所有文章
技术实践2026-04-067 分钟

Karpathy 的 LLM Wiki 说对了方向,但它还卡在本地——云原生 + MCP 优先才是落地

Karpathy 用一份 gist 把「LLM 编译知识库」推成热词,方向完全正确。但他的实现方式有三个天花板:规模、本地锁定、人工驱动。KnowMine 已经把这套模式做成云原生 + MCP 优先,解决了这三件事。

LLM WikiMCP知识管理Karpathy语义搜索AI Agent

这一波为什么重要

Andrej Karpathy 这周发的 LLM Wiki gist 在圈里刷屏了,讲的是一件很对的事:LLM 应该持续编译和维护一个结构化知识库,而不是每次对话都从零开始。这话戳中了当前大多数人用 AI 的根本毛病。

KnowMine 做的就是这件事。产品上线几个月了,11 个 MCP 工具、pgvector 语义搜索、SOUL 用户画像层都在跑。读到 Karpathy 的 gist 时我的第一反应不是"好思路",而是"我们已经发了,而且三个他没解决的问题,我们都解决了"。

这篇不是来挑刺的,是一封致敬信。同时想聊聊:把同一套洞察做成云原生、MCP 优先的产品,和他那份本地 gist 有什么工程上的差异。

Karpathy 方案撞到的三堵墙

第一堵:规模。 Karpathy 说大约 100 个源、几百页内容的规模下,一个索引文件就够了,不用向量库。这话在那个规模下是对的。但知识库会长大。到 500 条以上、涉及跨领域概念的时候,关键词匹配和索引扫描会失效,必须上语义相似度。KnowMine 从第一天就是 pgvector + text-embedding-3-small,每条知识保存时自动向量化,相关内容自动浮出来。

第二堵:本地锁定。 Karpathy 的工作流需要你在本地开 Claude Code 或 Codex,配上本地 Obsidian。这意味着知识库绑死在一台机器、一次会话里。KnowMine 把整个知识库暴露为远程 MCP 端点,任何兼容 MCP 的 Agent(Claude Code、OpenCode、自研 Agent)都能从任何地方读写同一个库。

第三堵:人工驱动。 在 Karpathy 的流程里,你得主动"导入"源,再主动"查询"Wiki,LLM 只在被提示时才动。KnowMine 的 MCP 工具允许 AI Agent 在对话中主动存知识——我们管这叫"对话式知识捕获"。你跟 Claude 聊一个问题,它在不打断对话节奏的前提下,帮你把洞察存下来。

架构对照

同一哲学,不同实现

层级Karpathy 方案KnowMine
原始源本地 raw/ 目录MCP add_knowledge 工具接入任意内容——文本、URL、语音转写
知识库LLM 写的 Markdown 文件pgvector 索引的条目,自动打标签、自动归类、自动嵌入
规则/模式CLAUDE.md / AGENTS.mdSOUL 画像(AI 生成的用户模型)+ 文件夹预设

MCP 接入后是什么体感

AI Agent 在对话里把知识存进 KnowMine 时,长这样:

Tool: add_knowledge
Input: {
  "content": "Karpathy 的 LLM Wiki 模式验证了...",
  "type": "insight",
  "tags": ["competitive-analysis", "knowledge-management"]
}

不需要文件系统。不需要本地 Agent。不需要配置。知识瞬间被向量化、打标签、可检索。

11 个 MCP 工具,不只是 CRUD

  • add_knowledge / update_knowledge / delete_knowledge:基础增删改
  • search_my_knowledge:跨全库的语义向量搜索
  • get_related_knowledge:发现知识之间的隐藏关联
  • save_memory / recall_memory:跨会话持久化 AI 记忆
  • get_soul:拉取 AI 生成的用户画像
  • get_insight:AI 驱动的知识模式分析
  • list_folders:浏览知识组织结构

Karpathy 那份 gist 里我们正在照搬的好点子

好想法就该大方承认在抄。gist 里有几条我们在做融合:

Lint 操作。 定期对知识库做一次 AI 体检——找矛盾、孤岛条目、过期信息、缺失关联。KnowMine 的 get_insight 是雏形,完整的"知识 Lint"已经排进 roadmap。

好答案会自己变成新页面。 这个反馈闭环——探索复利式地沉淀成长期知识——正是 save_memory 和 add_knowledge 在对话中做的事。Karpathy 把它命名为"知识复利",这个词选得很准。

用户可控的 Schema 层。 让用户定义知识怎么组织,是个强设计。这跟我们规划中的文件夹预设功能一拍即合。

谁该用哪一个

Karpathy 方案适合:

  • 开发者,熟悉 Claude Code 或 Codex
  • 希望数据完全锁在本地
  • 喜欢 Obsidian 的图谱视图和插件生态
  • 知识库聚焦单一主题,规模在 100 源量级

KnowMine 适合:

  • 希望 AI Agent 远程读写知识库
  • 跨一个持续增长的库做语义搜索
  • 想要零配置:不装本地 Agent、不折腾文件
  • 同时用多个 AI 工具,需要一个共享的知识层
  • 希望 AI 在对话里主动帮你存知识

两个一起用也行: 没有谁规定不能 KnowMine 作为"编译后的知识层",本地 Obsidian 放原始源。MCP 本来就是互操作协议,这是它的意义所在。

5 分钟上手

  1. 去 knowmine.ai 拿你的 MCP 密钥
  2. 把 MCP 端点加进 Agent 配置: 
    knowmine.ai/api/mcp?key=YOUR_KEY
  3. 跟 Agent 说:"把这个洞察存到我的知识库"——直接就能用
  4. 语义搜索:"我关于知识管理都知道些什么?"——按语义而不是关键词把相关条目拉出来

Memex 兑现的那一天

Karpathy 引了 Vannevar Bush 1945 年的 Memex 愿景:一个个人知识库,文档之间的连接和文档本身一样重要。Bush 当年没解决"谁来维护"这件事。Karpathy 说 LLM 能解决。我同意,而且下一步是:让这个被维护好的知识库,通过标准协议,从任何地方被你用的每一个 AI Agent 访问到。

这就是 MCP 优先的含义。你的知识不该被锁在一个工具、一台机器上。它应该是一项任何 AI 都能调用的服务。

开始构建你的 AI 原生知识库

免费开始使用，连接 Claude、ChatGPT 等多种 AI

免费开始
Karpathy 的 LLM Wiki 说对了方向,但它还卡在本地——云原生 + MCP 优先才是落地 - KnowMine Blog