关键区别
RAG 负责检索，Karpathy Wiki 负责沉淀。
真正的变化不只是召回更准，而是把跨资料综合这件事写进一个持续维护的产物里，让模型下次直接站在上一次整理过的结果上继续工作。
| 维度 | 传统 RAG | Karpathy Wiki 模式 |
|---|---|---|
| 知识状态 | 大多在提问时才从原始切片里重新拼出来。 | 以互相链接的 markdown 页面形式长期保留下来，并持续演进。 |
| 跨源综合 | 每次提问都要重新做一遍。 | 第一次写进 wiki，后续在已有页面上持续修订。 |
| 矛盾信息 | 除非当前提示词刚好覆盖，否则很容易漏掉。 | 可以直接记在相关页面里，后续维护时持续回看。 |
| 答案复用 | 高质量回答常常只留在聊天记录里。 | 有价值的回答可以回填成 wiki 的新页面或新段落。 |
| 维护成本 | 最终仍要靠人手工整理和对账。 | 模型可以一次性更新多页，把簿记工作接过去。 |
运行方式
三层结构，三类循环操作。
Karpathy 的做法之所以实用，是因为它没有把系统做得很重：原始资料层、wiki 层、schema 层，再加上 ingest、query、lint 三个持续循环。
原始资料
文章、笔记、论文、图片、播客转录等原始材料，模型会读取，但不会直接改写。
Wiki 层
模型负责创建、修订、互相链接的 markdown 页面，新的材料进入后会持续更新。
Schema 层
一份给代理看的说明文件，定义结构、命名规则、工作流和长期维护习惯。
Ingest
读取新资料，生成摘要，更新相关页面，并把这次变更记录到日志里。
Query
先从 wiki 回答问题，再把高价值答案回填到知识库，让下一次回答更完整。
Lint
定期检查过时结论、弱链接、孤儿页面和待验证的问题，推动下一轮修订。
相关页面
从四个搜索意图看懂这套模式
当前内容库仍以英文页面为主，但我把入口和导读改成了中文，方便先理解框架，再跳到对应的英文细页。
核心概念
LLM Wiki Guide
解释 LLM wiki 到底是什么、模型真正维护的是什么、为什么它比松散笔记更容易形成长期积累。
阅读英文页面
对比
Persistent Wiki vs RAG
把传统 RAG 和 Karpathy Wiki 并排比较，重点看综合能力、矛盾追踪和答案复用的差异。
阅读英文页面
工作流
Obsidian LLM Wiki Workflow
把这套方法放进 Obsidian 后，应该怎样组织原始资料、wiki 页面、schema 和定期维护流程。
阅读英文页面
工具层
LLM Wiki Tooling
什么时候只靠 markdown 就够，什么时候需要搜索、索引、lint 和自动化工具来托住规模。
阅读英文页面
FAQ
关于这套模式的常见问题
Karpathy Wiki 到底是什么？
它是一种工作模式：在原始资料和你的问题之间，放一层由大模型维护的 markdown wiki。人类负责整理资料和提出问题，模型负责写摘要、补链接、对齐冲突并保持页面一致。
它和普通的 RAG 有什么本质区别？
普通 RAG 往往在每次提问时临时从原始语料中检索片段，再现算一次综合结果。LLM Wiki 则把综合层保留下来，所以摘要、交叉引用和矛盾点会先存在页面里，再被后续问题复用。
为什么很多人会把 Obsidian 和 LLM Wiki 放在一起谈？
因为 Obsidian 天然就是一套可浏览的 markdown 工作区，有反链、图谱和插件生态。人类适合在那里看页面，模型也适合直接维护这些文件。
要起步是不是需要很复杂的基础设施？
不需要。Karpathy 给出的起点其实很轻：一些 markdown 文件、一份 schema 说明、再加上在规模变大后才逐步引入的搜索或索引能力。
这种模式最适合什么场景？
最适合那些资料会不断增长、而你又希望综合结果和复用答案能越积越多的场景，比如长期研究、读书笔记、尽调、团队知识库和专题资料库。