有没有人和我一样，文章看了不少，播客听了不少，PDF 下载了一堆，微信收藏夹、飞书文档、浏览器书签、截图相册，全都满满当当。真要用的时候，还是得重新搜一遍，重新问一遍，重新想一遍。
我以为自己缺的是一个更强的搜索工具。
看了篇神X发现其实我缺的，不是工具，而是持续的维护。
问题来了， 维护是最烦最累的， 谁来维护呢？
上周卡帕西发了一条推文，三天拿了4.3万赞、1200万浏览，直接把AI圈炸了。
他说了一句让我愣了一下的话：他最近花在LLM上的token，大部分不是在写代码，而是在”操控知识”。
然后他分享了自己的做法——用LLM来”编译”一个个人知识库。没有向量数据库，没有embedding，没有任何花哨的RAG管线。就是一堆Markdown文件。
我看完第一反应是：就这？1200 万阅读？
看完第二反应是：卧槽，好像还真就该这样。
他到底做了什么
这个做法卡帕西叫”LLM Knowledge Base“，也有人叫做“LLM Wiki”
说出来你可能不信，整套系统就三个文件夹加一个配置文件。
raw/——把你要研究的素材全扔进去。文章、论文、截图、笔记，什么都行，不用整理。这一层是只读的，LLM只看不改，相当于你的”原始事实源”。
wiki/——让LLM来读raw里的素材，然后”编译”成一个结构化的wiki。注意，不是你写，是LLM写。它来总结、分类、建交叉引用、标注矛盾、写概念页、写实体页、写对比分析。
卡帕西对这件事用了”编译”这个词，非常精髓——你品一品，知识不是被”存储”的，而是被”编译”的。
outputs/——你对wiki提问，LLM综合出的回答存在这里。关键来了：好的回答可以存回wiki，变成知识的一部分。
再加一个CLAUDE.md（或者AGENTS.md），告诉LLM这个知识库的运行规则。搞定。
卡帕西自己用这套东西在一个研究方向上积累了大约100篇文章、40万字。他本来以为得上向量数据库那套复杂方案，结果发现LLM自己维护索引文件和文档摘要就够了。
为什么比RAG好
你有没有遇到过这种情况——上个月让ChatGPT分析了五篇文档，得出了一个很有价值的综合结论。这个月换了个角度再问，它又得从头翻一遍。上次的分析结果？不存在了，蒸发了，留在了某个你再也找不到的聊天记录里。
这就是RAG的根本问题。
RAG像一个每次考试都开卷的学生。你问他问题，他每次都重新翻书、重新找相关段落、重新拼答案。他找的是文本碎片，不是理解过的知识。他对这些文档之间的矛盾、关联、演进一无所知。NotebookLM、ChatGPT文件上传，基本都是这个思路。
卡帕西这套方案，是让LLM先把书读完、理解完、做好笔记。考试时翻笔记，不翻原书。
两者放在一起看，差异很清楚：RAG是”提问时临时检索”，LLM Wiki是”先编译，再查询”。RAG每次查完就忘，LLM Wiki的每次问答都可以沉淀回知识库。一个是消耗上下文，一个是在生产上下文。
说白了，回答完之后东西会不会留下来——这才是最大的区别。
开源的不是代码，是想法
这里有个特别有意思的地方。
卡帕西没有开源一个repo、一个框架、一段脚本。他开源了一份75行的Markdown文件，叫”idea file”。
他说：在LLM Agent的时代，分享具体代码或应用的意义正在变弱。你只需要分享想法，然后对方的Agent会根据具体需求来定制和构建。
这话听起来有点飘，但你想想——你把这份文件丢给Claude Code或者OpenAI Codex，它真的就能帮你从零搭建出一个完整的个人知识库。不需要你写一行代码。
这其实代表了一种全新的”分发方式”：分享的不是成品，分享的是一种结构化的思路；接力完成落地的，是接收方自己的Agent。
有人在评论区说，以后PR不该叫Pull Request了，应该叫Prompt Request——因为Agent完全有能力自己实现大多数想法。
Lex Fridman也在用
这不是卡帕西一个人在玩。Lex Fridman（做播客那位）很快在推文下面回复说，他也在用类似的方案。因为做播客需要研究的主题又多又杂，这套知识库方法非常好用。
Lex还提到了一个骚操作：他会让系统生成一个”临时迷你知识库”，专注于某个特定话题，然后加载到LLM的语音模式里，在跑步的时候一边跑一边跟AI讨论这个话题。跑个7-10英里，一篇研究就消化得差不多了。
这就叫”临时wiki”——为一个任务临时搭建一个研究环境，用完就扔。
Farzapedia：给Agent建的个人百科
卡帕西发帖两天后，一个叫Farza的开发者搞出了一个更有冲击力的东西。
他让LLM读取了自己2500条日记、Apple Notes和一部分iMessage对话，生成了400篇相互链接的个人百科文章。涵盖他的朋友、创业项目、研究方向，甚至最喜欢的动漫对他的影响。
关键是Farza说了一句话：这个wiki不是给我看的，是给我的Agent看的。
这就把事情讲清楚了。大多数人搞个人知识库，最后都停在”方便我回头翻”。Farzapedia展示的是另一种方向——把你的人生经验整理成Agent能导航、能钻取、能利用的文件系统。
比如Farza要给新产品做落地页，就让Agent去wiki里找他最近喜欢的图片、电影、竞品页面和审美线索，综合出文案和视觉方向。Agent从index.md出发，一层层往下钻，跟一个助理在翻你的私人档案库一样。
卡帕西看到后专门转发点赞，列了四个优势：可见（你能看到AI知道什么不知道什么）、你的（数据在本地不在云上）、文件优先（底层就是Markdown，想用什么工具看都行）、BYOAI（换Claude、换Codex、换开源模型都行）。
用他的话说：让AI公司们卷起来吧，你的数据你做主。
一个81年前的老梦
卡帕西在gist最后提到了一个人——Vannevar Bush。
1945年，Bush写了一篇文章，描述了一种叫Memex的设想：一个私人的、持续整理的知识存储系统，文档之间通过关联路径相互连接。这比后来的万维网还早了几十年，而且方向不太一样——Memex更私人、更注重主动整理、更看重文档之间的联系本身。
Bush当年没解决的问题是：谁来做维护？
人类的知识库系统，放弃维护的速度，永远比知识增长的速度更快。Notion也好、Obsidian也好、飞书文档也好，多少人建了知识库最后荒废了？不是不想维护，是维护的成本太高、太烦、太无聊。
81年后答案来了：LLM不会觉得烦，不会忘了更新一条交叉引用，一次操作可以同时改十几个文件。维护成本趋近于零，知识库才有可能真的活下来。
几句实话
说了这么多好的，也得泼点冷水。
这套方案有一个甜蜜区间——几十到几百篇文档的规模。如果你有十万篇文档、几十个知识领域，那还是得上更正式的检索和向量方案。卡帕西自己也留了边界。
wiki变大以后，治理是个真问题。页面怎么命名、引用怎么保留、什么能自动写什么必须人看、哪些结论已经过期、哪些页面看着顺但其实不可靠——这些”不显眼的苦活”才是长期运行的关键。
卡帕西在gist里专门写了一句：human owns verification。wiki可以交给LLM维护，但验证责任在人。
所以别一上来就想着”把整个人生都喂进去”。
如果你想试
建议从一个很窄的范围开始。
你最近在反复看的一组文章、一个研究方向、几份竞品资料、一小批项目相关的笔记——拿这些东西建一个最小闭环：把素材丢进raw/，写一页简单的规则文件，让Agent处理一份来源，看看它会更新什么。然后问一个需要跨资料综合的问题，如果回答有价值就存回wiki。
就这五步，你就能感受到这套东西和传统知识库到底差在哪。
工具方面，卡帕西推荐了几个：Obsidian做浏览前端，Obsidian Web Clipper一键把网页转成Markdown，qmd做本地搜索，Marp生成幻灯片，Dataview查询页面元数据。整个wiki说到底就是一个Markdown文件的Git仓库。
卡帕西自己也承认，目前这套系统还是”一堆拼凑的脚本”。但他觉得这里有一个巨大的产品机会。
我也这么觉得。知识管理这件事，问题从来不是工具不够多，而是谁来做那些无聊的维护。现在LLM把这个答案给出来了。
从vibe coding到agentic engineering再到知识编译——卡帕西这两年的轨迹越来越清楚：Markdown正在成为AI时代的编程语言，而知识正在成为比代码更值得操控的东西。
