三天时间，我把 Karpathy 的 LLM WIKI 做成了桌面应用

原文链接：https://mp.weixin.qq.com/s/NPvo6rI1VtTBvEFFiPsHgA

三周前，Karpathy在GitHub上发了一个gist，叫LLMWiki。就是一篇markdown文件，几千字。没有发布会，没有营销稿。

三周前，Karpathy 在 GitHub 发了一个 gist，叫 LLM Wiki。不到一个月火遍 AI 圈。评论区最多的一句话——“最优雅的个人知识管理思路”。

他戳中了一个痛点：传统的知识库是死的，RAG 只会死板搜索和引用大模型，知识不会自动内化。

Karpathy 的思路：用AI 消化资料，自动整理，互相关联，互相认证，像在编写 WIKI 百科。以后查”WIKI精华”而非翻原始文档。新旧知识互相勾连积累，滚雪球式复利增长。

知道 idea 很棒，但做出来是另一回事。我决定花三天，不看一行源码纯 vibe coding，做出一个适合自己的个人知识管理工具。

编程基础只有一点Python。但AI 编程工具已经够强 – 强到让人觉得”我好像也行”。

项目叫 NoteAI。平台用 Claude Code + DeepSeek V4 Pro。Python 写桌面 GUI, LangChain连接大模型，实现自动整理笔记、发现关联、生成 WIKI。

Day 1：跑通输入管道

先打通知识库输入环节：批量网页下载转 Markdown、批量文件导入、集成编辑器。

一晚上和 AI 耗劲：让 AI 写代码实现功能。开始还比较顺利，回来内容复杂后就开始报错，报了错就让 AI 自己修。

更头疼的是 Agent 太”主动”——经常自作主张加功能。

又是按钮要集体靠左，它只把左边靠左；只要存主题和标签，它顺便存了作者、日期和语种。AI 分不清”该做的”和”自己加戏”，查半天才发现是”贴心功能”作祟。

第一天结束，应用终于能把各来源文章汇入工作区。还谈不上 WIKI，至少框架有了眉目。

Day 2：学会当编程老师

第二天任务：让 LLM 真正听话——主题提取、笔记整合、WIKI 生成。

问题已经不是技术懂不懂——是怎么和 AI 合作。

想让AI提取主题，它没理解透就开干。跑出来的主题要么太粗，要么太细。自然语言和程序语言之间有巨大代沟。你觉得描述得够清楚，AI 照样跑偏。

我被迫从 vibe coding 新手转型成语文老师。每段提示词要想清楚：上下文、目标、边界条件、量化指标、异常处理。

写得越细，Agent 越老实。多花十分钟写 Prompt，少花半小时修 bug。

后来形成话术模板：先交代背景，再明确目标，给样例，最后列常见陷阱。

但确实管用。调几轮后，程序成功提取了十几个主题。Agent 架构一个方向就放进 8篇独立文章，同样素材手动整理要花数倍时间。

Day 3：耐心的回报

第三天打磨体验，也处理前两天积累的技术债。

前端切到 Tauri，线程安全问题导致闪退， AI 自己加锁加队列搞定。

标签提取要平衡：读全文准但费 token，只读标题省但易跑偏，让 AI 出方案，我来试错，最后优化。

主题和交叉引用要精准：为了保证结果质量，决定先用规则做一遍初筛，再调用大模型。

经过多次试错，找到了可靠算法和调用大模型取得平衡，一边结果准，一边省token。

上下文控制也是坑。主题整合内容太长，上下文爆炸。先上压缩算法，相似段落进行压缩；再换 1M 上下文的 DeepSeek V4 Flash兜底。

终于到下午，所有模块跑通了。

打开应用，扔进去几十篇 PDF 和几十个网页链接。十分钟后，md 转好了，主题提出来了，标签出来了，双向链接出来了，WIKI.md 自动生成。

想法变成能跑的桌面应用，又变成自动生成的知识库。编程基础约等于零的人做到这些，三天前不敢想。

一周后

指标

数据

原始素材

200+ 篇网页文章、PDF、Markdown

LLM 整合产出

36 篇主题笔记

WIKI 索引大小

394KB

token 总费用

¥12 = ¥8 Vibe Coding + ¥4 知识库整理

我的感受

复利效应。

知识库变成了能自我进化的活体生物：头几篇笔记进去，WIKI只有三四个主题，做不出有价值的交叉引用。积累到 20篇后不一样了——新加一篇文章，LLM寻找之前几十篇内容尝试关联，同一概念在不同来源中的描述差异会被标出。

100 篇后，脉络自然成型，知识自然分组。 300 篇后，知识库像大模型一样，随规模变大，知识也”涌现”了。

找到和 AI 的默契。

Vibe Coding 最重要的一点，就是找个和 AI 的模型。AI 很聪明但也很任性——不会主动圈定范围，不会说不。能做都做，哪怕你不需要。

所以得把边界划清，输出格式定死。你越像懂行的产品经理，它越像靠谱的工程师。

AI 给了能力，人类只要提供 idea，以及创造力和耐心。

附录:   NoteAI VS Obsidian 插件生态 VS NotebookLLM

NoteAI

Obsidian + 插件

Google NotebookLLM

整合方式

自动提取主题、生成 WIKI、自动生成综述文章，标注关联

手动建双链，AI 插件辅助搜索

AI 生成摘要，按文件回答问题

知识积累

WIKI 和关联自动生长，知识增长可见

靠人手动建链，AI 只帮忙找

RAG库增加，对人不透明

交叉引用

自动。 AI标好主题间关联

手动。双链要自己建

无。针对单个文件提问

数据

本地 Markdown

本地 Markdown+网盘插件

云端，数据在 Google

上手

中，需要配置环境

高，插件生态复杂

低，打开就用

Token

低，自配API Key，200 篇素材约 $1

低，插件自带或接 API，按用量计费

中，$20 Google A套件内

https://github.com/Miles128/NoteAI.        关注公众号领取 15 万字免费 AI 学习资源合集。

本文转载自微信公众号，如有侵权请联系删除。