别再吹 RAG 了！Karpathy 的"第二大脑"才是 AI 的未来

#别再吹 RAG 了！Karpathy 的"第二大脑"才是 AI 的未来

Hello 大家好，我是老麦。

最近刷到 AI 大神 Andrej Karpathy 发的一个新项目，看完我愣了好几秒。

他说了一句话，老麦觉得特别扎心：现在大家都在吹的 RAG，可能根本不是 AI 应用的最优解。

取而代之的，是一种叫"LLM Wiki"的东西——让 AI 拥有一个真正能"记住东西"的第二大脑。

说实话，第一眼看到这四个字，我是有点不以为然的。

什么叫第二大脑？不就是个高级笔记软件吗？Notion 我也在用，Obsidian 也存了不少东西，感觉没那么玄乎啊。

直到认真研究了他的设计思路，才发现——我们之前折腾的那个"AI 知识库"，方向完全搞错了。

RAG 为什么会越来越慢？

图片

先简单科普一下 RAG 是什么。就是现在最常用的那套：往向量数据库里塞文档，问问题时相似度匹配，context 里一塞，搞定。

但问题很快就来了。

你问 AI："我上周发的那篇稿子主要讲了什么？"

AI 一脸蒙——因为它是真的不记得你上周发了什么。每次对话都是全新的，它得从文档里重新理解一遍上下文。

一份报告被引用了三次，每次都要重新消化一遍。两个朋友讨论事情，AI 完全分不清谁是谁。文档格式不统一，搜出来的东西七零八落。

Karpathy 管这叫什么？"每次查询都在重新发明轮子。"

这个问题，我自己在用 AI 处理工作文档的时候感受特别深。同一个项目的东西问了 N 遍，AI 每次都跟第一次见一样，得重新交代背景，真的累。

他的解法是什么？

不是让 AI 更快地检索，而是让 AI 增量地建造一个真正属于自己的知识库。

这个知识库不是简单地把文档扔进去，而是一个活的、会自我进化的 wiki。AI 每读一篇新文章，不只是存档摘要，而是修改已有页面、补充交叉引用、更新过时内容。

就像一个永远不会累、不会忘、也不会偷懒的老编辑，在帮你持续维护一本百科全书。

具体怎么运作呢？他设计了三层：

图片

第一层，原始文档——只读不写，就扔在那里，告诉你"原件在这"。

第二层，Wiki——这是核心，AI 生成和维护的所有内容都在这里。它不是机械地存储，而是主动组织、关联、更新。

第三层，Schema——你可以理解为使用说明书，告诉 AI 怎么维护这个 wiki。

三层各司其职，干净利落。

三个核心操作，用谈恋爱类比保证你听懂

图片

第一个叫 Ingest，摄取——往系统里扔新资料。

你丢一篇新的文章给它，AI 会同时更新 10 到 15 个 wiki 页面。不只是新建，还会修改旧的、补充交叉引用、更新之前因为信息不足而写模糊的地方。

类比一下的话，这就像是高情商的对象——你说的每件事它不仅记住了，还主动串联到你俩之前的所有经历里，形成一张网。

第二个叫 Query，查询——问问题。

AI 直接在你的 wiki 里找答案，而不是每次都去搜索引擎翻。更绝的是，如果 AI 发现自己给的答案特别好，它会主动把这个回答归档成新页面，下次直接调取。

这就像你有个老朋友，你问他什么事，他不只是现想，而是翻出之前整理过的笔记，效率完全不一样。

第三个叫 Lint，检查——定期体检。

AI 自动检查矛盾内容、孤立页面、缺失的交叉引用。就像两个人在一起久了做"关系复盘"，发现认知不一致的地方及时修正，防止误会越积越深。

三个操作形成了一个闭环：摄入 → 查询 → 检查 → 再摄入。

五十年前的一个构想，被 AI 实现了

说到这里，老麦必须提一个让我特别感慨的彩蛋。

图片

Karpathy 提到了 Vannevar Bush——1945 年，这老哥就提出了一个疯狂的想法：人类需要一台"Memex"，一个个人管理的知识库，通过关联链条而不是层级分类来组织信息。

Bush 的想法超前了整整一代，《失控》的凯文·凯利后来说他是"网络思维"的先知。但 Bush 解决不了一个根本问题：谁来负责维护？

维护知识库这件事，耗时长、琐碎、重复，人来做太痛苦了。所以 Memex 只存在论文里，没有真正落地。

而现在，LLMs 恰好擅长做这件事——它们不厌倦、不遗忘、能一次操作修改 15 个文件。

知识管理的瓶颈从来不是"思考"，而是"记账"。

这句话看完我心里咯噔一下，确实是这么回事。

但这里有个坑，Token 成本是真实的

Wiki 越大，每次启动加载 index 文件的开销就越高。这不是玄学问题，是实实在在的钱的问题。

社区已经探索了几种解法：用 BM25 替代向量搜索，把大文件隔离在沙箱里，用"原始人"格式压缩文件，还有一个挺有意思的思路——维持双层会话摘要，一份精简版 markdown 加一份完整 JSONL，按需调用。

老麦自己的感受是，如果你只是个人用，规模不大，这个成本完全可以接受。但如果你是团队用，或者 wiki 打算长期积累，那在一开始就要想清楚存储和检索的架构。

但最重要的不是技术，是你自己的知识体系

说了这么多，可能有人要问了：老麦，这玩意儿跟我自己记笔记有什么区别？

说实话，如果你有极强的自律能力和整理能力，传统的笔记方法完全够用。

但问题就是，绝大多数人，包括我自己，坚持不下来。

记笔记最痛苦的不是"记"，而是"整理"。今天看了一篇文章，存了；下周再看一篇，发现跟之前的有关联，但懒得回去改；一个月后回头看，全是孤立的碎片，根本串不起来。

LLM Wiki 解决的就是这个问题——你只管往里扔，AI 帮你维护那张网。

你不需要完美整理，AI 会帮你补全关联。你不需要记住每篇文章讲了什么，AI 会帮你提炼成一张张可交叉引用的页面。

这种体验，老麦亲测下来，就一个字：爽。

就像你有个永不疲倦的私人助理，帮你把所有的信息都整理得服服帖帖。

老麦的灵魂总结：授人以鱼不如授人以渔，但 AI 直接给你一整套钓鱼系统

图片

最后说说我自己的思考。

Karpathy 这套方法，本质上解决的是一个问题：AI 如何真正成为个人知识的放大器，而不是一次性的问答机器。

现在大多数 AI 应用，都是"用完即走"的模式。你问它一个问题，它给你一个答案，结束。下一个问题，重新开始。

但人的知识是累积的，是需要不断生长和连接的。如果 AI 每次都在重新发明轮子，那它的价值就永远停留在"搜索引擎的替代品"这个层级。

LLM Wiki 让我看到了一种可能：AI 可以成为一个真正属于你自己的知识生态系统。

你喂它越多的内容，它就越懂你，越能帮你发现那些你自己都没注意到的关联。

就像一个老朋友，记得你说过的每一句话，还能帮你串起来，给你新的启发。

这种体验，很难用语言描述，但你一旦体会了，就回不去了。

好了，以上就是本期的全部内容。你有没有想过给自己的知识建一个"第二大脑"？或者你有什么维护个人知识库的好方法？欢迎在评论区跟老麦聊聊，我们下期见！