近期在网上看到了Karpathy提出的LLM Wiki知识库构建范式，这是一个快速构建小型知识库的方法。与传统 RAG 不同，该方法主张通过 LLM 将原始素材“编译”为结构化的 Markdown 文档。作者实测下来效果不错，所以分享一下。

Karpathy Wiki GitHub原文地址：

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f#file-llm-wiki-md

这个Markdown文件说明了构建LLM Wiki知识库的原理和步骤，可以理解为一个指南，并非一个具体的工具或者Skill，我们可以使用这个指南让我们的AI工具生成具体的行动清单或者创建Skill，接下来将以构建一个胜任素质模型研究的LLM Wiki进行举例。

运行环境说明

环境的安装本文不做介绍，简单列出：

AI工具：	Claude Code
AI模型：	MiniMax-M2.7
其他工具：	CC Switch(用于配置模型的API)

自动创建知识库

在根目录新建了一个readme.md，内容如下，其中横线上方的是我添加的提示词，# LLM Wiki及以下的内容是llm-wiki.md的原文：

请参考以下内容，在当前文件夹下构建一个关于胜任素质模型的wiki，请创建好目录和以后的行动指南，确保所有动作可以按规则进行。所有关于规则的文件使用中文。----------# LLM Wiki...llm-wiki.md原文...

在Claude Code中，使用/init初始化命令，创建CLAUDE.md文件：

自动生成的CLAUDE.md文件内容如下：​​​​​​​

# CLAUDE.mdThis file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.## 项目概述这是一个基于 LLM 的个人知识库（胜任素质模型 wiki）。LLM 负责维护和更新所有 wiki 页面，用户负责提供来源、引导分析和提问。## 目录结构```kb2_胜任素质模型/├── README.md              # LLM Wiki 模式说明├── CLAUDE.md              # 本文件 - Wiki 维护规则├── raw/                   # 原始来源（不可修改）│   └── sources/           # 源文档（文章、论文等）└── wiki/                  # LLM 生成的 wiki 页面    ├── index.md           # 内容索引（按分类组织）    ├── log.md             # 操作日志（按时间顺序）    └── ...                # 其他 wiki 页面```## 核心原则1. **raw/ 目录不可修改** - 原始来源是信任根源，LLM 只读取不修改2. **wiki/ 目录由 LLM 完全拥有** - LLM 创建、更新和维护所有 wiki 页面3. **知识是累积的** - 每次添加新来源时，LLM 整合到现有 wiki，不重复劳动## 工作流程### 摄入（Ingest）当用户提供新来源时：1. 读取源文档2. 与用户讨论关键要点3. 在 wiki 中创建/更新相关页面4. 更新 index.md5. 在 log.md 记录本次摄入### 查询（Query）当用户提问时：1. 先读取 index.md 找到相关页面2. 阅读相关页面，综合答案3. 如答案有价值，将其归档为 wiki 新页面### 清理（Lint）定期健康检查：- 检查页面间矛盾- 标记过时内容- 找出孤立页面（无 inbound 链接）- 补充缺失的交叉引用- 识别需要进一步研究的内容缺口## index.md 格式```markdown# 索引## 胜任素质- [页面标题](wiki/页面标题.md) - 一句话描述## 概念...## 来源...```## log.md 格式每条记录以日期开头，便于 grep 解析：```markdown## [2026-04-10] ingest | 来源标题- 讨论了 xxx 关键点- 更新了 yyy 页面## [2026-04-10] query | 用户问题- 综合了 zzz 页面的信息```## 页面frontmatter规范Wiki 页面应包含 frontmatter：```yaml---title: 页面标题tags: [标签1, 标签2]created: 2026-04-10source: 来源名称---```## 工具建议- **Obsidian** - 推荐作为 wiki 浏览工具，支持图形视图、Dataview 插件- **qmd** - 本地 markdown 搜索引擎，支持 CLI 和 MCP server（可选）- **Obsidian Web Clipper** - 浏览器扩展，将网页转为 markdown- **Marp** - markdown 幻灯片格式## 通用操作命令由于这是纯 markdown 文件项目，无构建/测试命令。核心操作是：- 摄入新来源：读取 raw/sources/ 中的文件并整合到 wiki- 查询：搜索 wiki/ 目录中的相关页面- 清理：运行 lint 工作流程检查 wiki 健康度## 扩展如需添加搜索能力，可以使用项目根目录的 qmd MCP server。

将项目的文件夹按要求创建，我的输入都是PDF文档，没有图片，将输入文件放入/raw/sources目录下，在命令行输入：执行摄入操作

根据提示，处理所有文档，在输入框回复Claude Code：

可以看到，在我们没有任何信息输入的情况下，自动为我们建立了一个知识库：

知识库预览

AI生成的知识库都是Markdown格式，我推荐使用Obsidian预览，它可以很好的编辑和查看Markdown格式的文件，打开根目录即可。可以看到，AI生成了4类文件，分别是：

唯一的一个Index索引文件：

log文件：

关键知识概览文件：

每篇文档的知识提取文件：

可以看到，我们创建了一个具有层级结构的Markdown格式的知识库，索引-知识总结-原始知识文件，三层结构。

而且Markdown格式非常易于编辑和读取，也非常容易被AI所消费。例如使用其他AI Agent执行任务时，可以指定这个整理好的知识库作为输入，让AI Agent读取Index一步步的查找所需要的知识。

知识库优化

默认生成的知识库，未必包含了全部我们关注的知识主题，我们可以建立不同的知识主题，总结所需要的知识。我们先来优化一下目录结构，我的提示词是：[整理一下wiki的结构，将index和log文件保留在wiki的根目录，再wiki下建立两个新文件夹，分别是 知识主题 和知识来源，将35个来源分别总结的文件移动到知识来源文件夹，将总结性的主题知识移动到知识主题文件夹。]

可以看到，在log中AI记录了这一次的整理，并且给出了很好的建议：

我现在想做一些专题知识整理，并且对已有的知识增加我感兴趣的内容，提示词如下：[增加胜任素质要素的主题，着重分析这些研究中，提取到了哪些胜任素质要素及其分类。可以通过表格或者任何易于理解的方式进行展示。也可以再更新一下所有的知识来源，提取raw原始文档中知识要素相关的内容。]

整理后的Markdown概览如下：

总结

可以看到，通过这种方式，非常快速地搭建了一个小型专题知识库，并且能够有效地作为其他AI的输入。

AI的能力越来越强，我们未来可能关注的是如何有效地使用、引导、管控、审计AI的工作过程和成果。在本案例的方法中，可以有效激活AI的能力，人只需要做决策，输入少量内容，最大化利用AI的能力帮忙完成任务。