Compiled Context Brain · 卡帕西的知识库构想 — AI 研究工具门户 ← 返回门户 → Open Notebook 部署页
Stop coding. compiling your knowledge. Andrej Karpathy 在 LLM Wiki Gist 中提出一个反直觉的命题：与其让大模型为你 写代码 ，不如让它为你 编译知识 ——把零散的信息流，编译成一座属于你自己的、带 schema 的、可复利的 个人知识库 。
"
Stop using LLMs just to write code. Use them to build and maintain a personal knowledge base instead — a knowledge base of concepts, decisions, pitfalls and people, indexed by you, compiled by the model .
Personal Knowledge Base Second Brain LLM as Editor Compiled Context Schema-Driven Anti-RAG
I.
四根支柱 ，撑起一个反直觉的命题 代码会过期，但 schema 会复利。这一节回答四个问题——为什么是知识库 、为什么是现在 、为什么是由 LLM 编译 ，以及为什么这是一场新型护城河之争。
01 / 04 // Compounding · 复利效应
知识 O(N²) 、代码 O(N) 每写一行代码，你只是多了一行。每记一个概念，它会与既有节点形成 N×(N-1)/2 条潜在关联——只要 schema 一致，时间越久回报越大。这是 Karpathy 论点的定量内核 。
02 / 04 // Portability · 迁移性
模型会换代 ，schema 不换 GPT-3 → 4 → 5、Claude 1 → 4，模型每年迭代两次。但你为「论文」「项目」「踩过的坑」定义的字段——一次写好，跨模型零迁移成本 。
03 / 04 // Moat · 数据护城河
schema = 个人护城河 你分享的不是源代码、也不是 Wiki 内容——你分享的是这套 schema 。它编码了你的提问方式、决策框架、踩坑模板。复制内容容易，复制思考结构难。
04 / 04 // Anti-RAG · 反向量召回
编译式 ，而非检索式朴素 RAG 给 LLM 的是切碎的文本片段 ，模型只能拼凑回答。Karpathy 主张反过来：让 LLM 充当编辑器，把信息编译为节点 + 关系 ，下次直接读结构、不读切片。
笔记编辑器 = 你的 IDE。LLM = 你的程序员。 知识库 = 你的代码库。
— Karpathy / LLM Wiki Gist · 2025（意译）
II.
RAG vs 编译式知识库 — 一句话讲清楚 同样是「把资料丢给 AI」，两边在做的事完全不一样。一种是把文件剁成几百块小碎片 ，问的时候靠相似度抓 5–20 段塞回模型——这就是大家常说的 RAG；另一种是让 AI 读完整篇之后顺手把它整理进你的知识库 ，下次直接查结构、不再翻原文。前 3 个月你看不出区别，半年后两边的效率会差出一个量级——这一节就把两条路讲清楚。
/// SAME INPUT A · NAÏVE RAG 检索式 — 切片 · 召回 · 拼贴 paper.pdf split() chunk_001 chunk_002 chunk_003 chunk_004 … × N embed() Vector DB cosine sim top-k LLM SEES "…attention is all…" [chunk #042 · 0.83] "…O(n²) scaling…" [chunk #018 · 0.79] "…softmax(QKᵀ)…" [chunk #007 · 0.74] "…residual connect…" [chunk #099 · 0.71] "…layer norm before…" [chunk #061 · 0.69] ⚠ 5 段碎片 · 无结构 · 无关系 · 无去重 B · COMPILED CONTEXT 编译式 — 节点 · 关系 · 复用 paper.pdf edit() LLM as editor read · diff link · merge paper #new Concept Person Project Pitfall your knowledge base LLM SEES ▸ Attention Is All You Need type: paper authors: Vaswani et al. claim: self-attn ≫ RNN cost: O(n²) memory links: [[transformer]] opens: flash-attn, MoE… added: 2026-04-22 DIFF · KB + 1 node + 4 edges + 2 schema fields linked to: [[transformer]] [[Vaswani 2017]] ✓ 1 个结构化节点 + 4 条新边 FIG. 01 同一份 PDF，两种用法。 左边（A）把整篇文章切成几百小块 塞进向量库，问的时候靠相似度抓 5 段回来给模型——每次都是临时拼贴。 右边（B）让 AI 读完之后当场写一张「读书笔记节点」 连进你的知识库，把作者、主张、成本和关联记好——下次再问相关问题，模型直接读这张结构化笔记，不用回原文。 // concept: Karpathy 2025 A · RAG 这条路 的 3 个痛点 「找到」≠ 「想清楚」
信息很吵 ：一次往模型嘴里塞 5–20 段碎片，思考预算全被它们占掉。同一句话重复 N 次 ：同一观点被切到好几个 chunk 里，模型容易自打嘴巴（self-conflict）。啥关系都没有 ：相邻 chunk 之间互不知情，模型没法跨段推理 。 vs
B · 编译这条路 的 3 个收益 「整理过」 ≠ 「检索回来」
干净 ：每个观点在知识库里只出现一次、用一致字段描述，重复和噪音消失。有关系 ：节点之间的引用 [[link]] 让模型能跨页面推理。越用越值 ：今天定的字段半年后还在帮你省时间——这是你的护城河 。 III.
IDE Trinity — 三位一体 的工程类比 如果说软件工程的核心三件套是 编辑器 、程序员 、代码库 ——那么知识工作里完全对得上号的三件套，就是 笔记编辑器 、LLM 、知识库 。Karpathy 的工程类比不是修辞，而是同构 ——同一套协议，换了一套对象。
≅ ISOMORPHIC TO Software Engineering type Knowledge = Codebase<Concept, Edge> // THE EDITOR 笔记编辑器 role = "the editor" 你看见的界面 · 写入与编辑 // THE PROGRAMMER LLM async fn(ctx) LLM role = "the programmer" 理解 · 编译 · 重构 // THE CODEBASE 知识库 role = "the codebase" 概念节点 · 关系边 · 长期沉淀 ① 你提问 ② AI 编译 ③ 知识呈现 $ editor.open(kb) $ llm.compile(input) → kb.commit() $ kb.query("what did I learn from X?") FIG. 02 三位一体——同一套协议，换了一套对象。 软件工程里：你在 IDE 里写代码，程序员（也就是你）改代码，代码库存着所有改动；知识工作里：你在笔记编辑器 里看笔记，LLM 改笔记，知识库 存着所有节点和关系。三者之间的回路一致——提问 → 编译 → 呈现 。 // concept: Karpathy 笔记编辑器
role = "the editor" · 你看见的界面
本地 Markdown · 双链 · 插件生态——你和 AI 共同的
视图层 ，不是数据本体。换编辑器，不换知识库。
LLM
role = "the programmer" · 改写者
模型不再是终端用户，而是
合作开发者 ——它读知识库、写知识库、refactor 知识库，按你的 schema 提交 PR。
知识库
role = "the codebase" · 真正的资产
节点 + 边 + 元数据是
真正的知识资产 ——可以 git 追踪、可以分叉、可以跨工具迁移。
IV.
复利曲线 — 为什么临界点 在 3–6 个月 代码线性增长，知识平方增长。前 60–120 天看不出区别，过了临界点之后差距以指数方式拉开——这就是 Karpathy 主张越早开始越好 的数学理由。
RETURN ON EFFORT → TIME → (MONTHS OF CONSISTENT USE) 0 M1 M3 M6 M9 M12 M18 TIPPING POINT ~ Month 4 d/dt knowledge ≫ d/dt code knowledge · O(N²) value ≈ k · N² code · O(N) value ≈ c · N // 前 3 个月 —— 两条曲线纠缠， 大多数人在这里放弃。 FIG. 03 O(N) vs O(N²)。 橙线 = 「让 LLM 写代码」每写一函数 = +1；青线 = 「让 LLM 编译知识」每加一节点能与既有 N 个节点形成新关联，总价值 ≈ k·N²。约 4 个月达到临界点。 // model: simple compounding // CODE PATH
线性 · O(N)
每行代码独立交付，时间一过价值衰减。
// KNOWLEDGE
平方 · O(N²)
每个新节点 × N 既有节点 = 新关联池。
// TIPPING POINT
~ 4 mo
k·N² > c·N 临界点，撑过去就赢了。
V.
二脑光谱 — 从 Memex 到 Compiled Context 「让外部系统帮你思考」从来不是新点子。Karpathy 是把它放在 LLM 时代再讲一次——但工具、媒介、协议都已经换过两代。
1945 — 2010s · Era I
Memex / Zettelkasten Vannevar Bush · Niklas Luhmann · 个人卡片盒
"As We May Think"（1945）描绘了一台带索引的桌面机械——Memex 。Luhmann 把同样的思路落到 9 万张卡片盒，靠纯人工编织出一个可互联 的知识结构。
核心洞察：知识的价值在边、不在节点 。但媒介是人手 + 卡片，扩展性受限于体力。
analog manual cards 2017 — 2024 · Era II
PARA / Building a Second Brain Tiago Forte · Notion · Obsidian · Roam
Tiago Forte 把 Zettelkasten 思路标准化为 PARA （Projects / Areas / Resources / Archives）+ CODE （Capture / Organize / Distill / Express）。Notion、Obsidian、Roam 让数字双链落地。
核心进展：结构标准化 + 双链可视化 。但 capture / organize / distill 仍由人手完成；LLM 只是被动搜索引擎。
digital PARA backlinks 2025 — present · Era III
Compiled Context Brain Andrej Karpathy · LLM as editor
2025 年 Karpathy 在 LLM Wiki Gist 中提出反转：不是你录入、模型搜索，而是模型 capture / distill、你审稿合并 。LLM 从「搜索引擎」变成「合作编辑」。
核心进展：从静态知识库 → 编译式认知系统 。Schema 是合作协议，知识库是 commit 历史，IDE 是会话界面。
llm-native schema-driven compiled VI.
从 idea 到 动手 读到这里，下一步只剩一个：选一个能跑的载体把这套思路落地。我们在门户里准备了 Karpathy 这一脉最直接对应的开源工具——Open Notebook 。
// next · open the notebook
Open Notebook —— 你本地的 编译式知识库工作台 开源、隐私优先、Docker Compose 一键起。支持 18+ 模型 Provider（含通义 DashScope），多模态 Source 收纳，节点式 Notebook 结构，原生支持「让模型把 source 编译成 note」——和 Karpathy 思路最近的可部署项目。
Deploy Now → 