万万没想到，居然有1700 万的阅读量。这可能说明 AI 知识库这个场景的需求远没有被满足，也说明了有非常多的人受困于知识管理。
作为一个 AI 知识库开发者，既兴奋又焦虑。兴奋的是 AI 知识库又被大家注意到，而且这一次的方案与我们自己的实现（LinklyAI）很接近。
传统的知识库和知识管理软件和方法，重点都在"管理"上——收集、分类、建立连接。最近一二十年，大致可以分两类：
一类是比较古早的，以 Evernote 为代表的剪藏类知识库。差不多就等于一个大收集箱，遇到的内容就一股脑往里丢。为了管好它，需要我们自身建立起良好的信息管理素养，需要高度的纪律去维护。但很不幸，最后一般都会失控。
第二类是 Notion、Obsidian 等一大类新型知识库软件。它们对知识管理的粒度更细、也更灵活，试图建立起我们收藏、撰写的内容之间的关联——强调双链、用"块"来方便引用和重用，还有各种各样更复杂的，比如像数据库这些组织知识的信息方式。
但这都是我们真正想要的吗？我相信无数人都幻想过：是不是有一种知识库软件，可以省略或简化手工管理？知识与知识的连接能不能自动建立？最重要的是，能不能真正解决利用知识的问题？
Karpathy 的方案给了我们这种希望。
23、24 年开始，很多人包括我，对 AI 知识库这个品类寄予了厚望。因为从来没有一类产品这么接近我们幻想中的理想知识库：
收藏、添加，但不需要过多整理
使用的时候能够被准确地调取，我只需要在对话框里描述我的目标
这两三年，无数 AI 知识库都在折腾 RAG，复杂一点的折腾知识图谱，激进一点的寄希望于把知识微调进模型。很遗憾，到现在没有一个方案能说服我们替代已有的 Evernote、Notion 或 Obsidian。
反而去年以来，Obsidian/VsCode + Claude Code 的组合越来越被用户认可：
用 Obsidian 或 VS Code 做浏览器，用 Claude Code 之类的 Coding Agent 来自动化管理、预处理知识库，需要使用时直接让 Agent 去检索或写作。
其实在 Karpathy 提出这套架构之前，已经有不少人在按类似的方式实践了。比如我自己的项目知识库就是这么做的——建一个独立的文档仓库，把相关项目文档统一放进去，让所有开发者直接在 Claude Code 里使用这些知识。
Karpathy 的方案里，处处可以看到 Claude Code 这个最成功的 Coding Agent 的优秀实践：index.md 和 memory.md 何其相似；Wiki 页面的渐进式展开和 Skills 的渐进式披露何其相似；Schema 层直接就是 CLAUDE.md 的翻版；整套架构以文件系统为接口，和 Claude Code 操作代码库的方式一脉相承。
Karpathy 方案中，"编译"是个绝妙的隐喻，抓住了传统 RAG 的核心问题。传统 RAG 知识库的流程是：每次提问 → 检索 chunk → 拼接回答。知识是临时组装的，用完就丢。下次问类似的问题，整个过程从头再来。Karpathy 把这个过程重新定义为"编译"：原始文档是源代码，Wiki 是编译产物，LLM 是编译器。
看起来很美好。但是，古尔丹，代价是什么？
代价恰恰就藏在"编译"本身。它带来了高昂的成本——既有 token 成本，也有管理成本。如果知识库规模在百篇左右，一切都好，各种成本都很低，有 Claude Code 的订阅交给它做就行。但一旦超过百篇，想维护一个质量可靠的 Wiki，恐怕会越来越难、越来越贵。而且各种各样传统知识库的问题和需求一个都不会少，比如剪藏、同步、备份、移动端等等。。。
所以 Karpathy 说应该会有个专用软件，一点都没说错！
很多人在讨论 Wiki 层的编译逻辑，但我觉得 index.md 才是这套架构里最值得琢磨的部分。
Karpathy 的做法是：维护一个索引文件，每个 Wiki 页面占一行，包含链接、一句话摘要和元数据。LLM 查询时先读这个索引，判断哪些页面相关，再深入读取。他自己说"This works surprisingly well at moderate scale"。
这其实就是一个极简的搜索引擎——只不过"检索"这一步靠的是 LLM 的语义理解，而不是传统的搜索算法。
仔细想想，大部分知识库为什么难以被有效利用？核心原因还是检索困难——包括检索的准确性和检索的便利性。Karpathy 的方案其实同时解决了这两个问题：准确性由 LLM 自身的语义理解保证，便利性则做到了极致——完全不需要人去检索，由 Agent 自主完成。
所以，其实完全没有必要照搬 Karpathy 的方案。搞清楚它的内核是索引 + Agent 之后，完全可以用更高效的技术去搭建一套适合更大规模的方案。
而我们正在内测的 Linkly AI，在解决的正是如何把数以万计的本地文档如何有效的被 Agent 使用的问题。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。