用 AI 打造
有积累的知识库

基于卡帕西（Karpathy）方法的完整总结

核心导读

      一句话概括：让 AI 帮你维护一张结构化知识网络，每次提问、每篇新资料都在让网络更聪明，知识能持续积累和复利。
    

新旧方法对比

传统 AI 知识库

基于向量数据库。上传文件→切片→检索相关片段回答。每次问答从零开始，没有积累。

卡帕西的方法

AI 阅读提炼→构建结构化知识网络→关联交叉引用→好答案也存回网络。越来越懂你。

三层架构

原始资料层 仅用户可添加。文章、论文、博客等高质量信息源，内容不可修改。

知识网络层 AI 维护的结构化实体网络，包含概念、对比、来源等，自动交叉引用。

规则层（.claude.md） 你与 AI 共同定义的规则文件，决定仓库结构、命名规则、AI 工作流。

三个核心操作（闭环）

🔍 摄入

丢进新资料时，AI 阅读提炼，更新知识网络。

❓ 查询

提问时 AI 先读索引，再深入阅读相关页面。好答案可继续存回网络。

🔄 维护

定期让 AI 做健康检查：找矛盾、孤儿页面、缺失实体、过时信息。

为什么爆火？

把"书记员"工作交给 AI——整理结构化网络是枯燥且不易做的事，AI 能自动完成。

而人类只需要做两件事：提供好资料 和 提出好问题。

"如果你不在模型，那就在 harness。" ——Martin

实操演示要点

📌 搭建步骤

1. 让 AI 根据方法论文档建立文件夹结构和规则文件

2. 用插件（如 Web Clipper）一键保存文章为 Markdown

3. 逐篇让 AI 阅读并提炼，确认实体和概念

4. 定期做知识库健康检查

💡 亮点：AI 会自动发现关联

录入新文章时，AI 会主动告诉你它和知识网络里哪些概念有关联，甚至建议创建新概念并交叉引用。

适合 & 不适合场景

✅ 适合：专题研究与领域学习

核心建立在高质量信息源基础上（如博客、采访、论文）。这些内容发布后不再变动，非常适合建立知识网络。

❌ 不适合：个人碎片笔记

个人笔记内容碎片化、频繁修改、内容很杂（如红楼梦放进 AI 知识库无法关联）。这三种特征都不匹配该方法。

数据本地化管理

强烈建议：把数据放在本地。

· 个人数据自己掌控，可随时切换 AI 产品
· 高质量数据本身极稀缺，未来可训练自己的模型
· 本地 Markdown 是 AI 圈大趋势，无论模型如何升级都能被读取

行动建议

1. 选择一个专题领域，收集高质量资料

2. 用卡帕西方法搭建结构化知识库

3. 即使不用这套方法，也建议将云端数据迁移到本地管理

用 AI 打造有积累的知识库