From d42e3d8c951e234b936a5173a583238e959869da Mon Sep 17 00:00:00 2001
From: JayWP <40882648+JayWP@users.noreply.github.com>
Date: Tue, 14 Apr 2026 10:43:04 +0800
Subject: [PATCH] Add AI knowledge management guide to README

Added comprehensive guide on knowledge management using AI and the LLM Wiki approach, including setup instructions and core operations.
---
 README.md | 214 ++++++++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 214 insertions(+)
 create mode 100644 README.md

diff --git a/README.md b/README.md
new file mode 100644
index 0000000..c0052cd
--- /dev/null
+++ b/README.md
@@ -0,0 +1,214 @@
+不是让你"更好地存资料"，是让知识自己长出来。
+
+先看看你是否也有这样的痛点：
+
+- 读了一堆文章，存进笔记软件，过三个月再找，完全不记得存过；
+    
+
+- 扔进去的时候以为"以后会用到"，实际上就是堆在那儿吃灰；
+    
+
+- 传统的知识管理是"仓库思维"——往里塞，塞完完事。
+    
+
+AI 来了之后，有人想了个办法：
+
+RAG，检索增强生成。
+
+你问问题，AI 从文档里找相关内容，拼一段答案给你。
+
+听起来解决了"找不到"的问题，对吧？
+
+但 RAG 有一个明显的缺陷——
+
+知识永远停在原始文档里，从来没有被提炼、交叉、升级。
+
+你问一次，它就临时找一次。
+
+第二次问同一个问题，它还是从零开始匹配。
+
+越长的项目，RAG 越不好用。
+
+ 因为中间过程的积累全都丢了。
+
+![图片](https://mmbiz.qpic.cn/mmbiz_png/0LiabQsR4ib6Rw4983zCI8UbFBnCxLGNrrxHYZm6Xr00nZ8Aic5ddAzqLzd0Htqia2icicrVibQVI3cd4nMBbVfFDqVlJnmZuxzb00bicmdxhtvIfsc/640?wx_fmt=png&from=appmsg&watermark=1&tp=webp&wxfrom=5&wx_lazy=1#imgIndex=0)
+
+  
+
+Karpathy 干了件什么事
+
+2026年4月，AI 大神 Andrej Karpathy 在 GitHub 发了一篇 LLM Wiki，把这个问题想清楚了。
+
+他没搞新模型，没搞新算法。
+
+他就做了一件事：
+
+把知识库从"临时检索"模式，变成"持续编译"模式。
+
+核心就三句话：
+
+- Raw（只读）：原始资料扔进去，AI 只能读，不能改
+    
+
+- Wiki（读写）：AI 主动提炼、总结、建立链接，每次问答都让知识变厚
+    
+
+- Schema（约束）：定好规则，AI 按规则更新，不乱来
+    
+
+![图片](https://mmbiz.qpic.cn/mmbiz_png/0LiabQsR4ib6T73T8iaZKAic2PZKZgapXxZ1arb0m1z6g0yOcm7RWhdsF3ibicZK4eNBCRHupI28oUpOic8eO0YBRniabk8oUFNNFpyfmbJ85a3iaNys/640?wx_fmt=png&from=appmsg&watermark=1&tp=webp&wxfrom=5&wx_lazy=1#imgIndex=1)
+
+简单说：
+
+RAG 是"一次性检索"，LLM Wiki 是"持续编译"。
+
+每次你问问题，答案写进 Wiki，知识就在那里累积。
+
+下次再问，AI 直接从已有的知识结构里调取，还能发现矛盾、发现关联——
+
+这是真正的复利。
+
+Karpathy 实测：在中等规模（约100个来源，数百页）下，这套方法比向量 RAG 好用得多。
+
+  
+
+我把这个方法做成了一个工具
+
+基于 Karpathy 的 LLM Wiki 理念，打造的一个skills，即插即用。
+
+工具栈：Obsidian + Git + AI Agent。
+
+这是我用的环境，也可以用到龙虾这些场景。
+
+核心架构（和 Karpathy 的 LLM Wiki 完全一致）：
+
+```
+知识库/
+```
+
+三条核心操作流：
+
+① 吸收（Ingest）
+
+新资料扔进 raw/，运行 
+
+/kb ingest，工具自动识别 PDF、Excel、图片（OCR）、Word，按类型提取文本，登记到索引。
+
+② 编译（Compile）
+
+运行 /kb compile，AI 读取原始资料，按 ONTOLOGY.md 的规则生成 wiki 文章。建立双链、交叉引用、更新索引。
+
+③ 查询（Query）
+
+问一个问题，运行 /kb query "你的问题"，AI 从 wiki 里找相关文章，合成答案，
+
+同时把这次问答的洞见回填进 Wiki。
+
+这就是复利的来源——
+
+每个问答都在让知识库变聪明。
+
+![图片](https://mmbiz.qpic.cn/mmbiz_png/0LiabQsR4ib6QxeOcwqMle8HOqIZKPv2fnVKa51HH27x66wMNqhlnEskdGcagV5BmDXYSpcLLOao5Sm8pLg4QgavVgGnfZZIvCPIpXCou0Vas/640?wx_fmt=png&from=appmsg&watermark=1&tp=webp&wxfrom=5&wx_lazy=1#imgIndex=2)
+
+  
+
+具体怎么用
+
+第一步：初始化
+
+在目标目录跑：/kb init [目录名]
+
+例如给外部文件夹建知识库：
+
+/kb init ~/my-research
+
+或在当前 vault 跑，它自动检测是否已有知识库，没有就新建全套目录结构。
+
+第二步：扔资料进去
+
+把 PDF、Excel、图片、Word 文件放进 raw/
+
+ 目录，运行：/kb ingest
+
+它会：自动识别文件类型，提取文本
+
+更新 RAW-REGISTRY.md（登记每份资料）
+
+报告处理结果
+
+第三步：编译成知识
+
+资料有了，运行：/kb compile
+
+AI 会：逐个读原始资料
+
+按 Ontology 规则生成 wiki 文章（概念页/来源页/对比页）
+
+用 [[双链]] 建立关联
+
+更新 MASTER-INDEX.md（全局索引）
+
+第四步：问问题
+
+/kb query "RAG 和 LLM Wiki 的核心区别是什么"
+
+AI 从 wiki 里找相关文章，分析、对比，输出报告到 output/analysis/。
+
+而且，报告里会有一条"回填建议"——告诉你在 Wiki 里新建或更新哪些文章，能让这次问答变成可积累的知识。
+
+第五步：回填（可选）
+
+/kb file [报告路径]
+
+把分析报告里的洞见落进 wiki，索引自动更新。
+
+![图片](https://mmbiz.qpic.cn/mmbiz_png/0LiabQsR4ib6RE6mLsD4IHfPuuHyIes6CotCEDJiadxQ8dwjuSwfRCRwNrF62lmrR8iaepOsQgVn9FJfyicNzmqX5cK0BuiafNkABkpeVialKwho7A/640?wx_fmt=png&from=appmsg&watermark=1&tp=webp&wxfrom=5&wx_lazy=1#imgIndex=3)
+
+维护：健康检查
+
+/kb lint
+
+跑六项检查：断链、孤岛、溯源、一致性、覆盖度、空白发现。像跑测试一样保证知识库健康。
+
+  
+
+这和 RAG 比，到底强在哪
+
+RAG 是"仓库"，kb 是"工厂"。
+
+仓库只进不出。
+
+工厂加工原料，产出半成品，再加工，再产出——每一轮都比上一轮更有价值。
+
+  
+
+适合谁用
+
+适合你如果：
+
+- 正在做 AI 落地咨询，有大量客户案例、行业资料要管理；
+    
+
+- 长期跟一个领域，需要持续积累、交叉比对；
+    
+
+- 想让 AI 不只是工具，而是真正的"第二大脑"。
+    
+
+暂时不适合：
+
+- 只是随手记笔记，不需要长期积累；
+    
+
+- 追求"存得快"，不在意"用得上"。
+    
+
+  
+
+工具获取
+
+完整的 /kb 命令工具已开源，地址：
+
+```
+👉 https://github.com/JayWP/wp-kb-vault
+```