2026年6月11日 · 科技热点观察
你有没有这样的经历：收藏了几百篇文章，想用的时候一篇都找不到。记了一大堆笔记，但它们之间没有联系，每次还是从零开始查找。
Karpathy 提出的 LLM Wiki 方案正好解决这个问题——让 AI 像编译代码一样帮你”编译”知识。但原版方案依赖命令行和 Claude Code，对中文用户不够友善。
而 WorkBuddy（桌面 AI 助手）正好补上了这个短板：它懂中文、不用敲命令行、绑定微信后还能远程操控。配合 Obsidian 做前端展示，就能搭一个”会说中文的 Karpathy 知识库”。
今天这篇文章，就用一个完整的案例带你走一遍搭建流程。
一、你需要准备什么？
三个工具，全部免费或低成本可获取：
WorkBuddy（核心 AI 引擎）——腾讯出品的桌面 AI 助手。它的优势是：不需要敲命令行，直接说中文就能操作；可以远程控制（绑定微信或飞书后，在外面用手机指挥它干活）；数据全程在本地运行，安全可控。
Obsidian（知识库容器）——知名的 Markdown 笔记工具。安装后创建一个 Vault（仓库），知识库的所有文件都放在这里。提议把这个仓库建在云同步文件夹（如 OneDrive 或 iCloud）中，方便多设备同步。
Karpathy 的 LLM Wiki 方法（知识库架构）——三层目录结构：raw/、wiki/、AGENTS.md。
准备工作大约需要 30 分钟：下载安装 WorkBuddy 和 Obsidian，在 Obsidian 里新建一个 Vault，列如叫 “my-knowledge”。
二、第一步：创建目录结构（5 分钟）
在 Obsidian 的 Vault 根目录下，新建一个文件夹，列如叫”knowledge-base”。然后让 WorkBuddy 帮你一键生成 LLM Wiki 的标准目录结构。
打开 WorkBuddy，发送这条指令：
“请在我的知识库里创建 LLM Wiki 标准结构：1. raw/ 文件夹（放原始网页、PDF、聊天记录，只读）；2. wiki/ 文件夹（放 AI 整理后的结构化知识）；3. wiki/concepts/（原子概念页）；4. wiki/entities/（实体/工具/人物页）；5. wiki/syntheses/（综合主题页）；6. index.md（全局知识目录）；7. log.md（操作日志）；8. AGENTS.md（AI 行为规则文件）”
WorkBuddy 会自动创建所有文件夹和文件——完全不需要手动建目录。
三、第二步：配置 AI 行为规则（10 分钟）
AGENTS.md 是整个体系的灵魂。你在这里定义 AI 的工作规则，后来它每次操作都会严格遵守。
发送指令让 WorkBuddy 自动生成规则文件：
“请帮我编写 AGENTS.md 规则，要求：原始资料存入 raw/，不修改原始文件；整理后知识存入 wiki/，按
concepts/entities/syntheses 分类；自动生成 200 字内的精简摘要，用通俗语言解释核心概念；自动添加 Obsidian 双向链接 [[笔记名]]，关联已有知识；每次更新后自动刷新 index.md 目录和 log.md 日志；语言用中文，风格简洁专业。”
生成后，后来你给 WorkBuddy 的每一个指令，它都会自动遵循这些规则——不用每次重复说明。
四、第三步：绑定远程控制（2 分钟）
这是最实用的功能之一。绑定微信或飞书后，你在外面用手机就能遥控家里的电脑整理知识库。
操作很简单：打开 WorkBuddy → 点击右上角头像 → 进入”远程控制（Claw）”→ 选择飞书或微信 → 扫码绑定。
绑定成功后，你可以在手机上发送指令，列如”把今天刚收藏的三篇文章整理到 raw/ 文件夹”，WorkBuddy 就会在后台自动运行。
五、实操案例：以整理”AI 大模型”主题为例
假设你想把自己收藏的 10 篇关于”AI 大模型”的文章整理成结构化的知识库。
第一步（Ingest 摄入）：把这 10 篇文章的链接或文件放入 raw/ 文件夹。然后告知 WorkBuddy：”请读取 raw/ 下所有关于 AI 大模型的新资料。”
第二步（Compile 编译）：WorkBuddy 会自动读取每篇文章的内容，提取核心知识点，在 wiki/concepts/ 下为每个关键概念创建独立页面（列如”Transformer””注意力机制””微调””RLHF”），在 wiki/syntheses/ 下创建综合主题页面（列如”大模型技术综述”），并自动建立双向链接——列如”注意力机制”页面会自动链接到”Transformer”页面。
第三步（Query 查询）：目前你可以直接问 WorkBuddy：”基于我的知识库，帮我梳理大模型训练的核心流程，标注每个知识点来自哪个页面。”由于回答是基于你已经整理好的知识库，不是临时从互联网搜索，所以更准确、更有逻辑。
第四步（Lint 巡检）：过一段时间，让 WorkBuddy 做一次”知识体检”——”请检查 wiki/ 里的内容，找出孤立页面、前后矛盾的信息、过时的内容。”它会列出问题清单，你决定怎么处理。
六、更多实用指令模板
基础操作类：
“读取 xx/ 文件夹下所有 .md 文件”——了解你的知识库里有什么。
“把 raw/ 里的笔记整理成结构化 wiki，添加双向链接”——一键编译。
“在库中搜索包含 AI Agent 的笔记，汇总到 outputs/”——快速定位。
“新建一篇笔记，标题为'WorkBuddy 使用指南'，放入 wiki/”——新建知识页。
批量处理类：
“把 raw/ 下所有笔记按'日期-标题'格式重命名”——批量整理文件名。
“为 wiki/ 每篇笔记生成 100 字摘要，新建摘要页”——快速概览。
“生成全库目录索引，包含双向链接，保存为 index.md”——建立导航。
定期维护类：
“请检查 wiki/ 里有没有相互矛盾的说法，列出来”——内容一致性检查。
“找出超过 30 天没有更新的页面”——淘汰过时知识。
“在 log.md 中总结本周知识库变化”——周报自动化。
七、进阶技巧
技巧一：把常用操作存成”技能”。完成一次满意的任务后，点击”保存为技能”，命名如”Obsidian 批量整理建链”。下次直接触发就行，不用再打一遍指令。
技巧二：分主题迁移笔记。不要一次性把所有笔记都扔进 raw/。提议先选一个你最熟悉的主题，把该主题下的笔记放进去让 AI 整理。跑通一个闭环后，再迁移第二个主题。
技巧三：每次查询都要求”写回 Wiki”。给 WorkBuddy 提问时，加上一句”把回答写回 Wiki 对应页面”。这样每次问答产生的新知识就不会丢失，而是永久沉淀到你的知识库里。
技巧四：用 Obsidian 的图谱视图查看效果。编译完成后，打开 Obsidian 的 Graph View，你会看到各知识点之间形成了一张密密麻麻的网络图——这就是你的”第二大脑”的样子。
建好之后，你的知识库就不再是一个”收藏夹”，而是一个会呼吸的、不断生长的知识系统。
每次存入资料，AI 自动编译，知识越积越厚；每次提问，AI 基于已有知识回答，回答越来越准。这就是 Karpathy 所说的”知识管理的复利效应”。
今天就可以从第一步开始。先搭建目录结构，然后选一个你最熟悉的主题，放 5 篇文章进去跑一遍。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
