学了不忘，忘了能查：超级学习 Skill + LLM Wiki 双引擎学习系统

“Obsidian 是 IDELLM 是程序员Wiki 是代码库。” —— Andrej Karpathy0.1 为什么需要这篇文章传统的笔记工具Notion、OneNote、甚至 Obsidian 本身有一个共同问题你写了笔记但很少回头读。笔记越积越多检索越来越难最终变成一个写完就忘的信息坟场。2026 年 4 月Andrej KarpathyOpenAI 联合创始人、前 Tesla AI 总监发布了一个一页纸的设计模式彻底改变了这个局面。他的核心洞察是不要在查询时检索而是在摄入时编译。这篇文章将手把手教你理解 Karpathy LLM Wiki 的核心理念在 Obsidian 中安装和配置插件掌握 Ingest → Query → Lint 三大工作流避开常见的坑和注意事项与「超级学习 Skill」配合使用实现「学了不忘忘了能查」0.2 核心理念为什么不是 RAG0.2.1 RAG 的问题大多数 AI 知识库用的是 RAG检索增强生成用户提问 → 搜索相似文档 → 拼接上下文 → LLM 生成答案问题是每次查询都重新检索没有积累没有交叉引用知识是孤立的没有矛盾检测新旧信息可能冲突没有综合过程答案是拼凑的而非理解的0.2.2 LLM Wiki 的做法Karpathy 的模式完全不同新来源 → LLM 读取 → 提取实体/概念 → 创建/更新 wiki 页面 → 建立交叉引用 用户提问 → 读取 wiki 页面 → 综合答案 → 好的答案存回 wiki关键区别知识被编译一次然后持续维护而不是每次查询时重新推导。0.2.3 三层架构Karpathy 的设计模式定义了三个层次vault/ ├── sources/ # L1: 不可变原始资料你维护LLM 只读 ├── wiki/ # L2: LLM 编写的合成知识LLM 维护你审核 │ ├── entities/ # 命名事物人、组织、项目、产品 │ ├── concepts/ # 主题、方法、定义、研究领域 │ ├── summaries/ # 论文/文章/演讲的摘要 │ ├── comparisons/ # 对比分析页面 │ ├── claims/ # 带证据的明确主张 │ ├── contradictions/ # 矛盾记录页面 │ ├── open-questions/ # 未解决的问题 │ ├── index.md # 内容导向的目录索引 │ └── log.md # 时间线操作日志 └── CLAUDE.md # L3: Schema 层——定义 LLM 行为规范核心原则sources/中的原始资料永不修改wiki/中的所有页面由 LLM 创建和维护你负责提供来源、探索方向、提出正确的问题LLM 负责摘要、交叉引用、归档和簿记0.3 安装与配置0.3.1 安装插件打开 Obsidian → 设置 → 第三方插件 → 关闭安全模式点击「浏览」→ 搜索Karpathy LLM Wiki点击安装 → 启用0.3.2 配置 LLM Provider这是最关键的一步——插件需要一个 LLM 来执行提取工作。打开设置 → Karpathy LLM Wiki → LLM Provider选择 Provider推荐 DeepSeek 或 GLM国内访问稳定输入 API Key选择模型推荐glm-4.7-flash或deepseek-chat点击Test Connection— 必须显示 ✅点击Save Settings注意API Key 需要付费。每次 Ingest 一个文件约消耗 0.01-0.1 元取决于文件长度和模型选择。0.3.3 配置 Wiki 语言打开设置 → Karpathy LLM Wiki → Wiki Language选择Chinese (中文)点击Recreate Wiki Welcome Note重新生成中文欢迎页0.3.4 验证安装从命令面板运行CtrlP→Karpathy LLM Wiki: Recreate Wiki Welcome Note。如果生成了中文欢迎页说明安装成功。0.4 三大工作流0.4.1 Ingest摄入—— 把知识喂给 Wiki这是最核心的操作。每当你有新的来源笔记、论文、网页用 Ingest 把它编译进 wiki。操作步骤CtrlP→Karpathy LLM Wiki: Ingest multiple files勾选要摄入的笔记点击Add to queue等待完成每个文件约 10-60 秒Ingest 内部发生了什么LLM 读取源文件 → 识别实体人、组织、产品、项目 → 识别概念方法、理论、领域 → 生成/更新 entities/ 页面 → 生成/更新 concepts/ 页面 → 生成 sources/ 页面锚点 → 建立交叉引用 → 更新 index.md → 追加 log.md一次 Ingest 可能影响 10-15 个 wiki 页面。这就是为什么人工维护几乎不可能但 LLM 可以轻松完成。0.4.2 Query查询—— 从 Wiki 中获取答案配置好 LLM 后你可以用自然语言对 wiki 内容提问。操作步骤CtrlP→Karpathy LLM Wiki: Query Wiki在右侧聊天面板输入问题LLM 读取相关 wiki 页面综合给出带引用的答案Query 的优势答案来自你的 wiki不是 LLM 的训练数据每个结论都有来源引用可以追溯好的答案可以存回 wiki 作为新页面示例问题“我的 wiki 中关于XXX的研究有哪些”“Obsidian 和 Onenote 有什么区别”“黄仁勋在演讲中说了什么关于 AI 工具的内容”0.4.3 Lint维护—— 保持 Wiki 健康当 wiki 页面达到 30 时定期运行 Lint 检查。操作步骤CtrlP→Karpathy LLM Wiki: Lint wiki查看报告处理发现的问题Lint 检查内容断裂的 wikilink孤立页面没有入站链接重复页面矛盾信息过时的声明0.5 页面类型详解0.5.1 Entity 页面实体命名的事物人物、组织、项目、产品。示例entities/黄仁勋.md---type:entitycreated:2026-07-10tags:[person]aliases:[Jensen Huang]---# 黄仁勋## 描述NVIDIA 创始人兼 CEO推动了 GPU 计算和 AI 革命。## 相关实体-[[entities/google-gemini|Google Gemini]]## 相关概念-[[concepts/深度学习|深度学习]]## 来源提及-AI 工具的使用分为三个层次 —[[sources/黄仁勋2026卡耐基梅隆大学演讲]]0.5.2 Concept 页面概念主题、方法、定义、研究领域。示例concepts/数字孪生.md---type:conceptcreated:2026-07-10tags:[method]aliases:[Digital Twin]---# 数字孪生## 定义物理系统的高保真数字副本实时反映物理状态。## 关键特征-实时数据同步-物理模型驱动-可用于预测和优化## 相关概念-[[concepts/数值模拟|数值模拟]]## 相关实体-[[entities/工厂数字孪生|工厂数字孪生]]0.5.3 Summary 页面摘要对论文、文章、演讲的结构化摘要。0.5.4 Comparison 页面对比对两种或多种事物的系统性对比。0.5.5 Claim 页面主张带有明确证据的断言标注置信度high/medium/low。0.5.6 Contradiction 页面矛盾记录不同来源之间的冲突信息等待人工裁决。0.5.7 Open Question 页面开放问题尚未解决的问题或需要进一步探索的方向。0.6 注意事项与常见坑0.6.1 命名规范最容易出错英文名一律小写 连字符✅ vibe-coding ❌ Vibe Coding ❌ vibe_coding中文名不加空格必要时用连字符分隔后缀✅ 双流体模型-tfm ❌ 双流体模型 TFMWiki-link 格式✅ [[concepts/vibe-coding|Vibe Coding]] ❌ [[concepts/Vibe Coding]] ❌ [[concepts/vibe-coding\|Vibe Coding]]0.6.2 Sources 是锚点所有 Entity/Concept 页面的引用最终都指向 Source 页面再通过source_file字段指向原文件。不要跳过 Source 页面直接引用原始文件。0.6.3 双向链接很重要创建新页面后检查是否应该链接到已有页面。精心策划的 wikilink 图谱是 wiki 的搜索索引——插件用图谱而非向量嵌入进行查询检索。0.6.4 Mentions in Source 要精确引用时必须使用原文摘录不要意译或翻译。格式原文引用 — [[sources/xxx|来源名称]]0.6.5 不要手动修改 sources/sources/中的原始资料是不可变的。所有修改在wiki/中进行。0.6.6 LLM 配置建议场景推荐模型原因日常 Ingestdeepseek-chat便宜、快、中文好复杂论文deepseek-V4-pro理解力强Query 查询glm-4.7-flash响应快0.6.7 API 费用控制一次 Ingest 一个文件约 0.01-0.1 元批量 Ingest 前先用小文件测试可以先手动阅读只对重要来源使用 Ingest0.7 进阶用法0.7.1 手动创建页面不依赖插件 Ingest你也可以手动创建 Entity/Concept 页面在wiki/entities/或wiki/concepts/下新建.md文件按照模板添加 frontmatter 和章节手动添加与其他页面的交叉引用更新index.md0.7.2 批量摄入如果你有一批结构相似的笔记如每日日记、实验记录可以用Ingest from folder一次性摄入整个文件夹。0.7.3 交叉引用优化定期检查 wiki 中的交叉引用完整性请检查 wiki 中所有 Entity 和 Concept 页面找出应该相互链接但还没有链接的页面0.7.4 与 Git 版本控制结合wiki/ 目录可以纳入 Git 版本控制追踪知识的演变历史。这在研究项目中特别有用——你可以看到某个概念的认知是如何随时间变化的。0.8 与超级学习 Skill 的配合使用0.8.1 两个工具的本质区别Karpathy LLM Wiki超级学习 Skill本质知识管理工具存笔记学习方法论教你学做什么读→提取→归档→索引→查询诊断→拆解→费曼循环→练习→复习→输出谁在工作LLM 做簿记工作LLM 做教练工作产出wiki 页面、索引、日志理解、记忆、能力核心问题“我知道什么”“我理解了吗”0.8.2 最佳实践学了不忘忘了能查场景 1学习新知识后归档1. 用「超级学习 Skill」学习主题 启动超级学习 Skill我要学习【XXX 数值模拟方法】 → 费曼循环、主动回忆、刻意练习 → 你真正理解了 2. 用「LLM Wiki」归档所学 请把刚才学到的 数值模拟方法知识整理到 wiki 中 → 生成 concepts/cfd.md → 更新相关实体和概念的交叉引用 → 知识持久化到 wiki场景 2先 ingest 再深入学习1. 用「LLM Wiki」Ingest 一篇论文 请 ingest 这篇关于 人工智能 的论文到 wiki → 生成 summaries/AI.md 2. 用「超级学习 Skill」深入理解 现在用超级学习 skill 帮我深入理解这篇论文的核心方法 → 费曼循环、主动回忆、刻意练习 → 你真正理解了场景 3复习时查 wiki1. 间隔复习时先用「超级学习 Skill」测试自己 测试我关于XXX模型的知识 → LLM 出题你回答 2. 答错时用「LLM Wiki」补充 请查询 wiki 中关于XXX的内容 → 读取 wiki 页面重新理解0.8.3 一个完整的学习周期┌─────────────────────────────────────────────────┐ │ Day 1: 学习新知识 │ │ 启动超级学习 Skill我要学习【主题】 │ │ → 费曼循环 刻意练习 │ │ → 输出学习笔记 │ ├─────────────────────────────────────────────────┤ │ Day 1: 归档到 Wiki │ │ 请把学习笔记整理到 wiki │ │ → Ingest 生成 wiki 页面 │ │ → 建立交叉引用 │ ├─────────────────────────────────────────────────┤ │ Day 2, 4, 7, 14, 30: 间隔复习 │ │ 测试我关于【主题】的知识 │ │ → 主动回忆 错题本 │ │ → 遗忘时查询 wiki 补充 │ ├─────────────────────────────────────────────────┤ │ 长期: 知识在 Wiki 中持续积累 │ │ → 每次学习都让 wiki 更丰富 │ │ → 每次查询都基于已编译的知识 │ └─────────────────────────────────────────────────┘0.8.4 为什么这样配合有效超级学习 Skill解决了我理解了吗的问题——通过费曼循环、主动回忆、刻意练习LLM Wiki解决了我记得吗的问题——通过持久化存储、交叉引用、检索查询两者结合 理解 记忆 检索 真正的知识积累0.9 快速参考卡片0.9.1 常用命令操作快捷方式摄入多个文件CtrlP→Karpathy LLM Wiki: Ingest multiple files摄入单个文件CtrlP→Karpathy LLM Wiki: Ingest single source摄入整个文件夹CtrlP→Karpathy LLM Wiki: Ingest from folder查询 WikiCtrlP→Karpathy LLM Wiki: Query Wiki运行 LintCtrlP→Karpathy LLM Wiki: Lint wiki查看导入历史CtrlP→Karpathy LLM Wiki: View Ingestion History配置 LLM设置 → Karpathy LLM Wiki → LLM Provider0.9.2 文件结构速查vault/ ├── sources/ ← 不可变原始资料与 wiki 同级 ├── wiki/ │ ├── entities/ ← 人、组织、产品、项目 │ ├── concepts/ ← 方法、理论、领域 │ ├── summaries/ ← 论文/文章摘要 │ ├── comparisons/ ← 对比分析 │ ├── claims/ ← 带证据的主张 │ ├── contradictions/ ← 矛盾记录 │ ├── open-questions/ ← 开放问题 │ ├── sources/ ← 原始资料锚点wiki 内的引用页面非原始文件 │ ├── index.md ← 内容目录 │ └── log.md ← 操作日志 └── CLAUDE.md ← LLM 行为规范注意vault/sources/存放原始文件vault/wiki/sources/存放由 Ingest 生成的锚点页面两者不同。0.9.3 命名规范速查英文小写 连字符 → vibe-coding 中文无空格 → 双流体模型-tfm 链接[[entities/xxx|显示名称]]0.10 常见问题0.10.1 Q: Ingest 需要花很多钱吗一个普通笔记~2000 字约 0.01-0.05 元。一篇长论文约 0.1-0.5 元。建议先对少量重要文件使用 Ingest不要批量摄入所有笔记。0.10.2 Q: 可以不用 Ingest手动创建 wiki 页面吗可以。插件不是必须的——你可以手动创建 Entity/Concept 页面手动维护交叉引用。插件只是让这个过程自动化。0.10.3 Q: wiki 页面太多会不会很乱不会。index.md是内容目录log.md是操作日志wikilink 图谱是导航系统。三者配合即使有数百个页面也能有效管理。0.10.4 Q: 和 Notion 数据库有什么区别Notion 是结构化数据库适合管理任务和项目。LLM Wiki 是非结构化知识图谱适合管理理解和洞见。两者互补不冲突。0.10.5 Q: LLM 会不会产生错误信息会。这就是为什么有claims/标注置信度和contradictions/记录矛盾页面。LLM 负责提取和组织你负责审核和裁决。0.11 总结Karpathy LLM Wiki 的核心洞察是知识的瓶颈不是阅读或思考而是笔记。人类放弃维护知识库是因为维护成本增长快于价值增长。LLM 不会忘记更新交叉引用不会觉得维护无聊可以在一次操作中更新 15 个文件。搭配「超级学习 Skill」使用你得到的是一个完整的知识生命周期学习 → 理解 → 归档 → 积累 → 检索 → 复习 → 深化这不是又一个笔记工具——这是一个会自我维护的知识系统。参考资源Karpathy LLM Wiki 原始设计模式https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94fObsidian 插件仓库https://github.com/green-dalii/obsidian-llm-wiki超级学习 Skill 说明参考超级学习 Skill 文档个人开发的目前正在测试有需要的小伙伴可以私聊