# Karpathy 用 Obsidian 和大模型搭了一套本地知识库，把原始资料自动整理成可提问、可写报告的 Wiki

> 原标题：Karpathy 分享了他如何构建本地的 AI 知识库

- 来源：X · @op7418（歸藏）
- 发布时间：2026-04-03T02:49:29.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/3806
- 原文：https://x.com/op7418/status/2039898050697839041

## 摘要

Karpathy 的做法是把原始资料扔进一个叫 RAW 的文件夹，让大模型自动生成摘要、索引、概念页、相互链接和可视化图表，最终形成一个本地 Markdown Wiki。之后可以直接在这个 Wiki 上提问，模型会查索引、读相关文档再给出回答或生成新文件、网页甚至 PPT，并把输出存回知识库。他特别提到 AI 生成的内容会污染语料，要把可信来源和 AI...

## 推荐理由

HKR-H 和 HKR-R 都站得住，因为 Karpathy 这种级别的从业者公开自己的本地 Wiki 工作流，本身就自带讨论度，而且他点出的“AI 生成内容会污染库，最好跟可靠来源分开”是个很实际的痛点。HKR-K 靠的是 RAW→LLM→摘要/索引/互链这条具体管线，但正文没披露用了什么模型、资料规模多大、自动化脚本怎么写，所以知识增量卡在中等偏上，分数停在 76 合理。

## 锐评

Karpathy 这套本地知识库的做法挺实在：把原始资料扔进 RAW 文件夹，让大模型自动生成摘要、索引、概念页和相互链接，最后形成一个可查询的 Markdown Wiki。模型回答时会先查索引再读相关文档，输出也不限于文字，还能生成网页或 PPT 并存回知识库。他特别提到 AI 生成的内容会污染语料，建议把可信来源和 AI 产出分开放，这点很关键，不然知识库越用越脏。

不过正文没说他用的是什么模型、处理多大规模的资料、自动化程度有多高。这些缺口让实际成本和质量都很难判断。另外，Wiki 健康度检查（找矛盾、补缺失、发现新关联）听起来有用，但没给具体例子，不知道是真好用还是概念演示。

整体思路不新，很多人已经在用类似方法，但把输出回流到知识库、让知识库“越用越厚”这个闭环值得关注。如果你也想试，建议先从少量高质量资料开始，严格控制 AI 生成内容的混入比例，不然维护成本会很快超过收益。