。 2 个帖子 - 2 位参与者 阅读完整话题