Zui近，科技圈内掀起了一股关于 Andrej Karpathy 的“LLM Wiki”的热议。这位在深度学习领域享有盛誉的工程师，以其独特的视角和解决方案，挑战了当前流行的 RAG模式。这个原本kan似不起眼的项目，却在一夜之间获得了超过20万次的播放量，引发了人们对于未来知识工作方式的深刻思考。

Andrej Karpathy 是一位极具影响力的深度学习和计算机视觉专家。他曾任职于特斯拉，负责自动驾驶技术的开发，并在 OpenAI 等机构担任重要职务。他对大型语言模型有着深刻的理解和独到的见解。他的研究成果和技术分享常常Neng引发行业内的广泛关注和讨论。

长期以来RAG 一直被认为是利用现有知识库增强 LLM Neng力的有效方法。然而Karpathy 指出了 RAG 的一个根本性问题：它geng像是一个“即时求值”的解释器，每次提问dou需要重新扫描原始文档并进行处理。这种方式不仅效率低下而且难以实现知识的积累和沉淀。

Karpathy 提出了一个大胆的想法：与其让 LLM 反复扫描原始文档寻找答案，不如让它直接承担起构建和维护一个持续进化的知识库的角色——这就是 LLM Wiki。

LLM Wiki 不是简单地存储信息，而是教导 LLM 如何将零散的信息整理成结构化、可导航、可geng新的知识系统。这与传统的 RAG 方法有着本质的区别。

Karpathy 将这个想法整理成了一个简洁明了的 gist 分享出来方便开发者快速上手并构建自己的 LLM wiki 。它的运作模式Ke以概括为以下三个核心层面：

这一层保留了原始数据的完整性。论文、网页、会议记录等资料保持不变，作为整个知识系统的基础。

这是 LLM 发挥作用的关键层面。模型将原始资料整理成结构化的页面并维护页面之间的链接关系。用户阅读的是这一层的内容。

规则层定义了模型如何创建、geng新、命名页面以及记录冲突等行为。它决定了模型的角色是聊天机器人还是专业的知识库维护员。

Karpathy 在他的分享中强调了三个关键的操作：Ingest 、Query 和 Lint 。

Ingest：将新信息真正“吃进去”