币须知道据 1M AI News 监测，OpenAI 联合创始人 Andrej Karpathy 在 X 上分享了他近期的一个发现：用 LLM 构建个人知识库，比用它写代码更有价值。他目前的大部分 token 消耗已从操作代码转向操作知识。
完整工作流分五步：
1. 数据摄入：将文章、论文、代码仓库、数据集、图片等源文档索引到 raw/ 目录，用 LLM 增量「编译」成一个 markdown wiki，包含摘要、反向链接、概念分类和文章互联
2. 浏览界面：用 Obsidian 作为前端查看原始数据、编译后的 wiki 和衍生可视化，wiki 内容完全由 LLM 维护，人几乎不直接编辑
3. 问答查询：当 wiki 积累到一定规模（他的一个研究方向已有约 100 篇文章、40 万字），可以向 LLM 提出复杂问题，LLM 自行检索 wiki 内容作答。他原以为需要 RAG，但 LLM 自动维护的索引文件和摘要在这个规模下已经够用
4. 输出回流：查询结果以 markdown、Marp 幻灯片或 matplotlib 图表形式生成，在 Obsidian 中查看后归档回 wiki，让个人探索持续沉淀
5. 质量巡检：用 LLM 定期对 wiki 做「健康检查」，发现数据不一致、补全缺失信息、挖掘跨概念关联，增量提升数据完整性
Karpathy 称他还额外开发了一些工具，比如一个简易的 wiki 搜索引擎，既可以自己在网页界面上用，也可以作为命令行工具交给 LLM 处理更大的查询。他认为这套工作流目前还只是「一堆脚本的拼凑」，但背后藏着一个「不可思议的新产品」机会。更远的设想是：每一个向前沿模型提出的问题，都可以派出一组 LLM 自动构建一个临时 wiki、做质量巡检、迭代数轮，最终输出一份完整报告，「远超一次 .decode()」。
