——顺手给那篇《终结 RAG·9 条军规》的爆款文做一次逐条打假
2026-06-28
一句话：别让 AI 每次都「现查现拼」，而是让它帮你养一个「越用越聪明的笔记本」。这是 AI 研究者 Andrej Karpathy 在 2026 年 4 月真正提出的想法；至于网上流传的「9 条军规」「比 RAG 快 70 倍」「终结 RAG」，是自媒体加工出来的，原文里没有。
最近中文圈有一篇爆款文很火，标题大意是《Karpathy 掀翻
RAG！终结个人知识库腐烂的终极战略》，说他发布了一份叫
LLM-WIKI.md 的文件，列出「9 条核心军规」，还能「比 RAG 快
70 倍」。
这篇读物做两件事：
为了不传谣，本文所有「Karpathy 说……」的内容，都来自我逐字读过的原始文件（出处见文末），不采信任何二手转述。
Andrej Karpathy 是谁。 他是 AI 领域很有名的研究者：2015–2017 年是 OpenAI（做出 ChatGPT 的那家公司）的创始团队成员，2017–2022 年在特斯拉当 AI 总监（Director of AI），带队做自动驾驶的「看路」识别。
小纠正：爆款文说他是 OpenAI「联合创始人」。更准确的说法是「创始成员 / 创始团队成员」——他确实是公司一成立就在的元老之一，但正式被列为「联合创始人（co-founder）」的是 Altman、Musk、Brockman 等少数几个人。「前特斯拉 AI 总监」这半句则完全正确。这是个小差别，但既然要讲究，就讲究到底。
那份文件是什么。 2026 年 4 月 2 日，他在社交平台 X（原 Twitter）发了一帖讲这个想法，迅速火爆（约 1600 万次浏览）；4 月 4 日，他把完整想法写成一个公开文件放了出来。
llm-wiki.md，标题《LLM
Wiki》；爆款文写成大写的 LLM-WIKI.md，是它自己的写法。记住这个定性很重要：它是一页启发思路的随笔，不是一套铁律。 后面打假时你就明白，为什么「9 条军规」这种说法一开始就站不住。
很多人用过 Obsidian、Notion 这类笔记软件（都是用来记笔记、建「第二大脑」的工具），多半都经历过同一个过程：
疯狂收藏、高亮、标重点，却从来不整理。时间一长，笔记库变成一堆躺尸的文字：词条之间的链接断了，旧结论和新资料打架也没人发现，想查个东西翻半天翻不到。
Karpathy 一句话点破了病根——维护知识库真正烦人的，不是「读」和「想」，而是「记账」：
更新交叉引用、让每条总结保持最新、发现新资料和旧说法矛盾时去标注、维护几十个页面之间的一致性……
这些「记账」活又多又枯燥，人会嫌烦、会半途而废。于是「维护的负担长得比价值还快」，知识库就烂掉了。这不是你不够自律，是这件事本身对人类不友好。
那谁来干这些苦活？他的答案是：AI。
要讲清 Karpathy 的方案，得先讲清它想替代的东西——RAG。
RAG（Retrieval-Augmented Generation，检索增强生成）：现在主流的 AI 用资料方式。你把一堆文件丢给 AI，每次提问，AI 临时去这堆文件里翻出几段相关的、拼一个答案给你。你常用的 ChatGPT 传文件、NotebookLM 等，基本都是这个路子。
RAG 有个根本毛病，Karpathy 的原话是：
the LLM is rediscovering knowledge from scratch on every question. There’s no accumulation. （AI 每次提问都在从零重新发现知识，什么都没积累下来。）
也就是说——你上一次费劲让它理清的东西，这一次它一点都不记得，又从头翻一遍。知识不沉淀。
他的替代方案：让 AI 维护一个会「越长越厚」的个人维基。
「维基（wiki）」你可以理解成：一大堆互相链接的笔记（就像百度百科、维基百科那样，词条点一下就跳到相关词条）。关键在于「怎么往里加东西」：
每读进一份新资料，AI 不是简单存起来备查，而是当场「消化」它——
于是这个维基一天比一天厚、一天比一天聪明。以后你查东西，直接问这个维基，而不是问那一堆乱糟糟的原始文件。Karpathy 把这个维基叫做「持续积累的产物（a persistent, compounding artifact）」——「compounding」就是「利滚利」那个复利的意思：知识像钱生钱一样越滚越多。
两者的关键差别，他说得很清楚：用维基的方式，交叉引用早就建好了、矛盾早就标出来了、总结早就反映了你读过的一切——查的时候不用临时拼。
关于「编译」这个词（重要纠正）。 爆款文把这套方法叫「从 RAG 到编译（Compile）」，还说「原始笔记 = 源代码、AI = 编译器」。这是媒体替他总结的，不是他的原话，而且把比喻装反了。
他全文只顺带用过一次「compiled（编译）」，意思是「知识只编译一次、之后保持更新，而不是每次提问重新推导」——从没把方法命名为「编译范式」，也从没用过「编译器」这个名词。
他真正的比喻是：「Obsidian 是 IDE（代码编辑器），大模型是程序员，维基是代码库（codebase）。」也就是说，在他眼里 AI 是「程序员」，不是「编译器」；产出的那个维基才相当于「代码」，原始资料他叫「事实来源」，不是「源代码」。
这部分是 Karpathy 原文逐字写明的，也是整套方法里最实在的骨架。一个知识库分成三层，各管各的：
| 层 | 谁来写 | 是什么 |
|---|---|---|
| ① 原始资料 raw | 人投喂，AI 只读不改 | 你收集的原文：文章、论文、图片、数据。这是「事实底稿」，将来要核对都靠它，所以绝不能动。 |
| ② 维基 wiki | 全归 AI 写，你只看 | AI 生成的那一堆互相链接的笔记：总结页、词条页、概念页、对比页、总览页。AI 负责建页、更新、维护链接、保持一致。 |
| ③ 说明文件 schema | 你和 AI 一起定 | 一份告诉 AI「这套维基怎么组织、有什么约定、新资料进来按什么流程处理」的规矩书。 |
第三层值得多说一句。这份「说明文件」其实你可能已经见过——给 Claude
用的 CLAUDE.md、给 Codex 用的 AGENTS.md
就是这类东西（它们是放在项目里、告诉
AI「干活规矩」的配置文件）。Karpathy 说，正是这份说明文件，才让
AI 从一个普通聊天机器人，变成一个「守规矩的维基管理员」。
小修正：爆款文说「人只负责输入」。前两层基本对（人找资料、AI 写维基）；但第三层 schema 其实是人和 AI 一起打磨的，团队场景下他还提到人要审核 AI 的更新。所以不是「人完全不插手」。
搭好了三层，日常就三个动作转圈圈：
录入（Ingest）——你丢一份新资料进去，让 AI 处理。它会读完、跟你聊聊要点、写一页总结、更新索引、顺手更新维基里相关的好几页（他说一份资料常常会动到 10–15 个页面），再记一条日志。Karpathy 自己偏好「一次只认真消化一份」，全程参与；但你也可以批量导入、少盯着点。
提问（Query）——你问问题，AI 去维基里找相关页、读、给带出处的答案。形式可以是一段文字、一张对比表、一套幻灯片、一张图表。有个关键窍门：好的答案别让它消失在聊天记录里，要「归档」回维基变成新的一页。 这样你每一次探索，也像新资料一样沉淀进知识库。
体检（Lint）——定期让 AI 给整个维基做个「健康检查」：
Lint 这个词原本是程序员用的——指自动工具帮你「给代码挑毛病」。这里借来指「给笔记挑毛病、保持健康」。
具体查什么：哪两页内容互相打架、哪条旧说法被新资料推翻了、哪一页成了没人链接的「孤儿页」、哪个重要概念还没有自己的词条、哪里缺交叉引用、哪个数据空白可以靠搜一下补上。AI 还很擅长反过来建议你「接下来该研究什么、该找什么新资料」。
讲到这你大概已经感觉到了：这套方法不靠「AI 有多聪明」，靠的是「AI 不嫌烦」。
| 人 | AI | |
|---|---|---|
| 读资料、做判断 | ✅ 擅长、且应该由人来 | 辅助 |
| 更新链接、保持总结最新、标矛盾（「记账」） | ❌ 嫌烦、会放弃 | ✅ 不无聊、不会忘、一次能改 15 个文件 |
所以维护成本几乎降到零，知识库就能一直保持鲜活，不再腐烂。Karpathy 给的分工很干脆：
人的活：找资料、定方向、问好问题、想清楚这一切意味着什么。AI 的活：其余全部。
还有个白送的好处：这个维基说白了就是一个装满文本文件的 git 仓库（git 是程序员管理文件版本的工具）。所以你白白获得了历史版本、可回滚、可多人协作——这些都是现成的。
最后，他把这个想法追溯到 1945 年——一位叫 Vannevar Bush 的科学家当年设想过一台叫 Memex 的机器：一个私人的、精心整理的知识库，文件之间用「关联线索」连起来。Karpathy 说，Bush 当年唯一没解决的问题就是「谁来做维护」——而现在，这个活由 AI 接手了。
下面是把那篇爆款文的关键说法，和原文逐条对照的结果。✅ 属实 / ⚠️ 半真被夸大 / ❌ 纯属编造：
| 爆款文说法 | 判定 | 真相 |
|---|---|---|
| 他 4 月初发文讲「AI 维护个人维基」 | ✅ 属实 | 4/2 发帖、4/4 放文件，确为本人 |
| 三层分工 raw / wiki / schema、人投喂资料 | ✅ 属实 | 原文逐字写明（schema 是人机共建，小修正） |
| 「Obsidian 是 IDE，AI 是程序员，维基是代码库」 | ✅ 属实 | 原文原话 |
| 想法源自 1945 年的 Memex 设想 | ✅ 属实 | 原文结尾确有 |
| 引发了一波社区实践（几百页维基、自动化插件） | ✅ 属实 | 真有开源框架和 Obsidian 插件（具体 star 数存疑，别当真） |
| 「从 RAG 到编译」「原料 = 源代码、AI = 编译器」 | ⚠️ 夸大+装反 | 他只顺带用过一次「compiled」，从没命名为「编译范式」；他的比喻里 AI 是程序员、维基才是代码 |
| 「OpenAI 联合创始人」 | ⚠️ 不够准 | 他是 OpenAI 创始成员，不是正式 co-founder |
文件名 LLM-WIKI.md（大写） |
⚠️ 小错 | 真名是小写 llm-wiki.md |
| 「9 条核心军规」 | ❌ 编造 | 原文「规则（rule）」出现 0 次，没有任何编号清单（全文唯一的「9」在「1945」里）。真能数的是：3 层结构 + 3 个操作 + 6 条小技巧 |
| 「比 RAG 快 70 倍」 | ❌ 编造 | 原文没有任何速度对比、跑分数字 |
| 「10 万 token 上限」 | ❌ 编造 | 原文没有任何 token 数字；他只说用一个「索引文件」的招在「约 100 份资料、数百页」的中等规模下出奇好用 |
| 「打造第二大脑」 | ❌ 编造 | 原文从没出现「second brain」一词，是转载者套的流行词 |
| 「Karpathy 终结了 RAG / RAG 已死」 | ⚠️ 标题党 | 他只把维基当成「中等规模下省掉搭 RAG 的一个替代想法」，没说 RAG 已死——大规模、企业级、多人共享的场景，RAG 仍然合适 |
一句话总结打假：内核是真的、值得学；那些唬人的数字（9 条 / 70 倍 / 10 万 token）和「终结 RAG」是包装出来的。 看这类爆款文，记住一个习惯——凡是带精确数字和「终结某某」的耸动结论，回去翻一眼原文，十有八九是后人加的。
不用懂编程，最小可行的玩法是这样：
raw（放你收集的原文）、wiki（留给
AI 写）、再加一个说明文件（告诉 AI 规矩）。llm-wiki.md 原文直接发给你的
AI，让它照着帮你把具体做法定下来（他这份文件本来就是设计成「复制给
AI 用」的）。中等规模（约一百份资料、几百页）这么玩，Karpathy 说连搭专门的检索数据库都省了——一个简单的「索引文件」就够 AI 找路了。
本文事实以 Karpathy 本人公开的原始文件为准，写作时已逐字核对：
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f（2026-04-04
创建）。@karpathy，2026-04-02《LLM Knowledge Bases》。https://karpathy.ai/（自称
OpenAI「founding member」）。查证日期：2026-06-28。