大多数人使用 AI 的方式，就像用自动售货机获取答案一样。
上传一份文档。提出一个问题。得到一个回答。关闭标签页。第二天，再次上传同一份文档。问一个略有不同的问题。看着模型从零开始，仿佛昨天从未发生过。
这就是当今“AI 生产力”的默认模式。最初几次会感觉很神奇，因为系统几乎能对你扔给它的任何东西进行总结、解释和提取见解。但几周后，这种神奇感开始变得奇怪地像是一次性的。你并没有在构建知识。你只是在租用短暂的智能爆发。
问题不在于模型不够强大。问题在于工作流程没有累积的记忆。
Andrej Karpathy 描述了一种更好的模式：使用 LLM 来构建和维护个人知识库。不仅仅是一个上传的 PDF 文件夹。不仅仅是一个基于文档的聊天机器人。而是一个持久的、结构化的、相互链接的维基，由 LLM 随时间更新。
重要的不是维基本身。维基我们已经用了数十年。
重要的是维护。
这正是导致几乎所有 AI 出现前的“第二大脑”系统失败的缺失环节。人们喜欢个人知识库的想法。他们喜欢 Obsidian 的图谱、Zettelkasten 图表、PARA 文件夹、标签笔记、反向链接、常青笔记、仪表盘等等。但在最初的热情过后，通常会发生同样的事情：系统变成了另一个需要维护的系统。
你剪藏文章但不总结。你创建笔记但不连接它们。你给东西贴标签时前后不一。当新信息出现时，你忘记更新旧的论断。你创建了一个漂亮的结构，然后慢慢开始回避它，因为每一次互动都会带来更多的整理工作。
第二大脑失败，是因为它仍然需要一个第一大脑来为它善后。
Karpathy 的 LLM 维基模式改变了这种成本结构。它把知识库更多地看作一个代码库，而不是个人笔记本。原始资料输入进去。LLM 读取它们，提取重要部分，创建或更新 Markdown 页面，维护交叉引用，追踪矛盾点，并保持索引的时效性。人类不需要手动编写维基。人类负责筛选来源、提出问题、审查输出，并决定什么才是重要的。
Andrej Karpathy 的帖子
https://x.com/karpathy/status/2039805659525644595
这是一种有趣得多的分工。
从检索到知识复利
如今大多数 AI 文档工作流程都基于检索。你上传文件，系统将其分块，嵌入这些块，并在你提问时搜索相关段落。这是许多 RAG 系统背后的基本思想，它很有用。它让模型能够回答关于其训练数据之外材料的问题。
但检索是有上限的。
当你提问时，系统会搜索，将少量片段拉入上下文，并生成一个答案。答案可能很好，但这项工作通常会在对话结束时消失。这种综合不会自动成为持久结构的一部分。下一个问题会开始另一个检索循环。
这对于一次性问题来说没问题。但对于学习、研究、写作和战略来说，它就很弱了，因为这些活动的核心在于理解应该不断积累。
一个由 LLM 维护的维基工作方式不同。它不会等到查询时才从头开始综合所有内容。它会提前编译知识。
当你添加一个新来源时，LLM 会阅读它并将其整合到现有系统中。一篇论文可能会更新一个概念页面。一份公司简介可能会修改一个竞争对手页面。一份转录稿可能会为客户痛点添加证据。一篇新文章可能与旧的总结相矛盾，于是维基会标记这种张力，而不是悄悄将其埋在一堆文档中。
问题从“我能检索到正确的段落吗？”转变为“我的知识库因为添加了这个来源而变得更聪明了吗？”
这才是真正的转变：知识变得可以累积。
三个层次
这个架构很简单，简单到容易被忽略。
第一层是原始来源。这些是原始材料：文章、PDF、笔记、转录稿、论文、网页剪藏、图片、仓库、数据集，以及任何你希望系统了解的东西。这一层应被视为不可变的。AI 可以读取、引用和总结它，但不应重写证据。
第二层是维基。这是一个由 LLM 维护的 Markdown 文件目录。它可以包含来源总结、概念页面、实体页面、时间线、对比、开放性问题、索引和研究简报。这是编译层。原始材料在这里变成可用的知识。
第三层是模式。这是一组指令，告诉 LLM 如何像一个维护者一样行事。存在哪些文件夹？什么算作来源总结？引用应该如何工作？何时应该创建一个新的概念页面而不是更新旧的？矛盾应该如何记录？健康检查应该查找什么？
模式是把聊天机器人变成操作员的关键。
没有它，你得到的只是一个即兴发挥的模型。有了它，你得到的东西更接近于一个初级研究员，他了解工作风格、归档系统和维护流程。
Obsidian 自然地适合这个工作流程，因为它已经是一个带有反向链接、图谱视图和快速导航的本地 Markdown 环境。Karpathy 的框架很有用：Obsidian 是 IDE，LLM 是程序员，维基是代码库。
这个比喻很重要。代码库之所以有价值，不是因为它们包含文件。而是因为文件遵循约定、相互引用、可以被重构、可以被检查，并且可以在不从头开始的情况下得到改进。一个严肃的知识库应该以同样的方式工作。
人类不应是文员
旧有的个人知识管理模式默默地假设人类会做所有事情。
你阅读来源。你高亮。你总结。你选择文件夹。你添加标签。你创建链接。你记得一个旧的笔记现在需要更新。你注意到两个来源有分歧。你保持索引整洁。你决定一个孤立笔记是应该删除、合并还是连接。
这正是那种在第一周感觉富有成效，在第三个月却变得无法忍受的工作。
这也正是 LLM 擅长的工作。
它们不会对重复的结构感到厌倦。它们不介意一次性更新十五个文件。它们可以扫描过时的论断、缺失的反向链接、重复的概念、不一致的命名和未解决的矛盾。它们可以把一个混乱的来源变成五个有用的产物：一个总结、一个论断列表、一个实体页面更新、一个概念页面更新，以及一个值得稍后研究的问题。
人类应该更专注于判断。
哪些来源属于这个系统？哪些论断实际上是重要的？下一个值得问的问题是什么？哪种综合感觉真实、有用、令人惊讶或错误？什么应该被转化为文章、备忘录、演示文稿、决策、产品创意或研究方向？
这才是品味发挥作用的地方。
LLM 应该做知识方面的文书工作。人类应该做意义方面的编辑工作。
这在实践中是什么样子
想象一下你在研究一个市场。你从几份分析师报告、竞争对手的博客文章、客户访谈、产品页面和销售电话转录稿开始。在旧的工作流程中，这些会变成一堆文档。也许你会用一个聊天机器人来提问。也许你会保留一个电子表格。也许你最终会写一份备忘录，但新信息一来它就过时了。
在 LLM 维基工作流程中，每一个新来源都会更新这个活地图。
一个竞争对手的公告会更新该竞争对手的页面。一个客户电话会更新关于异议、痛点、购买触发因素和客户实际使用语言的页面。一份市场报告会更新关于定价、监管、采用或分销的概念页面。一个新的矛盾会被记录下来，而不是被忽略。一个有用的查询可以变成一个保存下来的简报，供未来的查询在此基础上构建。
几周后，系统不再只是一个文档存储库。它变成了一个研究环境。
同样的模式也适用于作家。摄入你过去的文章、笔记、访谈、保存的文章和草稿。维基可以追踪你反复出现的论点、例子、论断、引用和未完成的想法。当你坐下来写作时，你可以问自己关于某个话题你已经说过什么，哪些例子最有力，你的想法在哪里发生了变化，以及你还没有探索过什么角度。
它适用于自我教育。摄入讲座、阅读材料、练习和论文。维基可以维护随着课程难度增加而演变的概念页面。它可以解释第七周如何修正了第二周的内容。它可以生成复习表，识别薄弱环节，并将困惑转化为学习计划。
它适用于团队。输入会议记录、Slack 讨论串、客户电话、规划文档、战略备忘录、支持工单和事后分析。维基可以维护项目页面、客户页面、产品决策日志、竞争对手页面和反复出现的风险主题。好处不仅仅是搜索。好处在于组织不再在工具之间的缝隙中丢失上下文。
在每种情况下，模式都是一样的：收集来源，编译知识，问题产生输出，有用的输出被归档回系统。
探索会不断累积。
健康检查就是产品
Karpathy 模式中最被低估的部分之一是检查。
一个普通的笔记系统会无声地退化。链接断裂。页面重复。总结过时。论断相互矛盾。重要的来源未被处理。你不会注意到这种退化，直到你需要系统来做真正的工作，并且不再信任它。
一个由 LLM 维护的维基可以被检查。
你可以让它查找孤立页面。你可以让它识别重复的概念。你可以让它找出哪些论断需要引用。你可以让它找出新来源与旧来源冲突的地方。你可以让它找出哪些页面太模糊、太长、太单薄，或者缺少明显的交叉引用。
这听起来很小，但这就是一堆笔记和一个可操作的知识库之间的区别。
健康检查不是一个次要功能。它是保持信任存活的机制。
一个你不信任的知识库只是另一个档案库。一个能够自我检查、解释其弱点并提出修复建议的知识库，开始感觉像基础设施。
为什么 Markdown 很重要
选择 Markdown 这个看似不起眼的决定，比看起来要重要得多。
Markdown 文件是可移植的。它们可以存在于一个普通文件夹中。它们可以在 Obsidian 中打开，用任何文本编辑器编辑，用 git 进行版本控制，用命令行工具搜索，渲染成网站，转换成演示文稿，或者由脚本处理。
这防止了系统变成一个黑箱。
许多 AI 产品希望将你的知识吸收到一个专有界面中。这可能很方便，但它也使你的理解依赖于别人的数据库、定价、路线图和导出按钮。
一个本地的 Markdown 维基在最好的意义上是枯燥的。它是可检查的。它是持久的。它可以被备份。它可以被比较差异。你可以看到模型改变了什么。你可以回滚错误的编辑。你可以围绕它构建小型工具。
对于严肃的知识工作来说，枯燥的基础设施胜出。
一个亟待诞生的产品
Karpathy 将其描述为一堆拼凑的脚本，但它指向了一个更大的产品类别。
下一个伟大的知识工具可能看起来不像一个带有上传按钮的聊天机器人。它会更像一个 AI 原生的研究环境：本地优先存储、结构化摄入、对引用敏感的综合、自动维护、可视化输出、健康检查、版本历史，以及能够在整个知识库上运行的 Agent 工作流。
它不会仅仅回答问题。它会维护上下文，使得提出更好的问题成为可能。
这个区别很重要。聊天机器人是被动的。一个被维护的知识库是累积的。聊天机器人给你一个回应。维基给你未来的自己一个更好的起点。
这也是为什么“第二大脑”这个说法可能终于不再那么尴尬的原因。多年来，它通常意味着一个充满抱负的文件柜：一个你放东西进去，希望未来的你能整理它们的地方。但一个真正的第二大脑不应该仅仅存储记忆。它应该保存结构，更新信念，呈现联系，并使累积的思考更容易被复用。
直到现在，这都需要太多的人类自律。
现在，维护工作可以被委派了。
真正的工作流程
实际的工作流程简单得令人失望。
收集原始来源。让 LLM 将它们编译成一个结构化的 Markdown 维基。使用 Obsidian 或其他 Markdown 界面浏览结果。向维基提问。将重要的答案保存回维基。定期运行健康检查。重复。
飞轮效应才是关键。
每一个来源都让维基变得更好。每一个好问题都创造了一个产物。每一个产物都成为未来的上下文。每一次健康检查都提高了可靠性。随着时间的推移，系统会发展出一种反映你实际研究、写作、构建和决策的形状。
这与让 AI 总结一份 PDF 截然不同。
这更接近于拥有一位研究助理，其主要工作不是产生最终答案，而是让你的智力工作空间保持连贯。
这可能是当前 LLM 最高杠杆率的用途之一。不是取代你的思考。不是假装无所不知。不是生成无限的、一次性的文本。只是做那些让严肃思考得以复利的维护工作。
核心要点
旧的第二大脑是一个存在自律问题的存储系统。它给了你一个放所有东西的地方，但它仍然依赖于未来的你来组织、连接、更新和清理。这就是为什么这么多笔记系统开始时是美丽的地图，最终却变成安静的档案库。
LLM 维基颠覆了这个模式。原始来源仍然是证据层。Markdown 维基成为编译层。模式为 AI 提供了如何维护它的规则。健康检查使系统值得信赖。Obsidian 或任何其他 Markdown 界面成为你检查、提问和复用工作的地方。
RAG 可以帮助你从一堆文档中回答一个问题。一个由 LLM 维护的维基改变了每个未来问题的起点。
这就是核心思想。价值不仅仅在于更快的总结、更整洁的笔记或更漂亮的图表。价值在于累积的上下文。每一个来源、每一次查询、每一个矛盾、每一个有用的输出都可以强化系统，而不是消失在另一个聊天线程中。
人类的角色变得更窄，也更有价值：选择更好的输入，提出更尖锐的问题，挑战薄弱的综合，并决定什么重要。AI 的角色变得重复和结构化：总结、链接、修订、引用、检查和维护。
这就是知识工作开始产生复利的方式。
你的第二大脑不需要更多的文件夹。
它需要一个维护者。
而第一次，这个维护者不必是你自己。
如果你喜欢这篇文章，请关注我获取更多关于 AI 和 Obsidian 的建议：@Degen_calls_sol
