- 综合排序
- 最热优先
- 最新优先
从零搭建个人Wiki RAG：Karpathy范式的本地知识库
Karpathy（OpenAI联合创始人、前特斯拉AI总监）最近提出了一个优雅的解法：LLM Wiki——不用向量数据库，不用传统RAG，让LLM自己维护一个Markdown知识库。 Karpathy的LLM Wiki是什么？ 一句话：让LLM帮你维护一个结构化的Markdown知识库。 传统做法是这样的： 文档 → 分块 → Embedding → 向量数据库 → 检索 → LLM回答 Karpathy的做法是这样的： raw笔记 → LLM编译 → 结构化Wiki → 直接塞给LLM 一句话总结 Karpathy说：知识管理正在成为AI工作流的核心成本。用LLM Wiki + RAG，你可以在本地搭建一个真正可用的个人知识库——零API费用，完全离线，数据自己掌控。
3.2K10编辑于 2026-04-14- 来自专栏有文化的技术人
Karpathy LLM Wiki 实践：用知识编译替代 RAG，构建个人知识库
而 Karpathy 提出了一个反直觉的思路：「为什么不在入库时就让 LLM 理解好？」 二、Karpathy 的核心思想：知识编译 Karpathy 的 LLM Wiki 架构，核心就一句话： ❝「"不要让 LLM 在查询时去理解原始文档，而是提前让 LLM 把文档'编译'成结构化的知识。 Schema 分为两个文件： AGENTS.md：全局行为规范，定义工作流（Ingest/Query/Lint）和通用约定 SCHEMA.md：实例级约束，定义页面模板、标签分类、质量阈值 「Schema 解决的核心问题：」 问题 没有 Schema 有 Schema 格式 混乱不统一 严格模板、标准结构 质量 长短不一、详略不同 质量稳定、可预测 维护 知识库逐渐混乱 知识库持续整洁 更强大的是—— 这意味着 Wiki 会通过使用不断"自我增长"——你问得越多，知识库越丰富。
84610编辑于 2026-04-22 - 来自专栏MixLab科技+设计实验室
用Agent构建你的第二大脑：不用 RAG，用 Markdown 让 AI 替你整理知识#AgentOS
Karpathy 的第二大脑秘密 3月底，前OpenAI 联合创始人 Andrej Karpathy 在 X 上发了两条长推，讲他如何用 LLM 构建个人知识库。 像编译代码一样编译知识 Karpathy 把他的整个工作流叫做"编译"：把散乱的原材料，加工成有结构的知识体系[1][3]。 第一步是数据摄入。 Karpathy 的比喻是"像编译代码一样编译知识"[1][3]。 第三步是直接问答。当知识库积累到一定规模，他不再使用关键词搜索，而是直接用自然语言向 LLM 提问。 Karpathy 让 LLM 定期对知识库做"体检"：找出不一致的地方，补充缺失的信息，建议新的研究方向。这借鉴了代码质量检查的概念——让知识库像代码一样，保持健康和一致。 Karpathy 的工作流本质上是一套让 AI 帮你完成整理环节的自动化方案，而你要做的是给它足够多的原材料，以及偶尔的"健康检查"指令。
29710编辑于 2026-04-10 基于知识库、工作流的智能体实践
注意，目前腾讯元器的智能体调用链路逻辑上，如果智能体只关联了知识库，没有关联插件、工作流的情况下，智能体每次问答都一定会参考知识库，不会经过function call做意图判断。 工作流是一种“流程图”式的低代码编辑工具，可以用来做一个“高级版”插件。在工作流里，可以任意编排插件、知识库、大模型节点的工作顺序和调用传参，从而精确控制智能体中部分任务的运行逻辑。 本文以蝴蝶兰养殖助手为例，上传饲养知识word文档到知识库，创建自定义的工作流，最后使用智能体调用工作流，并提供API方式调用智能体示例代码，方便自有系统对接大智能体。 二、 创建工作流并使用上面的知识库 工作流概览： 工作流详解： 先接收用户问题，然后经过大模型节点判断。 图片 如果返回“是”，则调用知识库节点，注意知识库选择刚才创建的“温室养花”。 最后在结束节点进行输出。 设计完接下来，点击右上角“测试”按钮调试工作流，注意各个节点的入参和出差是否正确。
2.7K11编辑于 2024-10-18- 来自专栏机器学习与统计学
基于大模型、SKills 的知识管理
今天不聊新工具，聊点更高级的东西——三个巨佬的知识管理哲学 还有我自己的知识管理及内容生成工作流 Karpathy 昨天 Andrej Karpathy（斯坦福 PhD、OpenAI 创始成员、前特斯拉 Gemini 的百万 token 窗口，Claude 的 200K 上下文，处理这个量级的知识库绑绑有余。 Karpathy 说不需要 RAG，在这个规模下我同意 4. 用一张流程图来理解 Karpathy 的系统： Lex Fridman：把知识库变成跑步伙伴 Karpathy 发完推，Lex Fridman 秒回——他也有类似的系统。 、没消化过，那这个知识库再大也不是你的 Karpathy 最有远见的一句话 Karpathy 整个推文我认为最有远见的一句话： "随着仓库的增长，自然地也想考虑合成数据生成 + 微调，让你的 LLM 参考资料： Andrej Karpathy — X/Twitter 长推文，2026 年 4 月，关于 LLM 驱动的个人知识库系统 Lex Fridman — 对 Karpathy 推文的回复，关于混合前端和语音模式知识消费
28020编辑于 2026-04-13 - 来自专栏AI大模型
Graphify知识图谱实测：为Claude Code注入结构化代码理解能力的完整指南
它与Karpathy知识库工作流有什么关系？ Karpathy的知识库工作流为什么引发开发者关注？AndrejKarpathy近期在社交媒体上分享了他的个人知识库工作流，这一分享迅速引爆开发者社区。 Karpathy的方案提供了一种将碎片知识统一管理并持续更新的实践路径。受到这一工作流的启发，GitHub上在短时间内涌现了大量开源知识库项目。 •Wiki生成：可从图谱自动生成结构化的wiki文档下表对比了Karpathy原始工作流与Graphify在各个关键维度上的差异：维度Karpathy工作流Graphify数据收集手动放入raw文件夹自动检测 结语Graphify将AndrejKarpathy的知识库工作流从概念验证推进到了工程化产品。
3.7K00编辑于 2026-04-09 - 来自专栏技术人生黄勇
490万浏览量的方案：用 LLM 构建持续更新积累的个人知识库
Karpathy 发了一条推文，分享了他近期重点在用 AI 构建个人知识库： 用 LLM 构建和维护个人知识库，让它成为一个持续更新积累的 wiki。 编译式知识库 Karpathy 的思路不同。 不是在查询时检索原始文档，而是让 LLM 持续构建和维护一个 wiki。 一个结构化的、相互链接的 markdown 文件集合，基于你的原始素材。 LLM 完全拥有这一层 LLM 第三层 Schema（说明书） 一个文档（如 CLAUDE.md），告诉 LLM wiki 如何组织、遵循什么约定、摄入来源/回答问题/维护 wiki 时遵循什么工作流。 它告诉 LLM： wiki 如何组织（目录结构、命名约定） 摄入来源时遵循什么工作流 回答问题时如何查找和引用 如何维护一致性 # 知识库 Schema ## 这是什么 一个关于 [你的主题] 六、我使用知识库的过往 看到 Karpathy 这个思路，读到使用 Wiki 作为 LLM 产出，知识的组织形式时，我有一种醍醐灌顶的感觉，觉得有必要更新我的知识库构建方式。
1.9K30编辑于 2026-04-09 - 来自专栏CreateAMind
软件2.0-Andrej Karpathy
https://medium.com/@karpathy/software-2-0-a64152b37c35 Andrej Karpathy 人工智能主任特斯拉。 26K 92 以下 Andrej Karpathy 人工智能主任特斯拉。以前在OpenAI的研究科学家和在斯坦福大学的博士生。我喜欢在大型数据集上训练深度神经网络。
75020发布于 2018-07-24 Karpathy 的 LLM Wiki：让 LLM 帮你维护一套个人 Wiki
Karpathy的LLMWiki：让LLM帮你维护一套个人Wiki最近Karpathy发了一份gist，标题就叫LLMWiki。 这跟传统RAG的差别也就出来了：RAG每次问问题都重新找片段LLMWiki先把知识整理成稳定页面，再在这些页面上继续问换句话说，它把“当场拼答案”改成了“先把知识库存起来，再在库上工作”。 这份gist后面那层意思如果只用一句话概括，我会这么说：Karpathy在试图把“知识检索”改成“知识编译”。 这件事会直接影响：你怎么组织资料你怎么和LLM协作一个知识库会不会越用越值钱如果你最近也在用Obsidian、Notion、Roam、Logseq这类工具记长期材料，这份gist值得读一遍。 它讨论的是一种不同的知识工作流：你负责选资料、提问题、做判断LLM负责整理、链接、维护和持续更新这套分工一旦成立，知识库会从“存资料的地方”慢慢变成一个可持续生长的系统。
95310编辑于 2026-04-11告别“信息孤岛”与“流程迷宫”：企业知识库+工作流程的智能共生系统
今天，我们要探讨的，正是一个将二者融合的解决方案——企业知识库+工作流程的智能共生系统。 沉淀时刻：从“终点即遗忘”到“流程即积累”当一个“项目结项”流程走完最后一步“归档”时，系统会自动触发一个动作：将本次项目中最有价值的经验教训、复盘会议纪要、关键数据指标，自动归类并存入知识库的相应位置 这里运用了工作流自动化与自然语言处理（NLP） 技术，确保每一次流程的结束，不是终点，而是企业知识资产的又一个新起点。第三站：背后的技术核心，为何它如此“聪明”？ 这个共生系统的“智能”，源于以下几项核心技术的融合：低代码/无代码工作流引擎： 这是系统的“骨架”，让业务人员能像搭积木一样，快速配置和修改流程，极大提升了系统的适应性和灵活性。 总结：从成本中心到价值引擎一个将知识库与工作流程智能融合的系统，不再是一个被动的工具，而是一个主动创造价值的引擎。对员工： 它是随身的专家导师，扫清工作障碍，让员工专注于创造而非搜寻和跑腿。
19410编辑于 2025-11-07- 来自专栏机器之心
AI大牛Andrej Karpathy离开OpenAI
机器之心报道 编辑：张倩、陈萍 Andrej Karpathy 又离职了！ 看来，这一切对于Karpathy还不够有吸引力。 在Karpathy帖子的评论区，确实出现了一些比较有意思的「阴谋论」，比如有人说他是被马斯克派到OpenAI当间谍的，现在是时候回去了。 Andrej Karpathy个人经历 个人主页：https://karpathy.ai/ 2005-2009 年，Andrej Karpathy 本科就读于加拿大多伦多大学，主修计算机科学与物理，辅修数学 Karpathy 是 OpenAI 的创始成员和研究科学家。 Karpathy表示，新的视频已经在制作了。 这次的离开，相信 Karpathy 重新找回了自己的热情所在，我们也期待 Karpathy做出更多惊艳的研究成果。
28710编辑于 2024-02-26 - 来自专栏DeepHub IMBA
Karpathy的LLM Wiki：一种将RAG从解释器模式升级为编译器模式的架构
一份配置文档，告诉LLM wiki的结构规范、约定和工作流。Karpathy称之为关键配置文件。主要是通过这个文件把LLM从一个通用聊天机器人转变为有纪律的wiki维护者。 Report: X pages created, Y pages updated, Z contradictions flagged Obsidian作为IDE Karpathy对自己实际工作流的描述， 这个交互循环把它和"批量处理文档生成知识库"区分开来。这是一个实时的、迭代式的系统，人的角色是导航、策展和判断，不是写作和归档。 IDE类比之所以精准，在于IDE不是被动的文本编辑器。 总结 Karpathy没有发明新技术，他在清晰阐述一个工作流模式，让LLM天生擅长的事——快速阅读、综合、交叉引用、一致地遵循约定——去接替人类一直需要但从未能持续做好的工作。 核心洞察不是"用LLM充当知识库"。知识工作中最乏味的那些事——归档、交叉引用、更新、保持一致性——恰恰是LLM可以长期执行而不退化的部分。
92540编辑于 2026-04-15 通过大模型 API 优化复杂工作流构建知识库的实践与突破
本文将详细分享我如何通过大模型 API 优化复杂工作流，构建一个高效、智能的知识库。从需求分析、技术选型到具体实现，我将逐步展示这一过程，并附上相关代码，帮助读者理解并实践这一技术突破。 工作流管理：使用 Apache Airflow 管理复杂的工作流。前端展示：使用 Flask 构建简单的 Web 界面。 5.1 使用 Apache Airflow 管理复杂工作流我们使用 Apache Airflow 管理知识库的构建和更新工作流。 render_template('index.html')if __name__ == '__main__': app.run(debug=True)第七部分：总结与未来展望通过大模型 API 的引入，我们成功优化了知识库构建的复杂工作流 附录：完整代码示例以下是一个完整的知识库构建工作流的代码示例，涵盖了数据采集、知识提取、存储、检索和前端展示。
81610编辑于 2025-03-21Obsidian 本地 AI 知识库实战指南
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94fAndrejKarpathy（安德烈・卡帕西）可以说是当今全球最具影响力的深度学习 你去学习一下https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f在这个文件夹中搭建相关知识库。 知识库核心逻辑在这里我们了解下这个知识库的核心逻辑：根据Karpathy的理念，一个成熟的LLMWiki系统由三个核心数据层和两个辅助文件构成。 Knowledge/├──CLAUDE.md←Schema配置（知识库的"大脑"）├──raw/│├──assets/←图片附件存放处│└──llm-wiki-karpathy-2026-04-04.md │├──obsidian.md│└──qmd.md├──sources/←来源摘要│└──llm-wiki-karpathy.md└──syntheses/←待填充（存放综合分析）我们可以用Obsidian
17900编辑于 2026-04-23- 来自专栏AI
基于腾讯元器搭建合同发票智能体：知识库+工作流的企业提效实践
通过知识库增强专业问答能力，通过工作流实现合同条款的自动分析与优化建议生成。实测表明，该智能体能识别出合同中多个预留问题，包括多个人工审核容易遗漏的隐晦风险点。 工作流的整体设计：新建工作流时，有两个关键配置：名称和触发条件。名称要用"动词+名词"的格式，比如"优化合同条款"，这样模型更容易理解什么时候该调用这个工作流。 然后开始分析风险点：4.3 合同优化测试（工作流）请求"优化这份合同的条款"，触发工作流。 可以直接分享链接，也可以让用户扫码访问：从新建智能体到发布上线，整个过程大概花了两天时间，主要时间花在准备知识库文档和调试工作流上。 几个印象比较深的点：上手快：不需要写代码，界面操作为主，适合非技术背景的人调试方便：提示词编辑器、工作流调试器都支持实时预览，不用反复发布知识库好用：上传文档自动解析，还能显示回答的参考来源生态打通：一键发布到微信公众号
2.6K214编辑于 2025-12-25 - 来自专栏新智元
大神Karpathy两小时AI大课文字版第一弹，全新工作流自动把视频转成文章
前段时间，AI大神Karpathy上线的AI大课，已经收获了全网15万次播放量。 当时还有网友表示，这2小时课程的含金量，相当于大学4年。 更广泛地说，这样的工作流程可以应用于任何视频输入，自动生成各种教程的「配套指南」，使其格式更加便于阅读、浏览和搜索。 这听起来是可行的，但也颇具挑战。 地址：https://github.com/karpathy/minbpe/blob/master/lecture.md Karpathy表示，这是自己手动完成的任务，即观看视频并将其翻译成markdown 还有网友为Karpathy出谋划策： 「感觉很棘手，但使用LangChain可能是可行的。 参考资料： https://x.com/karpathy/status/1760740503614836917?s=20
73810编辑于 2024-02-26 我用小龙虾搭了一套内容编译系统——8万字文章10分钟变素材
直到我看到Karpathy的一条推文。 Karpathy是谁？OpenAI联合创始人，前特斯拉AI负责人。他说了一句话让我直接坐起来： "知识库不该是仓库，应该是编译器。" 什么意思？ 一个OpenAI联合创始人，不写代码了，在搭知识库。 这让我开始重新审视自己的内容创作流程。 我之前是怎么做的 我有一个小龙虾叫阿策，帮我管理公众号、跟进项目进度、做信息雷达。 Karpathy给了答案：缺一个"编译"环节。 编译器长什么样 我花了大概两个小时，和阿策一起搭了一套"知识编译器"。 核心流程就三步： 第一步：丢链接，自动读取。 第一版不需要完美——Karpathy的原话是"它不需要一次就完美，它需要被使用，然后在使用中进化"。 最后一件事 搭完这套系统后，我最大的感触不是"效率提高了"。 Karpathy说得对：知识库不是仓库，是编译器。 仓库让人焦虑（永远存不完），编译器让人安心（用的时候编译就行）。 你缺的不是更多的时间去阅读，而是一个把阅读变成写作素材的编译工序。
12910编辑于 2026-04-09- 来自专栏全栈程序员必看
java jbpm工作流_jbpm工作流
一、JBPM(java business process manager) 1、工作流管理流程 O—>定义工作流(使用流程设计器生成，png和xml文件，分别面向用户和系统) —>执行工作流(核心对象： (deployment)：一次部署一个或者多个文件到数据库中(png，xml，zip) 流程定义(processDefinition):获得并解析xml，解析xml文件中的内容，内容即流程定义的规则，工作流 throwsException { System.out.println(“触发了事件监听，当前活动为：”+execution.getActivity()); } } 3.jbpm的具体过程实现 //获取工作流文件
1.8K10编辑于 2022-09-30 - 来自专栏全栈程序员必看
activiti工作流开发_flowable工作流
深入理解Activiti工作流 Activiti作为一个流行的开源工作流引擎，正在不断发展，其6.0版本以API形式提供服务，而之前版本基本都是要求我们的应用以JDK方式与其交互，只能将其携带到我们的应用中 ，而API方式则可以服务器独立运行方式，能够形成一个专网内工作流引擎资源共享的方式。
2.2K40编辑于 2022-11-08 把 PDF 变成 AI 能真正“读懂”的知识：一套可落地的科研知识库工作流
本文将分享一套从PDF文献→结构化文本→AI知识库→可检索/可追溯智能对话的完整工作流，帮助你构建真正的科研“第二大脑”。 因此，构建知识库的第一步，是把PDF转换为AI友好的Markdown格式。第一步：基于MinerU的高质量本地转换为了解决学术PDF转换质量不稳定的问题，我们采用基于MinerU的本地转换方案。 Zotero-KbaseManager，你可以实现一键环境部署：在转换阶段，你可以指定Zotero的数据目录，批量将PDF转换成干净的Markdown语料：第二步：用CherryStudio搭建RAG知识库转换好 1.配置模型服务首先，在CherryStudio中配置API服务（例如使用SiliconFlow提供的强大算力）：2.建立科研知识库为了实现高精度的检索，建议采用以下配置组合：嵌入模型（Embedding 这套工作流不仅是工具的堆砌，更是将“静态存档”转化为“可计算资产”的过程。如果你也深受PDF阅读之苦，不妨今天就开始动手搭建。想获取文中提到的工具安装包或配置模版？欢迎在评论区留言或私信交流。
74110编辑于 2026-01-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号