定义¶

由 Andrej Karpathy 提出的知识管理范式。核心思想：用 LLM 维护一个持久化的、编译式的 Wiki 作为中间知识层，替代传统 RAG 的"每次查询都从零开始"模式。

关键要点¶

• 三层架构：Raw Sources（不可变原始素材）→ Wiki（LLM 维护的 Markdown）→ Schema（规则配置）
• 三个操作：Ingest（摄取）、Query（查询）、Lint（审查）
• 核心洞察："维护知识库最繁琐的部分不是阅读或思考——而是记账。" LLM 擅长的正是这种机械性维护工作
• 知识具有复利效应：每次摄取都在已有知识上叠加，而非重新发现
• 甜蜜区在 50-200 条目，超过 200 条目后需要更复杂的工程（分层记忆、冲突检测）

同源模式：PDF2GAME（结构化提取另一应用）¶

腾讯研究院 2026-04 vibe coding 游戏长文（→ vibe-coding-creator-motives）介绍了 PDF2GAME 开源工具链：

上传图书 → 大模型提取全文 → 结构化为人物/地点/事件等实体 → 衍生互动游戏

原型基于江户川乱步《诡计集成》。案例《大明王朝》中玩家可选择扮演嘉靖年间多位历史人物，每个属性值由 AI 结合文本得出，与角色选项相关（高智力角色破局更合理，低武力角色更需要保护）。

这与 LLM Wiki 模式同源——都是把非结构化文本（书 / 笔记 / 文章）"编译"为结构化中间层，再在中间层之上做应用：

两者验证了"raw → 结构化中间层 → 应用"是 LLM 时代处理非结构化文本的通用范式，应用方向各异（知识管理 vs 互动叙事 vs 推理 vs 决策），但中间层模式同构。

相关概念¶

• rag
• 知识复利
• 人机协作
• auto-dream
• vibe-coding-creator-motives — PDF2GAME 是同源模式（结构化提取的另一应用方向）