LLM Wiki 架构模式

方法与适用范围

Karpathy 的 LLM Wiki 是一种可裁剪的个人知识库工作方式：原始资料保留，分析沉淀到相互关联的 Markdown 页面，用操作规范约束维护；有价值的问答可以保存，定期检查矛盾、过时内容与缺口。这是转述，不是作者的中文直接引语。

原文的“一个来源可能涉及10—15页”是示例，不是每次更新数量要求；工具也是可选项。原文没有把 mini、nano 定义为知识库功能。本项目将“精简”作为工程约束，不能把它说成 Karpathy 的正式规格。

MikeKB 如何使用这些原则

以下是本项目的工作约定，不代表 Karpathy 原话。按使用维护的入口和当前边界见本页新增说明；未验证部分不因流程存在而视为完成。

  • **保留来源身份。** 既有案件分析、计划、用户确认和未核事项分开记录；写入 Wiki 不改变其证据身份。优先复用已有成果，需要时才回原件，流程见../03-法律AI应用/AI辅助法律研究。
  • **减少重复部件。** 原始资料、现有 Wiki、索引及历史继续保留。原始资料由已授权的knowledge_capture采集器在配置范围内自动留存；不重复启动采集器或迁移，不恢复旧小时模型任务。自动留存不等于已经分析或审核。历史ACTIVE记录不代表当前运行状态。
  • **纠正要能迁移。** 保存原失败及纠正依据；验证原题之后，再用未参与修订的新问题与边界反例检验。怎样区分一次改对和可复用改进，见../03-法律AI应用/问答反馈修订与复验的证据边界。
  • **关联要有用途。** 目录链接帮助发现页面，正文关联解释两页为什么一起使用。不能靠挂目录链接、删除有价值的孤页或强行添加无关链接来宣称消除知识缺口。合理独立的页面可以保留，并说明原因。
  • **更新看依据。** 来源版本变化、用户纠正、到期复查分别触发核查。文件哈希不变只表示字节未变；外部依据仍可能变化。复查失败保留待核及原因，不能只刷新 updated 日期。

    • 当前采用按使用维护（2026-09-24）

    Mike明确选择保持小时任务暂停，不要求模型全天运行。9月16日23:50的ACTIVE记录是历史；同日23:58用户已要求暂停，不能据旧记录恢复。知识分析与审核采用[按使用维护流程](../../docs/知识库按使用维护.md)，不增加每周模型巡检。后续授权的原始资料自动采集是独立流程。

    1. 提问时先找已有成果，来源包附核心页明确到期事项和选中页状态；与本题有关的过时依据或冲突先核，无关到期项集中列出，不替换用户的问题。

    2. 完成有新增复用价值的分析后，保存固定分析与依据，优先补到已有相关页；经不同Codex执行者审核才写回，保留旧版、来源和用途明确的关联，再检索复验。

    3. 用户纠正先固定原话、核依据；意见不自动变事实。确认后修订，并验证原题、新题和边界问题，不能只在聊天中承诺记住。

    4. 新材料只处理当前明确提供的文件和相关目标。指纹比较能提示字节改变，但相同hash不证明已完成分析；原事项曾缺资料也要按本次新依据重新评估。

    5. 明确复查日期在下次使用时检查；没设日期不等于永不过时，资料不足不能只把日期往后推。

    现有codex_knowledge_session.py提供按需检查、固定候选、审核后写回和导航恢复入口，复用原审核、锁和版本机制。普通提问不领取原生维护owner；真正提交时尊重已有占用。

    知识分析、纠正与审核由当前会话按项目规则执行。文件放入已配置目录后可由既有后台自动留存；这不代表自动完成分析。退出会话后原始采集器可继续工作，但本页语义分析流程不会自行调用模型，也不训练模型权重。网页或法律是否更新仍需实际核查，日期和文件hash不能替代。日常说法见[知识库怎么用](../../docs/知识库怎么用.md)。模糊、缺页且影响使用的原件按Mike要求直接跳过并注明原因，不要求重新扫描。

    写回与恢复边界

    候选必须绑定来源版本和目标旧版本，经实际不同的 Codex 执行者复核后写回，旧版及审核记录留存。来源或目标已变化时，重新核对受影响内容；旧审核不能直接用于新版本。同一执行者的自查不能冒充独立复核。

    一次处理可能只完成页面写入而未更新索引或日志。必须报告具体完成阶段，核对实际文件再恢复；不能把“没有成功回执”直接当作“没有写入”，也不能通过盲目重跑制造重复记录。这些是恢复要求，真实调度中断及自然登录恢复仍待验收。

    怎样判断有用

    “有出处的回答→独立复核→保存纠正→新的相关问题能正确复用”才构成一项知识维护效果证据。页面数、链接数和某次测试通过均不能代表全库完成。覆盖按目录记录已审、待审、读取失败与资料缺口；局部验证不能升级为长期性能保证。

    本页不对 RAG 与 Wiki 作普遍强弱排名。是否保存并复用分析，取决于具体系统设计；不能从本方法的优点推出所有 RAG 都不积累知识。

    来源与关联

  • [Karpathy LLM Wiki 原文](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f)：方法转述及可选工具、示例范围。
  • [项目权威规则](../../CLAUDE.md)：Codex、已有成果优先与摄取/迁移边界。
  • ../03-法律AI应用/AI辅助法律研究：实际使用已有成果时的来源与版本区分。
  • ../03-法律AI应用/问答反馈修订与复验的证据边界：保存失败和检验纠正效果的方法及历史样本。

    • themis_only 是本地保存和禁止外发的兼容标记；本页由 Codex 处理，不代表本地模型推理。旧版本在审核写回历史中保留。

    本轮核查来源与限制（2026-09-24）

    只修本轮明确列出的陈述，不将旧页整篇升级为已验证。themis_only为本地保存和禁止外发的兼容标记，不代表本地模型推理。