5分钟快速上手：用karpathy-llm-wiki一条命令搭建个人LLM Wiki知识库（完整教程）
【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki
karpathy-llm-wiki是一个兼容 Agent Skills 标准的开源技能包，把 Karpathy 提出的 LLM Wiki 思路打包成可直接安装的技能：在 Claude Code、Cursor、Codex 等 AI 编程助手中，一条命令装好，就能自动搭建并维护个人 LLM Wiki 知识库——喂入资料、带引用地回答问题、还能给知识库做"体检"。
为什么需要 LLM Wiki？🤔
传统 RAG 每次提问都要重新检索原始文档；而LLM Wiki的思路是：让大模型把新资料"编译"成结构化的 Markdown 知识页，知识随时间持续积累、交叉引用不断完善。
核心理念（来自 Karpathy）：LLM 负责写 Wiki 和维护 Wiki，人类只负责挑选资料和提出好问题。
图：Karpathy 分享 LLM Wiki 想法的原始推文——正是 karpathy-llm-wiki 项目的灵感来源
LLM Wiki vs RAG：一张表看懂区别
| 对比维度 | RAG | LLM Wiki |
|---|---|---|
| 知识存放位置 | 原始文本块 + 向量 | 精心编译的 Markdown 页面 |
| 综合时机 | 每次查询时 | 摄入和维护时 |
| 适合场景 | 大规模语料检索 | 知识复利、摘要、持久交叉引用 |
一条命令安装，5 分钟搭好 🚀
第一步：克隆仓库
git clone https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki第二步：安装到你的 AI 工具
npx add-skill Astro-Han/karpathy-llm-wiki支持的工具一览（详见 README.md）：
| 工具 | 安装方式 |
|---|---|
| Claude Code / Cursor / OpenCode | npx add-skill Astro-Han/karpathy-llm-wiki |
| Codex CLI | 复制整个目录到.agents/skills/karpathy-llm-wiki/ |
| 其他工具 | 把SKILL.md、references/ 和 scripts/ 复制到工具的技能目录 |
第三步：喂入第一篇资料，自动初始化
在对话框里直接说：
"Ingest this article: https://example.com/attention-is-all-you-need"
首次 Ingest 时，工具会自动创建缺失的目录骨架（已有文件绝不覆盖）：raw/、wiki/、wiki/index.md（全局索引）和wiki/log.md（操作日志）。你什么都不用手动建。
三大核心操作：Ingest、Query、Lint ✨
完整规范见 SKILL.md，三个操作各一句话讲清：
- Ingest（摄入）：把资料存入
raw/，自动分类为"新增 / 更新 / 冲突 / 无新信息"，再编译进wiki/——没有新信息时只记录日志，不硬造文章 - Query（查询）：问一句 "What do I know about attention mechanisms?"，答案优先来自你的 Wiki，并附上指向具体 Markdown 页面的引用链接
- Lint（体检）：说一句 "Lint my wiki"，自动修复索引缺失、断链等问题，并报告矛盾、过时声明等需要人工判断的问题
💡 小知识：每次 Ingest 都可以在 wiki/log.md 中查到完整记录（Disposition、Raw 文件路径、级联更新的文章），知识库全程可追溯。
项目目录结构：知识如何分层 🔍
your-project/ ├── raw/ ← 不可变的原始资料（只读不改） │ └── topic/ │ └── 2026-04-03-source-article.md ├── wiki/ ← LLM 编译维护的知识页 │ ├── topic/ │ │ └── concept-name.md │ ├── index.md ← 全局目录 │ └── log.md ← 只增不改的操作日志三层架构的分工：raw/存放原始资料（永不修改，保证事实可回溯）、wiki/存放 LLM 全权维护的知识页、SKILL.md 作为"模式层"定义全部结构与规则。
"防幻觉"机制：Wiki 中每个关键数字、日期、引语都必须先在raw/原文中定位到才能写入，scripts/check_evidence.py 会对全库自动复查，几秒扫完整个 Wiki——这就是为什么它的知识"越用越可靠"。
效果如何？看真实样例 📊
该工作流已在真实知识库中每日维护：94 篇 Wiki 文章、13 个主题目录、99 份源材料。打开 examples/ 目录就能看到真实文件对比：
- examples/2026-03-19-claude-code-statusline-landscape.md：编译前的原始资料
- examples/claude-code-statusline-landscape.md：编译后的知识页（表格、引用、交叉引用一应俱全）
- examples/ai-coding-tools-index.md：全局索引的主题分区
- examples/log-sample.md：操作日志样本（ingest / query / lint 全部条目类型）
想自定义页面格式？模板都在 references/ 里：raw-template.md、article-template.md、index-template.md、archive-template.md。
新手常见问题 FAQ 💬
Q：能喂什么类型的资料？A：网页、论文、博客、PDF、Markdown 文件、纯文本，甚至直接粘贴的文字。所有资料都会统一转成 Markdown 存入raw/再编译。
Q：和普通个人 Wiki 有什么区别？A：普通 Wiki 靠人手动更新；LLM Wiki 由模型自动更新摘要、交叉链接、索引条目，甚至标注新资料与旧结论的矛盾（Status: Disputed 块），从不悄悄篡改历史。
Q：查询会改动我的文件吗？A：不会。普通 Query 只在对话中回答；只有当你明确说"归档"时，才会把答案存成新的 Wiki 页面。
Q：免费吗？A：LICENSE 采用 MIT 协议，开源免费。
总结：三步让知识库持续复利 📈
- Ingest喂入新资料
- Query向 Wiki 提问
- Lint定期体检修复
5 分钟装好之后，剩下的工作就是：你负责选资料和提问，LLM 负责让知识库"越长越聪明"。这就是 karpathy-llm-wiki 的完整用法——现在就去搭一个吧！
【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
