Karpathy LLM Wiki 完整原理与双方案部署教程（Cursor _ Claude 通用）

完颜振江

37人浏览 · 2026-06-25 09:16:16

完颜振江 · 2026-06-25 09:16:16 发布

Karpathy LLM Wiki 完整原理与双方案部署教程（Cursor / Claude 通用）

标签：#LLMWiki #Karpathy #AI知识库 #Cursor教程 #Claude教程 #替代RAG

前言

Andrej Karpathy 最新提出的 LLM Wiki，是目前替代传统 RAG 的下一代个人/团队知识管理范式。它彻底抛弃向量数据库、文本分片、实时检索等复杂链路，依靠「三层文件夹结构+大模型自主编译维护」，实现知识复利、结构化沉淀、零运维、极低 Token 消耗。

很多人误以为 LLM Wiki 只能用 Claude，这是最大误区。本文拆解核心底层原理，并提供两套可落地的生产级部署方案：

✅ 方案一：Cursor 部署（GPT-4o / 4o-mini / 本地模型通用，最适合普通开发者）

✅ 方案二：Claude 原版部署（贴合 Karpathy 原始设计，超长文本最优解）

全文无废话、可直接跟着搭建专属永久知识库。

一、LLM Wiki 核心原理（彻底看懂为什么吊打传统 RAG）

1.1 核心定义

LLM Wiki 不是工具、不是插件，是一套AI 知识编译架构。

传统 RAG：提问时临时分片、临时检索、临时拼接答案，知识碎片化、无沉淀、重复消耗 Token。

LLM Wiki：先编译、后查询、持续迭代。AI 一次性读完所有原始资料，蒸馏、归类、建链、生成结构化维基页面，后续所有问答直接复用编译好的完整知识体系。

1.2 三层核心架构（LLM Wiki 灵魂）

整套架构仅由三层组成，极简且高度规范，所有模型通用：

第一层：raw 原始数据源（人类专属、只读不可改）

存放所有原始资料：PDF、笔记、文档、网页摘录、论文、学习素材。

核心规则：raw 文件夹只增不改、只进不出，永久保留原始证据，保证所有知识可溯源、无篡改。

第二层：wiki 结构化知识库（LLM 专属、全权维护）

AI 自动生成、自动更新、自动维护的知识维基库，全部为标准 Markdown 文件。

包含：概念解释、知识总结、双向内链、关联图谱、分类目录、溯源引用。

核心价值：把零散原始素材，变成结构化、可关联、可迭代、可复利的体系化知识。

第三层：规则配置层（CLAUDE.md / Cursor Rules）

很多人误解：CLAUDE.md 只是规则文件名，不绑定 Claude 模型。

它是给 AI 的「工作手册」，定义整套 Wiki 的生成规范、页面格式、权限约束、更新逻辑、巡检规则。

- Claude 部署：直接使用 CLAUDE.md

- Cursor 部署：可兼容 CLAUDE.md，也可迁移为 Cursor 原生 .cursor/rules 永久规则

1.3 三大核心工作流（完整闭环）

① Ingest 知识编译入库（一次性蒸馏）

新增素材放入 raw，AI 批量读取、去重、合并、提炼、建双向内链、生成 Wiki 页面，自动更新全局目录。相当于 AI 帮你读完所有资料并整理成结构化读书笔记。

② Query 智能问答复用（知识调用）

基于已编译的完整 Wiki 知识库回答问题，无需重复读取原始素材。优质问答结果自动沉淀为新 Wiki 页面，实现知识越用越多、越用越精准。

③ Lint 全局巡检规整（自动维护）

AI 定期全局扫描 Wiki 库：修复失效内链、合并重复页面、统一格式、更新目录、清理冗余，彻底解决个人笔记越堆越乱的痛点。

1.4 LLM Wiki vs 传统 RAG 核心对比

对比维度	传统 RAG	LLM Wiki
运行逻辑	提问临时分片检索	提前编译结构化知识
Token 消耗	每次提问重复消耗，成本高	一次编译、无限复用，节省 95%+ Token
知识形态	碎片化、无关联、无沉淀	结构化、双向链接、知识复利
运维成本	需向量库、嵌入模型、分片调优	纯文件夹+Markdown，零运维
推理能力	弱，依赖片段拼接	强，全局知识关联推理

二、通用前置准备（两套方案通用）

2.1 固定目录结构（必须严格一致）

新建空文件夹（命名 llm-wiki），内部创建固定结构：

llm-wiki/
├── raw/                # 原始素材目录（只读、不修改）
├── wiki/               # AI 自动维护的知识库目录
└── CLAUDE.md           # 全局规则文件（通用，适配所有模型）

2.2 通用完整版 CLAUDE.md 规则（直接复制即用）

该规则同时适配 Cursor(GPT) 和 Claude，无模型专属限制：

# LLM Wiki 全局规范（Cursor / Claude 通用）
## 角色定义
你是专业AI知识管理员，严格遵循分层权限：
1. raw 文件夹：仅读取，禁止修改、删除、覆盖任何原始文件，作为唯一溯源依据
2. wiki 文件夹：全权负责新建、修改、删除、规整、更新所有知识页面
3. 所有操作必须可溯源，禁止编造无依据内容

## Wiki 页面标准格式
每一个 wiki 页面必须包含完整结构：
1. 标题：精准概括核心主题
2. 摘要：100字以内核心总结
3. 溯源：标注对应 raw 原始文件路径
4. 正文：结构化分层梳理，逻辑清晰
5. 双向内链：关联所有相关 Wiki 页面 [[页面名]]
6. 标签：分类领域标签

## 三大核心工作流程规范
### 1. Ingest 知识入库
- 读取 raw 所有新增素材，拆分、提炼核心知识
- 合并重复主题，标注内容冲突点
- 生成标准化 Wiki 页面，添加双向内链
- 自动更新 wiki/index.md 全局总目录

### 2. Query 问答与知识沉淀
- 优先读取完整 wiki 知识库，全局关联作答
- 回答精准、严谨，基于已有结构化知识
- 高价值通用问答，自动新建 Wiki 页面沉淀
- 同步更新目录与内链体系

### 3. Lint 全局巡检规整
- 遍历全部 Wiki 页面，修复失效内链
- 合并高度重复页面，删除冗余内容
- 统一全文格式、标签、排版规范
- 刷新全局索引目录，保证知识库整洁可用

## 硬性约束
1. 所有知识必须溯源 raw 原始素材，无来源不生成结论
2. 禁止随意新建页面，优先更新已有相关页面
3. 保持知识库极简、精准、无废话
4. 所有文件命名简洁规范，适配中文场景

三、方案一：Cursor 完整部署教程（GPT-4o / 本地模型首选）

适用人群：日常使用 Cursor、无 Claude 账号、偏好 GPT 模型、需要本地私有化部署

核心优势：Cursor 原生支持多文件读写、全局文件夹上下文、Composer 批量操作，完美适配 LLM Wiki 自动化流程

3.1 两种规则适配方式（任选其一，推荐方式二）

方式一：极简兼容（新手即用）

直接将上面的 CLAUDE.md 放在项目根目录，Cursor 打开项目后，对话中引用根目录文件，AI 自动读取并遵守所有规则。无需额外配置，开箱即用。

方式二：Cursor 原生永久规则（推荐）

让规则全局自动生效，无需每次手动引用：

1. 项目根目录新建文件夹：.cursor/rules/

2. 新建文件：llm-wiki.mdc

3. 粘贴上述通用 CLAUDE.md 全部内容，保存

此后打开该 Cursor 项目，自动加载 LLM Wiki 规范，全程自动遵守权限与格式规则。

3.2 Cursor 三步核心指令（直接复制执行）

① 知识入库 Ingest（首次搭建/新增素材执行）

请严格遵循项目内 LLM Wiki 规则，读取 raw 文件夹下所有原始素材，执行完整的 Ingest 编译任务：
1. 提炼所有核心知识，生成标准化 Wiki 结构化页面
2. 完成页面双向内链关联、分类梳理
3. 自动生成并更新 wiki/index.md 全局总目录
4. 保证所有内容可溯源，不篡改 raw 原始文件
执行完成后，返回本次新增、修改的页面清单。

② 日常问答 Query

基于当前 wiki 完整知识库与全局目录，严谨回答我的问题：{在此输入你的问题}
若本次问答属于高频通用知识点，自动沉淀为全新 Wiki 页面，更新内链与全局目录。

③ 定期巡检 Lint（每周维护一次）

执行 LLM Wiki 全局 Lint 巡检规整任务：
1. 修复所有失效双向内链
2. 合并重复、冗余、相似页面
3. 统一所有页面格式与标签规范
4. 清理无效内容，更新全局 index 目录
输出本次完整修改报告。

四、方案二：Claude 原版部署教程（Karpathy 原始方案）

适用人群：追求极致原版体验、大批量长文本资料、需要超大上下文编译

核心优势：超长上下文窗口，一次性处理数万字资料，编译完整性、连贯性最优，贴合 Karpathy 官方设计

4.1 部署步骤

1. 沿用前文统一的三层目录结构与通用 CLAUDE.md 规则文件

2. 打开 Claude 网页端 / Claude Code 客户端

3. 上传整个 llm-wiki 项目文件夹，让 Claude 读取 CLAUDE.md 规则与 raw 素材

4.2 Claude 专属执行指令（原版标准）

① Ingest 编译入库

Follow the rules in CLAUDE.md strictly. Read all materials in the raw folder, compile them into a complete structured LLM Wiki, generate standard markdown pages with bidirectional links, update the wiki/index.md global directory, and ensure all content is traceable to the original raw files.

② Query 问答

Answer the question based entirely on the compiled wiki knowledge base: {你的问题}. Prefer global knowledge reasoning, precipitate high-quality answers into new wiki pages, and update links and directory synchronously.

③ Lint 全局规整

Perform a full Lint inspection of the entire wiki library according to CLAUDE.md rules, repair invalid links, merge duplicate pages, unify formatting, update the global index, and output the full modification record.

五、双方案对比 & 选型建议

使用场景	推荐方案
日常学习、个人知识库、Cursor 常驻用户	Cursor 方案（首选）
大批量论文、长文档、海量资料编译	Claude 原版方案
本地私有化、无外网密钥依赖	Cursor + Ollama 本地模型
团队协作、标准化知识库维护	双方案通用，统一规则即可