https://v.douyin.com/FNlCHl5dSoY/
一、问题的本质：大模型是临时工，不是管家
大家都觉得把一堆资料丢给大模型处理很高效，但卡帕西（Andrej Karpathy）在他那篇全网 2000 万阅读的推文里一针见血地指出：这其实是零积累的重复劳动。
为什么？因为你每一次对新资料提问，它都要从零开始重新搜索一遍所有文档。你的知识库越来越庞大，但大模型始终是个”临时工”——每次对话结束，什么都没留下。
卡帕西认为，个人知识库的终极形态，是**把大模型变成一个全职的”知识库管家”**。每当你存入一个新信息源，大模型会自动帮你整理、关联和更新所有相关笔记，把原本杂乱的知识库改造成一个能自动成长、持续产生知识复利的”第二大脑”。
二、三层架构：代码仓库怎么管，知识库就怎么管
学习新知识的过程可以拆解为三个环节：输入 → 内化 → 输出。这套知识库系统恰好用三层架构支撑这三个环节：
| 层级 | 对应环节 | 说明 |
|---|---|---|
| Raw 文件夹 | 输入 | 存放最原始的数据材料，文章、视频、播客，直接丢进去 |
| 规则层 + Wiki 层 | 内化 | 规则层告诉 AI 如何理解你的知识库（目录结构、工作流）；Wiki 层是 AI 自动维护的索引，精准定位知识 |
| 输出层 | 输出 | 基于知识库以多种形式输出内容 |
最精妙的设计在于闭环：如果 AI 给出了一个高质量的回答，你可以直接把它丢回 Raw 文件夹作为新的输入。 知识库形成不断自我强化的正循环。
用程序员熟悉的类比：Raw 目录就是 src 源码，大模型是编译器，Wiki 是构建产物。 代码仓库怎么管，知识库就怎么管。
三、五分钟实操：Obsidian + Claude Code
搭建这个系统只需要两个工具：
- Obsidian：作为知识库的 IDE，管理 Markdown 文件和双向链接
- AI Agent（以 Claude Code 为例）：作为智能编译器，自动整理和关联知识
步骤 1：初始化目录
复制卡帕西给出的大纲内容，在终端输入提示词，AI 自动创建好目录结构并给出使用提示。
步骤 2：数据采集
直接把视频链接丢给 AI，它会自动提取转写内容并存入知识库。如果是网页文章，推荐 Obsidian 的网页剪藏插件，一键保存到本地。
步骤 3：自动关联与整理
这是最关键的步骤。 大模型检测到新增内容后，自动读取原材料、提取核心概念、建立双向链接。点进任何一个知识点，文章里的每个链接都能链到另一篇文章——知识网络就这样自动生长出来了。
四、核心规范文件：claw.md
AI 怎么知道该提取哪些概念、用什么格式组织？初始化时生成的 claw.md 文件就是这套规范的核心。里面包含：
- 三层架构说明：Raw → Rules → Wiki
- 项目目录结构：每个文件夹的用途
- 工作流程规范：大模型严格按流程执行
最关键的一点：增量处理。 每次有新输入进来，AI 不会全量更新知识库，而是只处理新增内容，同时翻阅已有 Wiki 看是否有可以关联的已有概念。这意味着——知识处理过一遍，就变成永久资产。
五、提问与溯源：增强版 NotebookLM
知识存进去了，规则也有了，就可以直接向大模型提问了。比如问”什么是 AI Agent”，它不会去网上搜索，而是直接从 Wiki 目录中提取答案，并带着完整的引用链。
每个词条都标注了来自哪篇原始材料，点进去就能溯源。这就像是增强版的 NotebookLM——你拥有的不是一次性的问答，而是一个可溯源、可迭代、能自我成长的知识网络。
学习完成后，还可以让大模型根据知识库输出不同格式的内容，完成输出闭环。
六、知识复利的本质
绝大多数人用 AI 处理知识的方式是：问一次、答一次、扔一次。每次对话结束，什么都没留下。
这套工作流做了一件根本性不同的事：让每一次提问的结果，都沉淀为下一次提问的基础。
知识复利不是什么玄学概念，它是一个实实在在的工程问题：
- 你的知识是源代码
- 大模型是帮你整理和关联这些知识的编译器
- Wiki 是构建出来的产物
当你把第一份材料丢进知识库的那一刻，你的第二大脑就开始运转了。
核心工具链：Obsidian（知识库 IDE）+ Claude Code（AI Agent 编译器）+ claw.md（规范文件）
核心原则：增量处理、自动关联、双向链接、形成闭环