Karpathy 把一份文档放到了 GitHub 上。2026 年 4 月 3 日，文件叫 llm-wiki。他写的是：别等提问时再去资料里翻，先让 AI 把你的东西整理成一本维基。
ChatGPT、Claude 读过很多书，没读过你的读书笔记、会议记录、公司文档。让它们回答「关于你的资料」的问题，现在最常见的办法是：先找到相关的几段，塞给模型，再让它根据这几段写答案。这套叫 RAG。开卷考试。每道题都重新翻书。
翻书可以很快。文档被切成小段，每段有一个意思坐标，存进柜子。你一提问，系统找出坐标最近的几张纸条。几百万份也不怕，每次只拿几张出来。
但它每回答一个问题，都要从零找一遍。没有积累，没有归纳。你问这五份报告对某个问题的看法有什么矛盾，它临时把碎片拼起来。明天再问，又从头拼一次。切段时如果刚好把一句关键的话切成两半，它可能找不到，也可能理解错。
多问一次，系统不会因此变聪明。
Karpathy 的 Wiki 是另一条路。原始资料扔进一个文件夹，AI 只读不改，原件留着。读完之后写成互相链接的页面，人物、概念、摘要，互相打架的说法提前标出来。再定期挑毛病：链接坏了、话题孤零零、引用过时、原件还没写进去。以前模型一次摊开看的内容太少，这事做不成。桌子从一张 A4 变成一张会议桌之后，一个人的知识库可以整本摊开，考前做笔记才变得可行。
这不是换一个笔记软件。Obsidian 是本子，双向链接能连成关系图。LLM Wiki 回答的是笔记由谁写、怎么写、怎么不过时。Karpathy 自己把原件放在 raw 文件夹里，AI 写出来的也是普通文字，正好能在 Obsidian 里打开。换成任何能看文字文件的工具都行。本子不是方法。
一个人几年的笔记、一个项目的全部资料，Wiki 吃得下。公司所有部门的文档、几万份合同，得靠 RAG。每天都有大量新文档进来，Wiki 每次都要重新整理，错也会往下传：AI 在自己写过的页面上继续写，早期一个错会被后面反复引用。原件要在。重要结论要能点回原文。
先问自己这一次是要查，还是要懂。查一个事实，比如去年那份合同的付款期限，把文件丢给 NotebookLM 或 ChatGPT 就够。要跨资料地懂，比如这十篇论文分成几派、互相有什么矛盾，让能读写文件的 Agent 去写 Wiki，比如 Claude Code、Cursor：建 raw 和 wiki 两个文件夹，写一份规矩，资料扔进去，对它说把新的整理进 wiki。人少、资料是个人量级、你愿意打开来改，走笔记。人多、要权限、资料在海量更新，走翻书。
RAG 把知识当成仓库里的货，要用时去取。Wiki 把知识当成会生长的笔记。别先问上哪套系统。先问：我是想查，还是想懂。