你丢进去的每篇文章，都会变成你知识库里的活页

你根本不用自己写摘要、加链接、更新目录。

只要把一篇技术文章扔进去，它就自动拆解、归类、交叉引用，生成带出处的 Markdown 页面——而且越用越聪明，不是查一次忘一次。

这不是 RAG，也不是临时搜索。是让大模型真正「记住」你给它的知识，像维基编辑一样持续维护。

能替代什么 / 能省多少钱

它不直接对标某款付费软件，但取代了一类长期被忽略的隐形成本：你花在整理、重读、反复确认技术细节上的时间。

比如你每天花 15 分钟翻三篇论文、两份文档、一个 GitHub issue，再手动记到 Notion 或 Obsidian 里——一个月就是 7.5 小时，一年接近 90 小时。

这些笔记往往散落在不同地方：一段摘录在飞书文档，一张图存在本地相册，一个关键结论写在 Slack 消息里。下次要用时，得重新拼凑上下文。

而这个工具把所有来源统一存进 raw/ 目录，每篇都保留原始时间戳和来源标识，比如 raw/ml/2024-06-12-arxiv-2307.14699.md，不改内容、不删字段、不压缩格式。

知识不是堆得越多越好，而是编得越牢越有用。

这个项目把「人工维基维护」这整件事自动化了。你只管丢来源，它负责消化、索引、纠错、链接。官方示例显示，一个运行了 3 个月的库已有 94 篇维基页、99 个原始材料、87 条操作日志，全部由模型自动维护。

每条日志都记录具体动作：比如“更新 wiki/nlp/attention-mechanisms.md，新增 Linformer 引用；同步修改 wiki/architecture/transformer-overview.md 中的交叉链接”。

核心功能

你给它一个 URL、一段文本或一个文件，它立刻存进 raw/ 目录，然后自动判断要不要新建或更新 wiki 页面，不是简单存档，而是理解内容后重组结构。例如输入 GitHub README，它会识别出“安装步骤”“配置参数”“常见错误”三块，分别映射到对应维基页的章节。
问它“Attention 机制有哪些变体”，它不会重新扫描所有原文，而是直接从已编译好的 wiki/attention-mechanisms.md 里提取答案，并附上来源链接，就像维基百科那样可追溯。回答末尾会带类似 [wiki/nlp/attention-mechanisms.md#linformer] 的锚点，点开就能跳转。
它会定期执行 Lint 检查：自动修复断链、补全缺失的索引条目、提醒你哪些页面存在矛盾描述，相当于给你的知识库配了个值班编辑。比如发现 wiki/dl/optimizers.md 提到了 “AdaMod”，但索引中无此条目，就会在 log.md 里标记并自动生成索引行。
所有维基页都是标准 Markdown，你可以直接用 VS Code、Obsidian、Typora 打开、编辑、同步，不需要学新界面，也不依赖任何在线服务。页面开头有 YAML frontmatter，包含 last_updated、sources 和 related_pages 字段，方便其他工具读取。
它不绑定某个模型厂商。只要你用的是支持 Agent Skills 标准 的工具（比如 Claude Code、Cursor、Codex），一条命令就能装上，不用改配置、不用调 API 密钥。技能本身不调用外部 API，所有推理由你本地或已接入的 LLM 完成。
整个流程完全本地化：原始材料、维基页、操作日志，全存在你自己的文件夹里。没有上传、没有云端处理、没有账号体系。连 log.md 都是纯文本追加写入，打开就能看到每次操作的完整上下文。

怎么开始用

确认你的系统是 Linux（README 明确只支持 Linux；macOS/Windows 用户需自行测试兼容性，官方未提供说明）。
打开终端，运行 npx add-skill Astro-Han/karpathy-llm-wiki ，这条命令会自动下载技能包并接入你当前使用的 Agent Skills 工具（如 Cursor 或 Claude Code）。它会把 SKILL.md、references/ 和 scripts/ 复制到工具指定的技能目录下。
在聊天框里输入 “Ingest this article: https://example.com/attention-is-all-you-need”，它就会拉取网页、解析、生成维基页；之后直接提问，比如 “What do I know about attention mechanisms?” 就能获得带引用的回答。你也可以粘贴本地 PDF 的文字节选，或拖入 .md 文件。