我用 WorkBuddy + Obsidian 搭建 Karpathy 同款知识库，让知识产生复利
这篇文章讲如何用 WorkBuddy 和 Obsidian，按照 Andrej Karpathy 的 LLM Wiki 思路，把采集、提炼、查询、维护和自动化串成一套能持续积累的个人知识库。
你上次用心做笔记，是什么时候？
会议纪要和应付差事的文档不算。我说的是那种一笔一划、生怕漏掉什么的笔记。
我猜很多人的答案和我一样，是高中。
工作这些年，我写过的材料摞起来比高中笔记厚十倍，但我心里清楚，那不是一回事。
高中时你认真记笔记，是因为有一场考试在等你。每个知识点都有去处，它们会在某张试卷上和你重逢。
工作之后，学习只为解决眼前的问题。
问题解决了，你在心里打上一个记号：这类事我处理过了。下次遇到类似的问题，凭记号找回一点点印象，然后还要再重新查一遍。
十年下来，你攒了一堆记号。
这也是为什么有人会说：有些人不是有了十年经验，而是把一年的经验用了十年。
但这不怪你。
笔记记下来容易，维护起来要命。
归档、整理、把新旧知识串起来，这活儿枯燥费时，回报又要几年后才见到，换谁都会放弃。
我也不例外。
你每天只有 24 枚硬币
我一直在用一个很简单的模型理解时间。
每个人每天都有 24 枚硬币，1 枚就是 1 个小时。
你必须支付 8 枚给睡眠，4 枚给生活和处理人际关系，如果你只需要 8 枚就能换回生活成本，那么恭喜你，还剩 4 枚供你自由支配。
大多数人的这 4 枚，刷视频、打游戏，一下就花完了。
明天又重新来一遍，账户余额永远是零。
想让明天的自己比今天更值钱，必须得让其中 1 枚停止消费，开始投资。
知识库改写的正是这本账。
每天拿 1 枚投进去，把读到的好文章、冒出来的好想法存进去，它从此开始计息。
你今天存的东西，会在三个月后写方案时、半年后做决策时、一年后提交晋升时，连本带利地托举你。
它还会反过来帮你“省钱”。
查资料、整理素材、翻旧文档，这些重复劳动本来要抢走你的硬币，现在 AI 几分钟搞定，每天至少能帮你省回 1 枚。
这 1 枚，就是凭空多出来的本金。
最关键的一步，是把省出来的这 1 枚再投回去。你投 1 枚，省回 1 枚。再投 2 枚，省回更多。当飞轮转起来的那一刻，就是你增长的开始。
这就是知识银行。
存进去的每一条知识都会产生复利，搭好它，你就从使用 AI 的人变成了拥有 AI 资产的人。
凭什么会产生复利？
动手之前得先回答一个问题：凭什么说知识库会产生复利，而你现在用 AI 的方式不会？
看两个场景。
场景一，你把一份行业报告丢给 AI，问了几个问题，得到几个不错的回答，关掉窗口。下周想起这份报告，只能重新上传、重新提问。AI 每次都把你的文件从头翻一遍，答完就忘。你问了一百次，它替你留下的积累仍然是零。
场景二，你把同一份报告存进知识库。AI 读完，把要点归档到对应条目。发现它和你上个月存的一篇文章观点冲突，标注出来。发现它印证了你半年前的一个判断，补上一条引用。下一份材料进来，这个场景再次走一遍。你的知识库像一座只为你服务的维基百科，每存一份材料，整座百科都更新一次。
前者每次从零开始，后者在昨天的基础上持续升值。
这就是消费和复利的差别。
这么好的东西，为什么以前没人这么干？
当然有人干过，但是录入、归档、交叉引用这些工作太繁杂，产生的价值肉眼难辨，能坚持熬过三个月的人寥寥无几。
而 AI 天生就适合干这个。
不知疲倦，也不嫌枯燥。相比于你亲自来做，它的成本近乎为零。
当维护一个知识库的成本远低于它产生的价值时，这门生意想不做都难。
所以，现在就是重新认真记笔记的最好时机。
这套思路从哪里来？
这套方法受到 Andrej Karpathy 的 LLM Wiki 构想启发。让 AI 承受知识库最繁杂的部分，而你做其中最有意思的部分。
我照着这个思路，用 Obsidian 做可视化和阅读，用 WorkBuddy 做执行，把它改成了一套适合自己日常使用的知识系统。
如果你想直接看成果，在公众号发送 llm-wiki 领全流程资料。
但我更希望你把这篇文章看完。
同类教程都在给你一条捷径。你拿来就用，用个两天可能一辈子都不会再瞅一眼。
因为那是别人的知识系统。
我想给你一个开始的理由，和每一步同 AI 沟通的方法，好让你把它改成只属于你的样子。
毕竟，只有适合自己的，才是最好的。
初始化项目
首先在 Obsidian 里新建一个仓库。
再打开 WorkBuddy 新建一个会话，工作空间选择刚刚创建的仓库文件夹。
这样两边都盯着同一堆文件，Obsidian 负责看，WorkBuddy 负责干活。
为了避免 AI 误删你的内容，建议用 Git 管理这个知识库项目，出了问题随时回滚。
编写 AGENTS.md 文件
AGENTS.md 是整个知识库的灵魂。WorkBuddy 每次启动任务，都会先加载这份文件，再按里面的规矩干活。
它要写清四类事。
一是目标。
围绕让知识产生复利这一目标来构建知识系统。它会把不断流入的原始资源逐步提炼成持久化、可审计、相互链接的知识资产，让每一次存入和每一次提问都能沉淀下来。
二是分工。
你负责提供材料、选方向、做判断和最终拍板，AI 负责采集、整理、提炼、巡检这些繁琐工作。
三是地盘。
项目的根目录中只放规则、索引和日志文件。将采集、存入的素材放进原始资源层，将提炼后的知识存进知识资产层。
四是规矩。
命名、链接、来源怎么写，冲突和过时内容怎么处理，存入、提炼、查询、维护和巡检四类任务的边界在哪，交付前要过哪些自查。
不过别照抄我的文件。先让 AI 采访你：
我要根据 Andrej Karpathy 的 [llm-wiki](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) 思路搭建个人知识库。
动手之前，请先采访我：我的职业、关注的领域、正在做的事、未来一年想积累什么。一次只问一个问题，问题之间相互关联。每个问题要有选项供我选择，我也可以根据我的实际情况回答，最多提 10 个问题。
然后，再根据我的回答生成 AGENTS.md 草案，并搭出目录骨架。沟通技巧在一次只问一个问题。你一口气自我介绍五百字，AI 只能抓到表面。而逼它追问，它才挖得出你自己都没意识到的需求。
十个回合之后，你会得到一份更贴合你实际需求的规则文件，和一副自动搭好的骨架。后面有新的需求，再慢慢调整，让它与你共同成长。
采集与存入
向知识库投喂有两条路，自动采集和手动存入。
手动这条路适合电脑上的零星阅读。装一个 Obsidian Web Clipper 浏览器插件，看到好文章点一下，网页就变成 Markdown 格式的内容复制到剪切板里。
采集这条路交给 WorkBuddy 执行。
把链接直接丢给它，它会按 AGENTS.md 的规则抓取数据、整理成结构化内容、补全来源和时间，再登记进索引。
麻烦的是链接来源五花八门，视频、播客、小红书各有各的脾气。你可以使用这些平台的 CLI 工具、开源的现成采集方案，或者自己写 RPA 脚本。
你只需要遵循一条原则：只收高质量的内容，宁缺毋滥。原始材料的质量决定整个知识库的质量，错误的内容会导致在对话时得到错误的回复。
采集或存入完成后，你还可以要求 AI 为你出具一份报告。
提炼
采集或存入完成后，我们就可以进入提炼环节。
日常用起来只需要一句话：
提炼近期新增的内容。
WorkBuddy 就会根据 AGENTS.md 写入的规则，阅读知识库里新增的原始资料，提炼出对应的知识点，并为每个知识点创建资产页面。
你不用担心这些文件散乱没有支撑，它们会通过 Obsidian 双向链接相互关联。
等你存上十几篇内容后，再打开 Obsidian 的关系图谱。你会看到知识连成一片网，而这张网是随你每一次采集、存入、提炼编织起来的。
查询
在你存入第一份素材后，你就可以向 WorkBuddy 提相关问题了。它会根据你在知识库中沉淀下来的知识进行综合回答。
帮助我梳理 Karpathy 的 LLM Wiki 搭建思路。
WorkBuddy 会根据 AGENTS.md 的规则采用渐进式加载对应内容。先读取索引文件，锁定相关知识页面后，再去细读。在必要时候才加载原始资源，不会一上来就加载整个知识库。
对于对话中产生的高价值判断，AI 会标记成候选内容。你需要随时都可以回填进知识资产里，让整个系统陪你一起成长。
维护与巡检
在使用过程中，AI 难免出错。如果断掉的链接、重复的概念页、张冠李戴的引用、被新材料悄悄推翻的旧结论都丢着不管，知识库就会越用越乱，最终无法使用。
你可以在 WorkBuddy 中启动新对话：
维护知识库。
也可以使用 WorkBuddy 的定时任务，每隔一段时间进行健康检查。
这是整个流程里最繁杂的部分，所幸有 AI 帮助你完成。
自动化
前面每一步，都能交给 WorkBuddy 的定时任务。
我设了三条循环：
- 每天晚上把当天热点采集进库；
- 每天早上结合库里的积累与昨天的热点，生成三条选题候选。
- 每周日跑一次巡检；
你睡觉的时候，它能不停为你工作。你醒来时，最感兴趣的内容已经呈到你的面前。
知识库的终极形态
最后，聊点比操作更远的。
都说 AI 时代的护城河是个人知识储备，我同意，但我对储备的理解和传统观念不一样。
传统观念里深度压倒一切，挖一口深井可以吃一辈子。
可现在 AI 能用极小的代价，把你在任何领域的深度迅速拔高。深度依然重要，但先铺开广度、再让 AI 去补深度，是普通人打出差异化最快的一条路。
最后
文章到这就结束了，但我想给你留一个动作。
你今天读的这篇文章，可以是你知识库收下的第一份材料。
别只点收藏。
收藏夹里的文章，和你当年打的那些记号没有区别。
现在就去初始化项目，让 AI 采访你，写出第一版 AGENTS.md，然后把这篇文章采集进去。
别追求一步到位。先挑一个小主题，把采集、提炼、查询、巡检整条流程跑通，再慢慢往外扩展。
在 7 月我会深耕“AI + 自媒体”，每周一篇干货教程，外加几篇我自己思考的深度长文。
怎么让知识持续产生复利，我们慢慢聊。