0代码搭建Karpathy同款AI知识库

FOMO 的你，又被 Karpathy 摆了一道。

上周，Andrej Karpathy 发了一条推，说他现在不再把大量的 AI token 花在写代码上，而是花在构建个人知识库上。这条推特 1700 万浏览，在中英文 AI 圈疯传。

大神又下场制造 FOMO 了，搞得大家都想跃跃欲试。

但你真试过就知道了，这个方法理论上虽然很强；但在执行上，会有很多问题。

问题一、配置门槛高

Karpathy 用 LLM 搭建知识库的做法是：把原始素材扔给 LLM，不用 RAG，不用向量数据库，纯靠 LLM 硬编译成一个带摘要、反向链接、概念索引的 markdown 知识库。

这条推文 600 多字。坦率说，对于会写代码的人，这个流程确实不复杂。

但是 Karpathy 作为工程师大神，他的寥寥几笔，看着十分简单，却藏着大量的“默会知识”。不然也不会有那么多人在他发出这条推特之后，跟进了 step by step 的搭建教程。

不过如果你打开这些教程，就会发现它们也都是工程师写的，虽然挺详细的——怎么建 raw/、wiki/、outputs/ 三层文件夹，怎么在终端里配置 Claude Code，怎么写 system prompt 让 LLM 按格式输出 markdown……

但工程师毕竟是少数，绝大多数知识工作者面对这些教程依然存在极大的学习成本，这也就解释了为什么会引起如此之大的 FOMO。

自媒体的博主、做品牌营销的市场人、写论文的研究生、准备课件的老师、研究行业趋势的投资人 —— 这些人每天都在做「收集信息→理解信息→产出内容」，他们可能比工程师更需要一个 AI 知识系统。但让他们去配终端环境、写 markdown、调 prompt？

不现实。

作为不懂代码的大多数，依旧需要克服面对终端和命令行的恐惧。

工具应该为用户服务，而不是用户为工具妥协。

问题二、「知识库」就是个大坑

Karpathy 用 LLM 大幅降低了「信息整理」的成本。

以前我们需要自己写摘要、打标签、建链接，现在让 LLM 做，打造「第二大脑」的方式又进步了。

但终点没变，这个知识库只能“读”。

如果只是用来研究和学习，那一个“自动整理得很好的知识库”绝对够用了。

但是，知识工作者的本质是文书工作者，文书工作者的本质就是创作者。所有的知识工作者，真正的工作不是收集知识，而是用知识创造内容。

日常工作中所有的学习和研究，终点都是为了产出内容。这样就意味着，光有一个漂亮的 wiki 并不能帮我们完成最终的工作。

知识库这个概念就是一个华丽的死胡同，你获得的只有「所见即所得」的假性满足，但没有收获「产出和交付」所带来的真实回报。

所以，知识库的本质是「生产力色情」—— 它完美模拟了「收获」的快感，但不提供生产力的结果。

我用一个真实的场景来说明区别。

就拿 Karpathy 这件事本身做例子。假设你是一个 AI 公司的市场营销，你看到了他的推，想蹭个热点、围绕这个话题做一系列内容

如果按照按 Karpathy 的方法，你需要经历以下步骤：

• 把他的推文、idea file、相关评论文章，通过脚本抓取，下载到 raw/ 文件夹

• 安装 Node.js，在终端安装 Claude Code，写指令文件，让 Claude Code 把这些素材编译成几篇 wiki 文章

• 下载 Obsidian 或其他 markdown 编辑器，才能到了一个关于「LLM Knowledge Base」的结构化知识库

• 然后，你打开一个空白文档，开始自己写

The media could not be played. Reload Nick Spisak 演示搭建LLM知识库

先不说第 4 步，光是前三步，你就需要会用终端、装 Node.js、配 API key、写 prompt 指令、下载 Obsidian……对大多数人来说，还没开始建知识库，就已经被工具链劝退了。

而就算你跑通了这一切，到了第 4 步，你又回到了起点。知识库帮你理解了这件事，但写作、配图、发布……这些还是要你从零开始。

那么，有没有方法能同时解决这两个问题，轻松构建一个以产出结果为导向的「第二大脑」呢？

有。你现在正在阅读的这篇文章，就是我用这样的方式产出的。全程我只使用了一个工具，YouMind。我演示解具体步骤：

具体怎么做？

第一步：收集素材

在浏览器打开 YouMind，新建一个 Board（你可以理解为一个项目空间），然后把所有相关素材存进去：

• 网页文章：粘贴链接，自动抓取全文

• YouTube 视频：粘贴链接，自动获取字幕和内容

• PDF 论文：直接上传

• 播客：粘贴链接，自动解析音频

• 自己的想法：随手写进笔记

这就是 Karpathy 的 raw/ 文件夹，但不需要手动下载任何东西，也不需要操作文件系统。

第二步：AI 理解与对话

素材存好之后，可以在 Board 内直接和 AI 对话。AI 的上下文是我们亲手策展的、与这个主题相关的一手材料，不是互联网上的泛泛信息。

你可以问它：

• 「这几篇文章的核心观点有什么异同？」

• 「Karpathy 的方法和 Tiago Forte 的 PARA 方法论本质区别在哪？」

• 「基于这些素材，帮我提炼三个最值得写的选题角度」

这对应 Karpathy 的 wiki 编译过程。但区别在于：你不需要等 LLM 自动生成一整套 wiki，而是通过对话来主动引导理解的方向。

第三步：从理解到创作

这是关键的分界线。Karpathy 的工作流到上一步就结束了。而在 YouMind 里，你可以直接用自然语言，命令 AI 从理解进入创作：

• 基于素材和对话，生成一篇结构完整的博客初稿

• 从对话和理解，中提炼出适合发 Twitter 的短内容

• 把核心论点变成视觉化的信息图

• 直接演示文稿

所有这些产出都保存在同一个 Board 里，和你的素材、对话记录在一起。它们不是孤立的文件，而是同一条知识链路上的不同节点。

第四步：知识持续生长

Board 不是用完就扔的。你可以设置定时任务，让 YouMind 定期为你自动抓取 Karpathy 的推特更新，并保存在同一个 Board 中，完成知识的复利滚动。

这才是「第二大脑」应该有的样子，不只是积累，还能产出。

把 Karpathy 的方法和 YouMind 放在一起看，代表了两种不同的「AI 第二大脑」哲学：

信息焦虑的真相

Karpathy 建了一个 40 万字的 wiki。但让全世界争相转发、引用、传播的是什么？不是那个 wiki，是他的推文、他的视频、他写的文章。他的 markdown 文件只有他自己看，而他的推文 却有1700 万人看。

真正的知识库不是一个系统，是一个人。

你写了一篇文章把一件事讲透了，别人收藏你的文章、引用你的观点——你就是他们的知识库。

这才是知识焦虑的解药。焦虑的人在往系统里灌信息，觉得系统会替他理解。但真正有影响力的人在往外输出理解，把自己变成别人的信息源。

前者永远焦虑，因为信息无穷无尽；后者不焦虑，因为他已经通过表达完成了理解。

所以问题从来不是「怎么建一个更好的知识库」，而是「怎么让自己成为知识库」。答案很简单：持续输出。

YouMind 做的事，就是帮你从信息的消费者，变成信息的源头。

---