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

“Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。” —— Andrej Karpathy

0.1 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 Karpathy（OpenAI 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：

1. 理解 Karpathy LLM Wiki 的核心理念
2. 在 Obsidian 中安装和配置插件
3. 掌握 Ingest → Query → Lint 三大工作流
4. 避开常见的坑和注意事项
5. 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 RAG？

0.2.1 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

1. 打开 Obsidian → 设置 → 第三方插件 → 关闭安全模式
2. 点击「浏览」→ 搜索Karpathy LLM Wiki
3. 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。

1. 打开设置 → Karpathy LLM Wiki → LLM Provider
2. 选择 Provider（推荐 DeepSeek 或 GLM，国内访问稳定）
3. 输入 API Key
4. 选择模型（推荐glm-4.7-flash或deepseek-chat）
5. 点击Test Connection— 必须显示 ✅
6. 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

1. 打开设置 → Karpathy LLM Wiki → Wiki Language
2. 选择Chinese (中文)
3. 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Ctrl+P→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：

1. Ctrl+P→Karpathy LLM Wiki: Ingest multiple files
2. 勾选要摄入的笔记
3. 点击Add to queue
4. 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：

1. Ctrl+P→Karpathy LLM Wiki: Query Wiki
2. 在右侧聊天面板输入问题
3. 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：

1. Ctrl+P→Karpathy LLM Wiki: Lint wiki
2. 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 TFM

Wiki-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

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 Ingest

0.7 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：

1. 在wiki/entities/或wiki/concepts/下新建.md文件
2. 按照模板添加 frontmatter 和章节
3. 手动添加与其他页面的交叉引用
4. 更新index.md

0.7.2 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

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 wiki

1. 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

0.9.2 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/442a6bf555914893e9891c11519de94f
• Obsidian 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）