大多數人使用 AI 就像使用一台自動販賣機來獲取答案。
上傳一份文件。提出一個問題。得到一個回應。關閉分頁。明天，再次上傳同一份文件。問一個稍微不同的問題。看著模型再次從零開始，彷彿昨天從未發生過。
這就是今天「AI 生產力」的預設模式。最初幾次使用時，它感覺很神奇，因為系統幾乎可以總結、解釋並從你丟給它的任何東西中提取見解。但幾週後，這種神奇感開始變得奇怪地像是一次性的。你並沒有在累積知識。你只是在租借短暫的智能爆發。
問題不在於模型不夠強大。問題在於工作流程沒有可以複利增長的記憶。
Andrej Karpathy 描述了一種更好的模式：使用 LLM 來建立和維護個人知識庫。這不僅僅是一個存放上傳 PDF 的資料夾。也不僅僅是一個針對文件的聊天機器人。這是一個持久、結構化、相互連結的維基，由 LLM 隨著時間推移進行更新。
重要的不是維基本身。我們擁有維基已經幾十年了。
重要的是維護工作。
正是這個缺失的部分，扼殺了 AI 時代之前幾乎所有的「第二大腦」系統。人們喜歡個人知識庫的概念。他們喜歡 Obsidian 的圖譜、Zettelkasten 圖表、PARA 資料夾、標籤筆記、反向連結、常青筆記、儀表板等等。但在最初的熱情爆發之後，通常會發生同樣的事情：這個系統變成了另一個需要維護的系統。
你剪輯文章但沒有總結它們。你建立筆記但沒有連結它們。你標籤東西不一致。當新資訊到來時，你忘記更新舊的主張。你建立了一個漂亮的結構，然後慢慢地避開它，因為每一次互動都會產生更多的簿記工作。
第二大腦之所以失敗，是因為它仍然需要一個第一大腦來為它收拾善後。
Karpathy 的 LLM 維基模式改變了這種經濟模式。它將知識庫視為更像一個程式碼庫，而不是個人筆記本。原始資料被輸入。LLM 讀取它們，提取重要部分，建立或更新 Markdown 頁面，維護交叉引用，追蹤矛盾，並保持索引最新。人類不是手動編寫維基。人類負責策展來源、提出問題、審查輸出，並決定什麼是重要的。
Andrej Karpathy 的貼文
https://x.com/karpathy/status/2039805659525644595
這是一個有趣得多的分工方式。
從檢索到複利增長的知識
今天大多數的 AI 文件工作流程都基於檢索。你上傳檔案，系統將它們分塊，嵌入這些塊，並在你提問時搜尋相關段落。這是許多 RAG 系統背後的基本概念，而且它很有用。它讓模型能夠回答關於其訓練資料中沒有的材料的問題。
但檢索有其天花板。
當你提出一個問題時，系統會搜尋，將少數片段拉入上下文，並生成一個答案。答案可能很好，但當對話結束時，這些工作通常就消失了。這個綜合結果不會自動成為一個持久結構的一部分。下一個問題又會開始另一個檢索循環。
這對於一次性問題來說很好。但對於學習、研究、寫作和策略來說，它就很薄弱了，因為這些領域的重點在於理解應該要累積。
一個由 LLM 維護的維基運作方式不同。它不會等到查詢時才從頭開始綜合所有東西。它會提前編譯知識。
當你加入一個新的來源時，LLM 會讀取它並將其整合到現有系統中。一篇論文可能會更新一個概念頁面。一份公司簡介可能會修訂一個競爭對手頁面。一份逐字稿可能會為客戶痛點增加證據。一篇新文章可能會與較舊的摘要矛盾，因此維基會標記這個張力，而不是悄悄地將它埋在一堆文件中。
問題從「我能檢索到正確的段落嗎？」變成了「因為我加入了這個來源，我的知識庫變得更聰明了嗎？」
這才是真正的轉變：知識變得可以累積。
三個層次
這個架構非常簡單，以至於它的簡單性很容易被忽略。
第一層是原始來源。這些是原始材料：文章、PDF、筆記、逐字稿、論文、網頁剪輯、圖片、儲存庫、資料集，以及任何其他你想讓系統知道的東西。這一層應該被視為不可變的。AI 可以讀取它、引用它、總結它，但不應該改寫證據。
第二層是維基。這是一個由 LLM 維護的 Markdown 檔案目錄。它可以包含來源摘要、概念頁面、實體頁面、時間線、比較、開放性問題、索引和研究簡報。這是編譯層。這是原始材料變成可用知識的地方。
第三層是綱要。這是一組指令，告訴 LLM 如何作為一個維護者來運作。有哪些資料夾存在？什麼算是來源摘要？引用應該如何運作？它何時應該建立一個新的概念頁面，而不是更新舊的？矛盾應該如何記錄？健康檢查應該檢查什麼？
綱要就是將聊天機器人變成操作員的東西。
沒有它，你只有一個即興發揮的模型。有了它，你就擁有了一個更接近初級研究員的東西，他了解內部風格、歸檔系統和維護慣例。
Obsidian 自然地適合這個工作流程，因為它已經是一個具有反向連結、圖形視圖和快速導航的本地 Markdown 環境。Karpathy 的框架很有用：Obsidian 是 IDE，LLM 是程式設計師，而維基是程式碼庫。
這個比喻很重要。程式碼庫之所以有價值，不是因為它們包含檔案。它們有價值是因為檔案遵循慣例、相互引用、可以被重構、可以被檢查，並且可以在不從頭開始的情況下改進。一個嚴肅的知識庫也應該以同樣的方式運作。
人類不應該當文書
舊的個人知識管理模式悄悄地假設人類會做所有事情。
你閱讀來源。你畫重點。你總結。你選擇資料夾。你加入標籤。你建立連結。你記得一個較舊的筆記現在需要更新。你注意到兩個來源意見不一致。你保持索引整潔。你決定一個孤立筆記應該被刪除、合併還是連結。
這正是那種在第一週感覺很有生產力，但在第三個月就變得難以忍受的工作。
而這也正是 LLM 擅長的工作。
它們不會對重複性的結構感到厭倦。它們不介意一次更新十五個檔案。它們可以掃描過時的主張、缺失的反向連結、重複的概念、不一致的命名和未解決的矛盾。它們可以將一個混亂的來源轉化為五個有用的產物：一個摘要、一個主張列表、一個實體頁面更新、一個概念頁面更新，以及一個值得稍後調查的問題。
人類應該更貼近判斷。
哪些來源屬於這個系統？哪些主張真正重要？下一個值得探索的問題是什麼？哪個綜合結果感覺真實、有用、令人驚訝或錯誤？什麼應該被轉化為一篇文章、備忘錄、簡報、決策、產品想法或研究方向？
那才是品味發揮作用的地方。
LLM 應該做知識的文書工作。人類應該做意義的編輯工作。
這在實踐中是什麼樣子
想像你正在研究一個市場。你從幾份分析師報告、競爭對手的部落格文章、客戶訪談、產品頁面和銷售通話逐字稿開始。在舊的工作流程中，這些會變成一堆文件。也許你會用聊天機器人對它們提問。也許你會保留一個試算表。也許你最終會寫一份備忘錄，但它在新資訊到來的那一刻就過時了。
在 LLM 維基工作流程中，每一個新的來源都會更新這個活地圖。
一個競爭對手的公告會更新該競爭對手的頁面。一通客戶電話會更新關於異議、痛點、購買觸發因素以及客戶實際使用語言的頁面。一份市場報告會更新關於定價、法規、採用或分銷的概念頁面。一個新的矛盾會被記錄下來，而不是被忽略。一個有用的查詢可以變成一個保存下來的簡報，未來的查詢可以在此基礎上建構。
幾週後，這個系統不再只是一個文件儲存庫。它變成了一個研究環境。
同樣的模式也適用於作家。攝入你過去的文章、筆記、訪談、保存的文章和草稿。維基可以追蹤你反覆出現的論點、例子、主張、參考資料和未完成的想法。當你坐下來寫作時，你可以問你已經對某個主題說過什麼，哪些例子最有力，你的想法在哪裡發生了變化，以及你還沒有探索過什麼角度。
它適用於自我教育。攝入講座、閱讀材料、練習和論文。維基可以維護隨著課程難度增加而演變的概念頁面。它可以解釋第七週如何修正了第二週的內容。它可以生成複習表，識別弱點，並將困惑轉化為學習計劃。
它適用於團隊。將會議記錄、Slack 討論串、客戶通話、規劃文件、策略備忘錄、支援工單和事後檢討報告輸入進去。維基可以維護專案頁面、客戶頁面、產品決策日誌、競爭對手頁面和反覆出現的風險主題。好處不僅僅是搜尋。好處是組織不再在工具之間的縫隙中失去脈絡。
在每種情況下，模式都是一樣的：收集來源，編譯知識，問題產生輸出，有用的輸出被歸檔回系統。
探索會不斷累積。
健康檢查就是產品
Karpathy 模式中最被低估的部分之一是檢查（linting）。
一個普通的筆記系統會悄悄地衰敗。連結斷掉。頁面重複。摘要過時。主張互相矛盾。重要的來源未被處理。直到你需要這個系統來做真正的工作，並且不再信任它時，你才會注意到這種衰敗。
一個由 LLM 維護的維基可以被檢查。
你可以要求它找出孤立頁面。你可以要求它識別重複的概念。你可以要求它找出哪些主張需要引用。你可以要求它找出哪些較新的來源與較舊的來源衝突。你可以要求它找出哪些頁面太模糊、太長、太薄弱，或者缺少明顯的交叉引用。
這聽起來很小，但這就是一堆筆記和一個運作中的知識庫之間的區別。
健康檢查不是一個附屬功能。它是維持信任的機制。
一個你不信任的知識庫只是一個檔案庫。一個能夠自我檢查、解釋其弱點並提出修復建議的知識庫，開始感覺像基礎設施。
為什麼 Markdown 很重要
選擇 Markdown 這個不起眼的決定比看起來更重要。
Markdown 檔案是可攜帶的。它們可以存在於一個普通的資料夾中。它們可以在 Obsidian 中打開，由任何文字編輯器編輯，用 git 進行版本控制，用命令列工具搜尋，渲染成網站，轉換成簡報，或由腳本處理。
這使得系統不會變成一個黑盒子。
許多 AI 產品想要將你的知識吸收到一個專有介面中。這可能很方便，但它也使你的理解依賴於別人的資料庫、定價、路線圖和匯出按鈕。
一個本地的 Markdown 維基是以最棒的方式無聊。它是可檢查的。它是持久的。它可以被備份。它可以被比較差異。你可以看到模型改變了什麼。你可以回滾錯誤的編輯。你可以圍繞它建立小型工具。
對於嚴肅的知識工作，無聊的基礎設施會勝出。
一個渴望存在的產品
Karpathy 將其描述為一個簡陋的腳本集合，但它指向了一個更大的產品類別。
下一個偉大的知識工具可能看起來不像一個帶有上傳按鈕的聊天機器人。它會更像一個 AI 原生的研究環境：本地優先儲存、結構化攝入、感知引用的綜合、自動維護、視覺化輸出、健康檢查、版本歷史，以及能夠在整個知識庫上運作的代理工作流程。
它不僅會回答問題。它會維護讓更好的問題成為可能的脈絡。
這個區別很重要。聊天機器人是反應式的。一個被維護的知識庫是累積性的。聊天機器人給你一個回應。一個維基給你未來的自己一個更好的起點。
這也是為什麼「第二大腦」這個詞最終可能不再那麼尷尬的原因。多年來，它通常意味著一個充滿抱負的檔案櫃：一個你放東西進去，希望未來的你能整理它們的地方。但一個真正的第二大腦不應該僅僅儲存記憶。它應該保存結構、更新信念、浮現連結，並讓累積的思想更容易被重複使用。
直到現在，這都需要太多的人類紀律。
現在，維護工作可以被委派了。
真正的工作流程
實際的工作流程簡單得幾乎令人失望。
收集原始來源。讓 LLM 將它們編譯成一個結構化的 Markdown 維基。使用 Obsidian 或其他 Markdown 介面來瀏覽結果。針對維基提出問題。將重要的答案保存回維基。定期執行健康檢查。重複。
飛輪效應才是關鍵。
每一個來源都讓維基變得更好。每一個好問題都會創造一個產物。每一個產物都成為未來的脈絡。每一次健康檢查都提高了可靠性。隨著時間推移，系統會發展出一個反映你實際研究、寫作、建構和決策的形狀。
這與要求 AI 總結一份 PDF 非常不同。
這更像是擁有一個研究助理，其主要工作不是產出最終答案，而是保持你的智識工作空間連貫一致。
這可能是當前 LLM 最高槓桿的用途之一。不是取代你的思考。不是假裝無所不知。不是生成無限的一次性文字。只是做那些讓嚴肅思考得以複利增長的維護工作。
結論
舊的第二大腦是一個有紀律問題的儲存系統。它給你一個地方放所有東西，但它仍然依賴未來的你來組織、連結、更新和清理。這就是為什麼這麼多筆記系統以美麗的地圖開始，卻以寂靜的檔案庫結束。
LLM 維基翻轉了這個模式。原始來源仍然是證據層。Markdown 維基變成了編譯層。綱要為 AI 提供了如何維護它的規則。健康檢查使系統值得信賴。Obsidian 或任何其他 Markdown 介面成為你檢查、質疑和重複使用這些工作的地方。
RAG 可以幫助你從一堆文件中回答一個問題。一個由 LLM 維護的維基改變了每個未來問題的起點。
這就是核心概念。價值不僅僅在於更快的摘要、更整潔的筆記或更漂亮的圖表。價值在於累積的脈絡。每一個來源、每一個查詢、每一個矛盾、每一個有用的輸出都可以強化系統，而不是消失在另一個聊天討論串中。
人類的角色變得更狹窄也更有價值：選擇更好的輸入，提出更尖銳的問題，挑戰薄弱的綜合結果，並決定什麼是重要的。AI 的角色變得重複且結構化：總結、連結、修訂、引用、檢查和維護。
這就是知識工作開始複利增長的方式。
你的第二大腦不需要更多的資料夾。
它需要有人來維護它。
而這是第一次，那個人不必是你。
如果你喜歡這篇文章，請追蹤我以獲得更多關於 AI 和 Obsidian 的建議：@Degen_calls_sol
