注:本文使用Agent工具进行资料校对分析。最后一图使用即梦生成,题图使用Zcode生成。
上一篇 《看完 Karpathy 的分享,我用 AI 重做了一遍 Obsidian 知识库》(首发于少数派)结尾留下了一句话:机缘到了,自然会搭建一个只为自己服务的 wiki。
机缘比预想来得更快。九月中旬搭起演示库,月底正式定名 MyMemex。不到两个月,3116 页条目、885 篇原料、两万六千多条双链。

全部由 AI 编译而成。
这篇文章写给想建同类知识库的人,案例均已脱敏。
Karpathy 原帖
2026 年 4 月,Karpathy 在 X 上抛出长帖 「LLM Knowledge Bases」。他说自己最近有很大一部分 token,已经从编写代码转向了整理知识。
两天后,他又发布了一条,把这套思路整理成 idea file,放在 GitHub gist 上。他认为,在 Agent 时代,分享具体代码早已过时,抛出想法就足够了,对方的 Agent 自然会根据需要量身定制。文件可以极其抽象,交给你的 Agent,它就能吐出一个属于你的 LLM wiki。
具体做法分成几个部分:
- 原料:文章、论文、代码仓库、数据集、图片,全部放进一个 raw 目录。只读不改。
- 编译:模型把 raw 逐步编译成相互链接、自带摘要的 wiki 页面。
- 提问:积累到一定规模直接提问,模型维护的索引和摘要完全压倒传统的 RAG。
- 归档:模型给出的答案,让它整理成 Markdown、幻灯片或者图表,再归档回 wiki。
- 体检:定期跑 lint 做健康检查,找出断链、过时说法与孤岛页。他还提到,模型很擅长提出接下来值得追问的问题、值得寻找的新原料。
我搭建自己的AI知识库时,只看过他的第一条长帖。直到写这篇文章时才读到完整版 idea file,让 AI 拿去逐条对照,发现大佬这份设计更加细致:raw 与 wiki 隔离,编译、提问、体检三位一体。就火速照着继续改进一番。
上一篇之所以没盲目照搬,就是怕信息越堆越乱、AI 瞎编失真。实际使用下来,只要 raw 里的内容不被胡乱编造,AGENTS.md 里的规则不断完善,成品质感完全超预期。
怎么找到适用于你的规则?
只能在实践中一步一步调整,没有捷径可走。文章后半部分的「六条血泪经验」,记录了我实践中几次重要的调整,分享给你。
真想动手,不必一步步人工模仿。有能操作文件的 Agent,直接把这篇文章甩给它;或者把 Karpathy 的原帖、idea file 和我的文章揉在一起丢给它,让它量身定制。AI 理解和落地的速度,远比人类快得多。
要是嫌麻烦,也有现成办法——由我代劳。公众号后台回复「搭库」,加好友先聊聊你想用它做什么,再看怎么推进。
适用材料

什么材料适合这么做?
自己绝不会逐字重读,但很有价值,未来还要高频检索的。
比如一篇篇高价值的文章,再比如几百期播客转写、成套课程、行业会议纪要、零散办事教程。几十万字堆在眼前,人读一遍都崩溃,切成卡片更不现实。过去,我们使用诸多收藏工具,比如Cubox、Omnivore、简悦等,只能留个印象,实际无法发挥想象中的价值。如今,交给 AI 编译,直接提问,直接阅读,反复利用,不断进化——也算是实现部分当年我对收藏工具的期冀。
更何况作者也提到,大模型的能力一直在变化,所以他在自己的知识库中设计了 HTML、PowerPoint 等多媒体形式。我目前为求极简,只保留了 Markdown 和 HTML 两种形式,但相信未来随着模型能力的进化,直接处理音频视频也不在话下。以前的收藏工具大多只能收藏网页,现在有大模型能力加持,各种材料都可以作为你的知识库,作为你的大脑。
注意,这套库必须跟你的日常思考笔记彻底物理隔离。笔记库里的每一个字都要经过大脑过滤,而 Memex 是纯粹的 AI 编译wiki。混在一起,时间久了连自己都分不清哪些是真实思考,哪些是模型幻觉。
我有两个库:MyLoom(原名 MyAntinet)是用来思考的卡片库,每一张都亲自审读、亲手推敲;MyMemex 是用来检索的巨型外脑,条目全权交由 AI。在 Memex 里读到好东西,再拆成卡片带回 MyLoom。

教程这类材料,交给它最为合适。以前保存下一篇好教程,拆分成卡片有些小题大做,过一阵还可能过时;不拆分,又担心需要时找不到。现在这类材料都交给 MyMemex 编译成条目,原文一字不动地保留在 raw 里。卡片库反而得以彻底解放,只用来沉淀个人的跨域思考。
开始用吧~
工具两样足矣:一个能直接操作本地文件的 AI Agent(我用 Claude Code,你可以使用 Codex、WorkBuddy、智谱等),和一个 Markdown 工具(强烈推荐 Obsidian,也可以使用你惯用的)。
第一步:划定骨架
Karpathy 在 idea file 里讲解的结构分为三层,再加两个文件:
raw/ 原始资料:文章、论文、图片、数据,只读,模型从不修改
wiki/ 模型写的 Markdown 页面:摘要、人物和概念、对比、综述,归模型管
schema 一份说明文件(Claude Code 用 CLAUDE.md,Codex 用 AGENTS.md),告诉模型 wiki 怎么组织、各项操作怎么做
index.md 内容目录,每页一行链接加一句摘要,每次编译都更新
log.md 时间线,只往后追加,记每次编译、提问和体检他把好的回答直接存回 wiki,作为新的页面。具体目录怎么划分,他特意没有写死,留给你和自己的 Agent 去决定。
MyMemex 的目录是这样划分的:
raw/ 原料区,只增不改
wiki/ 条目区,AI 编写,一页讲一个概念;wiki/index.md 由脚本生成
qa/ 问答报告归档,答案用完不扔
journal/ 运行日志,AI 每次干活记一篇
templates/ 条目、报告、日志的模板
scripts/ 检查和搜索脚本
AGENTS.md 给 AI 的行为规范,就是他说的 schema
HOME.md 给人看的启动页:目录、收录范围、设计思路Karpathy 的设计足够优雅。但在实际落地时,我在MyMemex 做了几处改造。

- log.md 独立成文件夹:原版只有一个 log.md。我把它拆成了
journal/文件夹,无缝对接 Obsidian 的日记插件。每次开工让 AI 自动写一篇日志,任务、决策、时间线全在里面。这不仅方便排查错误,日后翻阅时,更是一段清晰的认知成长轨迹。 - 问答与条目物理隔离:Karpathy 习惯把问答直接塞回 wiki。MyMemex 则严格划清界限:
wiki/只留 AI 编译的纯粹条目,问答报告全部归档进qa/,只在相关条目里挂链接。这样既保证了知识库的纯净,又能让复杂的网页或 Markdown 报告各安其位。 - 固化模板与脚本:新增了
templates/存放各类模板,让人类手动新建和 AI 自动生成都有据可依;scripts/从第一天就内置,让机器用确定性的脚本去跑检查,绝不把结果交给 AI 的模糊直觉。 - 砍掉 inbox,规则前置:很多人习惯在 raw 前面加一个 inbox。我觉得多此一举,原料直接拖进
raw/即可。怎么区分处理状态?靠 AGENTS.md 的硬规矩:未处理的原件先转 Markdown,再统一重命名为「日期-来源-短名」,原件归档进已处理文件夹。没有日期前缀的,就是待办。 - 对 raw 开一个克制的口子:Karpathy 强调 raw 绝对只读。但面对几百期播客的转写稿,错别字和专有名词是重灾区,如果死守只读,错误的条目就会无限裂变。MyMemex 允许 AI 编译时直接订正转写里的硬伤,但必须在日志里逐条备案。

此外,根目录下原本还散落着 README.md 和指南.md,改动几处就要同步多份,最后索性全部砍掉,统统并入了全局启动页 HOME.md。

第二步:编写 AGENTS.md
Codex、Claude Code 这类工具进入目录后,会先读取根目录的 AGENTS.md;你的工具如果识别别的文件名(比如 CLAUDE.md),按照它的约定命名就可以。
这是整个系统的灵魂。目录契约、编译流程、问答规范、安全红线,全得写成不容辩驳的硬规则。

下面是一份入门版本,可以直接拿去修改:
# AGENTS.md
## 目录契约
- raw/:原料,只增不改,文件名「日期-来源-短名.md」
- wiki/:条目,一页一个概念,由 AI 编写
- qa/:问答报告归档
- journal/:每次干活记一篇日志,开工前先读最近几篇
## 编译流程(听到「编译」就执行)
1. 跑 check-raw,找出还没编过的原料
2. 有章节的原料,先列「每节落到哪一页」的清单
3. 按模板写新页,相关的旧页把新内容并进正文,每个论断在 sources 里写明出处
4. 两边补双链,重建索引,跑 check-links 直到零报错
5. 对照清单逐节核对,写日志,汇报新增、更新和拿不准的地方
## 问答流程(听到提问就执行)
1. 先跑搜索脚本定位条目,再回 raw 核对原文
2. 值得留的回答写成报告归档 qa/,在相关条目里挂链接
## 忠实原则
- raw 没说的不写,宁可留空
- 数字、人名、时间照抄原文
- 两篇原料说法不同:观点不同的各说各的、注明来源;同一个事实给出不同的值,两说并列,登记备查
- 没标说话人的话,不安到具体人名下
- 引号里只放原文原话,转述和概括不加引号
- 拿不准的句子后面标 ⚠
## 规模闸门
- 一页超过八百字就拆页,不许靠删内容达标
## 安全纪律
- 批量改文件只动点名的清单,改前备份
- 任何文件不删第三步:写清收录范围
在 HOME.md 里把边界划死。什么收录、什么不收录、会议纪要以正式文件为准还是转写稿为准、教程时效性如何标注,全部写在明处,防止知识库野蛮生长。
第四步:让 AI 自写脚本
一个生成全库索引页,列出每页的摘要和被链接次数;一个检查断链、检查每页标注的出处文件是否真实存在、检查有没有孤岛页;一个列出还没有被任何条目引用的原料;知识库增长到几百页以后,再让它编写一个全库搜索脚本。
第五步:小批量冷启动
首批只放二三十篇核心材料,逐页人工通读。第一周的目标只有一个:校准 AI 的文风与忠实度。这一步调整好了,后面就省心了。
知识库搭建好以后,平时基本只说四个词儿:编译(新原料编成条目)、提问(先查条目,再回原文核对)、体检(查断链、冲突和缺口)、瘦身(列出最久没被链接的页面,去留由我决定)。
AI 编译出来的条目是这样的。每一页顶部的 sources 列出这一页用到的原料,点击就能跳回原文。

六条血泪经验
前面的步骤,具体怎么拆分页面、怎么编写脚本、怎么核对,AI 都能完成。我们人要做的,是在它跑偏的时候及时发现,告诉它往哪个方向修改。
Karpathy 自己更喜欢一篇一篇地输入,阅读它写的摘要,边看边引导;我的材料动辄几百篇,只能批量编译,没法逐篇盯着,就得依靠写在 AGENTS.md 里的规则兜底。
材料多了,不管底层规则多严密,AI 可能还是会跑偏。下面六条,是我这两个月踩过的坑:

1. 死守底线,拒绝压缩
当初给 AI 定过一条规则:一页不许超过八百字。编译一批会议材料时,大部分页面都超出了,AI 的办法是压缩,压缩了一轮,还在汇报里提醒:「再往下压就要删数字了。」这不就是把最值钱的东西先扔了嘛。会议材料里,那些数字和原话往往最有用。
我回它:「你完全可以把它分成上下篇呀,你不要因为要注意这个字数的精简而丢掉内容。」它这才把删掉的内容补回来,按一页一个概念重新拆分。
那条规则后来也改了:超出八百字就拆分成多页,不允许靠删内容凑字数。
2. 拒绝盲信,先列清单
漏掉比写错更可怕。要是写错了,对照原文还能发现。但要是漏掉了,你压根连发现的机会都没有。
编译一批会议材料时,第一轮完成后有三整节未进入任何页面,其中两节 AI 压根没提。要不是我回头一节一节对照,这些内容就悄无声息地蒸发了。
后来编译 AI 工具资料时又踩了一次坑。检查显示每份原料均已使用,但我按章节一核对,发现教程和手册里依然整章整章地被漏掉——因为检查脚本只校验文件是否被引用,识别不出内部漏掉的章节。此后凡遇到分章节材料,一律让 AI 先列出清单,写清每一节落到哪一页,完成时逐项勾选,有意跳过的也必须说明理由。
3. 消除幻觉,标记疑点
AI 很擅长把空白填补得顺理成章。编译一期播客笔记时,有六七句话原文没有标明是谁说的,AI 凭上下文,全安到了某位主播名下。我读着毫无破绽,复核时才发现,只好一句句改正过来。
现在的规则是,拿不准的地方照抄原文,再加一个 ⚠ 标记。选这个符号,是因为在 Obsidian 里一搜索就能全部找到,哪些地方还没有核对,马上就能看到。
标出来的疑点,最后还得有人来确定。有一批资料编译完,积攒下将近一百个 ⚠,AI 把它们整理成一份清单交给我。看下来,大多数可以按类别处理:几份资料的数字对不上,以日期最新的为准;录音里听不清的,就写明听不清。真正需要我决策的仅有五处。

后来还发现,原料之间说法不一样,也不一定需要我来裁决。观点不同,写清各方表述即可,这种差异本身就有价值;教材版本不同,以新版为主,交代旧版写法。只有同一事实出现矛盾数值时,才两说并列,记录下来,留待日后查证。
4. 划定边界,禁止越权
AI 批量修改文件极快,出了错破坏力也极强。一次多个 AI 同时编译一套课程,其中一个为了撤销改动,一口气改动了整个目录,连同其他 AI 刚写好、未存版本记录的页面也一并改乱了。最后只能查阅操作日志,一步步人工还原。自此,AGENTS.md 追加了铁律:批量修改仅限点名单,动手前强制备份。
越界不只发生在编写的时候。后来负责检查的 AI,顺手修改了两页不归它管的旧条目。问题确实是有,可那两页不在任务范围里,超出了授权。最后让它先还原页面、列出问题,经我同意后方可修改。
5. 拒绝抽样,必须全量
一套课程编译完,AI 按习惯抽查了几百条,给出一个正确率。我当时就不乐意了,回它:「以后但凡让你做,你就一个一个去做,不要抽样,抽样抽完了以后还得去全量的去做呢。」正确率再高,也说不出到底是哪几条错了。它后来逐条核对了全部内容,找出十几处错误和两百多处小毛病,这些绝大多数是抽查漏掉的。
换个维度反查往往大有收获。一次检查连跑两遍均显示零报错,我让 AI 换个法子:把条目里加引号的话逐句去原文查找。结果有一百多句在原文里根本找不到——全被它把概括当成了原话,顺手加上了引号。
检查本身也会有盲区。有一本暂时不编译的电子书,三百多页几乎全是乱码,检查一直没有报出来,因为它跳过了暂时不编译的材料。直到我自己打开才发现,随即问 AI:「乱码了我这还怎么后续去提问、去查找呢?」它随后重新识别了该书,并将检查机制修改为全量覆盖。
6. 动态迭代,完善规则
纠正 AI 一次很容易,难在防止下次重蹈覆辙。我每纠正一次,就让 AI 评估是否写入 AGENTS.md。标准有三条:会再犯,代价大,能写成可以检查的条文。
AI 每次工作都会先读一遍 AGENTS.md,能避免很多重复出现的问题。AGENTS.md 第一版只有一千多字,现在四千多字,都是一条条教训积累而成。
Memex
Memex 这个名字,借自范内瓦·布什在 1945 年写下的宏大设想。八十年前,那台吞纳万卷、靠联想轨迹跃动的机器,只能静静躺在泛黄的手稿和遥远的文字里。
而今,这个古老的梦终于撕开了一道现实的裂口,照进了生活。
很多事情,以前其实也做得到,只是太费力了。几百期播客、二十多门课程、积攒多年的教程资料,单靠一个人整理,不知道要耗上多少年。于是一拖再拖,拖到最后干脆搁置了。说是没有时间,其实多半是败给了繁琐。
现在 AI 接过了最枯燥、最沉重的那一部分,人反而更累了:要盯着它、纠正它,还要时刻想清楚自己到底想要什么。可这种累令人兴奋。每叫停一次、纠正一次,都能看到一个沉睡多年的念头被重新唤醒,又向前迈出了踏实的一步。
旧梦没有褪色,它只是换了一种更轻盈、也更温暖的方式,在此时此地落地生根。存下来的东西终于能翻阅、能提问,跟着我一起生长😊。

如果你在搭建个人知识库时遇到任何疑问,或者对规则制定拿不准,随时可以找我交流;要是抽不出精力,想把手中的资料直接委托我来帮忙编译一套专属的知识库,也欢迎来找我。
后台回复「搭库」,加微信交流。聊聊你手头有哪些沉淀的资料、想用它解决什么问题。机缘到了,咱们一起把你的那个梦,也一点点带进现实。
