Funes 是一個基於 Git 的框架，用於將原始資源轉化為可持續、有引用的知識工作，並配有 AI 圖書館。
圖書管理員會處理原始資料，將其保存為不可變更的記錄，編輯成互連的 Markdown 維基，並利用該維基來產生有引用的答案、報告、分析、流程以及其他可重用的輸出。您提供資料和問題；圖書管理員會處理寫作、連結、索引、健康檢查和維護工作。
所有內容都存放在 Git 倉儲中的純 Markdown 格式裡，因此您的知識庫具有版本控制、可比對、可移動、可搜尋，並能從 GitHub 或任何編輯器中使用。
工作流程適應安德烈·卡帕西的「大型語言模型知識庫」(Andrej Karpathy's "LLM Knowledge Bases")將想法轉換為一個普通的 Git 倉儲，而不是 Obsidian。
名稱的起源
Funes是以Borges的“為名記憶過剩的Funes，一個記得所有事但無法抽象的人
這個專案保存了原始記錄，然後將其抽象化為概念、主題和可用輸出
它是如何運作的
raw source ─ingest→ raw/ (verbatim, immutable)
─compile→ wiki/sources/ (one summary note per source)
→ wiki/concepts/ (atomic articles, one idea each)
→ wiki/topics/ (maps of related concepts)
question ─answer→ read wiki, cite articles
─output→ outputs/ (reports, analyses, routines, answers)
→ wiki/ (durable findings filed back in)
百科並非最終產品。它是圖書館員用於回答問題、生成報告、製作流程、發現遺漏，並確保知識庫隨時間保持一致性的工作記憶體。
你很少手動編輯百科。你提供來源和問題；圖書館員維護結構、鏈接、索引和輸出。
這是一個圖書館的例子 你可以瀏覽以了解可從 Funes 預期何種輸出.
快速開始
-
將此儲存庫作為範本 使用 GitHub 的「使用此範本」按鈕，或進行克隆.
-
使用代理程式編碼工具，例如 Claude Code、Codex 或任何能夠閱讀和編輯儲存庫中檔案的 LLM 代理程式。代理程式閱讀
AGENTS.md學習如何像圖書館員一樣行為。 -
添加來源。 將 PDF、網頁剪貼、筆記或其他材料拖放到
starter-library/raw/裡，並說：在
raw/裡匯入新的來源。或直接在聊天中貼上文本或鏈接，並說：
匯入這個。
-
提問。 經理以引用資料回應至維基百科，將大量輸出寫入至
outputs/，並提出將持續性發現存回知識庫的建議. -
保持其健康. 定期要求進行「健康檢查」，以審計斷開的連結、重複的概念、過期的索引、矛盾之處、空白之處以及可能的新的文章.
重新命名或複製starter-library/ 以適合您的主題，例如 physics/、history/、research/ 或 personal-kb/。若要在單一 repo 中運行多個獨立知識庫，請添加更多頂層庫資料夾。參考 library.md。
這裡有什麼
starter-library/— 一個即用型空的知識庫，包含標準的raw / wiki / outputs / meta框架和種子索引文件。AGENTS.md— 代理的入口點：每個資料夾是什麼以及如何在儲存庫中工作.protocol.md— 共享的 Librarian 協議：完整的輸入→編譯→Q&A → 輸出→健康檢查工作流程，以及約定和文章模板.library.md— 在同一儲存庫中創建額外圖書館的配方.
範例 — Librarian 產生的內容
你不用手寫這些。它們顯示了編譯後的 wiki 的形狀。完整的模板存放在 protocol.md 中。
一個 來源註釋總結了一個原始來源，並鏈接到它所賦予的概念：
--- title: Attention Is All You Need type: source tags: [transformers, attention] created: 2026-01-10 updated: 2026-01-10 --- # Attention Is All You Need - **Raw file:** [2026-01-10-attention-is-all-you-need.pdf](../../raw/2026-01-10-attention-is-all-you-need.pdf) - **Original:** https://arxiv.org/abs/1706.03762 ## Summary Introduces the Transformer, a sequence model based entirely on attention, dropping recurrence and convolution. ## Key takeaways - Self-attention relates all positions in a sequence in O(1) sequential steps. - Multi-head attention lets the model attend to different subspaces at once. ## Concepts extracted - [Self-attention](../concepts/self-attention.md) - [Multi-head attention](../concepts/multi-head-attention.md)
一個 原子概念解釋了一個想法，並將其鏈接到來源、相關概念和主題地圖：
--- title: Self-attention type: concept tags: [transformers] created: 2026-01-10 updated: 2026-01-10 --- # Self-attention A mechanism that computes a representation of a sequence by relating each position to every other position, weighting them by learned compatibility. ## Related - [Multi-head attention](./multi-head-attention.md) ## Sources - [Attention Is All You Need](../sources/attention-is-all-you-need.md) ## Topics - [Transformer architecture](../topics/transformer-architecture.md)
一個輸出是從維基百科生成的重大答案、報告、常規或分析：
# Reading plan for understanding Transformers This plan draws on the compiled notes for [Attention Is All You Need](../wiki/sources/attention-is-all-you-need.md), [Self-attention](../wiki/concepts/self-attention.md), and [Multi-head attention](../wiki/concepts/multi-head-attention.md). ## Goal Understand why the Transformer replaced recurrence for many sequence-modeling tasks. ## Sequence 1. Read the source note for *Attention Is All You Need*. 2. Review the concept article on self-attention. 3. Review multi-head attention. 4. Compare the topic map on Transformer architecture against the original paper. ## Durable findings to file back - Add a concept article on positional encoding. - Add a topic map for sequence modeling.
歸功於
模式改編自Andrej Karpathy的《LLM知識庫》。Librarian框架來自Systems Made Better的建立一個自我改善的Claude知識庫。