Andrej Karpathy 最近很受用的一套方法：用 LLM 来构建个人知识库。他把大量 token 吞吐从"操作代码"转向"操作知识"（以 markdown 和图片形式存储）。核心做法是把一堆零散资料交给 LLM，让它增量式地"编译"成一个 wiki。
① 数据摄入（ingest）：把文章、论文、仓库、数据集、图片索引进 raw/ 目录，用 Obsidian Web Clipper 把网页转 .md，热键批量下载相关图片供 LLM 引用。
② 编译 wiki：LLM 增量式把 raw/ 编译成目录结构下的 .md 文件集合——含所有数据摘要、反向链接，并归类成概念、撰写条目、互相链接。wiki 里的数据几乎全由 LLM 维护，本人很少手动改。
③ IDE：用 Obsidian 当"前端"，查看 raw 数据、编译后的 wiki 和派生可视化。
④ Q&A：wiki 够大后（比如他的研究主题约 100 篇文章、40 万字），可以让 LLM agent 基于 wiki 回答各种复杂问题。他原本以为要用花哨的 RAG，结果 LLM 自动维护索引和摘要，小规模下直接读关联数据就够用了。
⑤ 输出 & 归档：答案不只返回文本，LLM 会渲染成 markdown 文件、幻灯片（Marp）或 matplotlib 图片，看完再"归档"回 wiki 增强后续查询——每次探索都会积累进知识库。
Karpathy 还会跑 LLM 对 wiki 做"健康检查"：找不一致数据、用联网搜索补全缺失信息、发现可写新条目的关联，增量清理、提升数据完整性。另外他"vibe coding"了一个轻量自建搜索引擎，既自己用，也作为 CLI 工具交给 LLM 应对更大查询。
这是三条里最适合照抄落地的一条。投入产出比极高——不需要复杂 RAG 架构，Obsidian + 现代 LLM 就够跑通。
关键洞察是"知识也值得被编译"：像代码要编译一样，散落的资料经 LLM 结构化后，检索和推理效率都上一个台阶，且持续累积。
对国内用户：这思路可复用到任何笔记/科研/项目资料管理场景，值得收藏实践。