Nowledge Mem 0.8：LLM Wiki
Nowledge Mem 发布 v0.8.0 版本，全面集成 Andrej Karpathy 的 LLM Wiki 工作流。此次更新将“阅读路径”叠加在原有的“写入”系统之上，利用超图知识图谱自动生成 Wiki 结构，解决了知识整理负担重的问题。新功能包括实体页、主题页、支持双链跳转、Wiki 导出及深入研究模式，旨在实现人与 AI 共同沉淀和管理知识。
相关文档
Loop Engineering: The Karpathy Method - and the workflow that just made it 5x better
文章介绍了 Andrej Karpathy 推广的“循环工程”概念，即通过 AI 自动化循环（目标设定、规划、执行、验证）替代传统的单次 Prompt 交互。文章阐述了循环的核心要素，分析了适用场景，并以 AutoResearch 为例展示了其在模型训练中的成效。此外，文章还讨论了构建循环的五大组件，并提出了“双层循环”等进阶优化方法。
AI 算命技术解析：从出海百亿赛道到 Claude Code 本地部署
文章分析了海外 AI 算命市场（如 FateTell、Astrotalk）的高利润率与高复购率，指出普通 AI 因缺乏专业知识导致的“废话”和排盘错误是产品失败的主因。作者展示了如何利用 Claude Code 构建基于 17 部经典古籍（如《滴天髓》）和 44MB 知识图谱的专业系统，通过“四家投票”机制和双系统验证，将准确率提升至六七成，并提供了完整的提示词和本地安装方案。
RAG Is a Lie — Karpathy's LLM Wiki 模式解析
文章批判了当前主流的 RAG（检索增强生成）模式无法积累知识的局限性，并介绍了 Andrej Karpathy 提出的 LLM Wiki 范式。该模式主张让 LLM 维护一个动态的结构化知识库（Wiki），在数据摄入时进行编译和整合，而非在查询时临时检索。这种方法通过将繁琐的维护工作交给 LLM，实现了知识的复利增长和自我进化，解决了传统知识管理系统中维护成本高昂的痛点。
Company Brain: Why Most Companies Have Data But No Memory
文章探讨了组织内部的摩擦与记忆缺失问题，指出企业虽积累海量数据碎片，却缺乏将其转化为记忆并进行推理的能力。作者定义了“公司大脑”的三层结构：事实记忆层（记录发生的事件）、上下文图谱层（连接事实并进行推理）以及行动协调层（基于上下文辅助决策）。文章强调，AI Agent 的失败往往不是因为缺乏数据，而是因为企业丢失了数据背后的推理逻辑和决策背景。
Karpathy 的 LLM Wiki：为何爆火与深度解析
文章深入分析了 Andrej Karpathy 提出的“LLM Knowledge Bases”概念。Karpathy 批评了当前 RAG 模式缺乏知识积累的痛点，提出由 LLM 维护的一组持久化 Markdown Wiki 作为替代方案。文章拆解了该方案的“原始资料、Wiki层、规则层”三层架构，以及“摄入、查询、健康检查”的操作模式。作者结合 EverMind Memory 的产品视角，探讨了这一模式从单次交互向积累能力转变的行业趋势，以及“Idea File”作为新知识传播单位的潜力。
复刻 Karpathy 知识库模式：用 nexu 搭建 AI 第二大脑
本文介绍了 Andrej Karpathy 提出的“LLM Wiki”个人知识库模式，即利用 AI 将原始资料编译成持久化的 Wiki，解决了传统 RAG 方案无法保留上下文和维护关联的痛点。作者详细解析了 Karpathy 的“Raw/Wiki/Schema”三层架构，并演示了如何利用开源桌面 AI Agent 工具 nexu 落地该模式，实现在微信随手入库、多模型切换及与 Obsidian 的协同工作，从而构建一个由 AI 维护的个人第二大脑。
如何构建你的第二大脑：基于 AI 的极简知识库系统
受 Andrej Karpathy 启发，文章介绍了一种无需复杂软件、仅依赖文件夹和文本文件的 AI 个人知识库构建方法。通过 raw/、wiki/ 和 outputs/ 三层结构，结合 agent-browser 自动抓取工具和 Claude Code 等编程助手，用户可以将杂乱素材转化为结构化的个人维基。系统强调“复利”维护，主张用简单的模式文件替代花哨的工具，让 AI 自动整理、总结和关联信息，从而实现高效的知识管理。
如何构建正在取代 Prompt Engineering 的 AI 循环
文章指出，过去两年提升 AI 效果的关键在于写更好的提示词，但这一方法正逐渐失效，取而代之的是自主循环（loop）。文章以 Karpathy 的 autoresearch 系统为例：该系统两天内自动运行约 700 次实验，发现约 20 项改进。作者阐述了真正循环的五个阶段（发现、规划、执行、验证、迭代），强调验证、记忆和停止条件三大关键组件，并介绍了自愈式 GitHub 仓库的实践案例。最后，文章给出用 AGENTS.md、loop.py、verify.sh 三个文件构建第一个 AI 循环的入门方法，指出外部验证比增加另一个模型更重要。
2026下半年最值得关注的198位中文X博主：3月榜单45人掉队，我重筛了一遍
作者对半年前发布的146位中文X博主清单进行复盘重筛，发现45人掉队，得出博主清单保质期约半年的结论。作者以量化标准（粉丝≥5000、14天内发帖、30天原创≥8条、中位浏览≥300等）从643个候选账号中筛出198位博主，其中138位为新面孔。文章提供Top 30必关注名单及按AI编程、Agent、AI视频图像、投资等领域的完整分类名单，每人配一句话简介，帮助读者快速找到值得关注的中文AI和科技博主。
时代账本｜每一轮时代都有账单，你在哪一页？
文章借李录的观点，把中国过去70年每十年的国家目标比作一本账：一五计划的农民、90年代末的3000万下岗工人、入世后背房贷的中产、双减和去杠杆中的教培与地产行业，每一轮的成本都落在绑定上一轮主题的人身上。作者认为2026年新质生产力时代的出清是慢性的，标准在于你是在给社会降成本还是添摩擦，并给出四个自测信号（工作是否可被AI复现、收入来源、与AI的竞争位置、客户数）和五条本周可执行的动作：做自己的OPC、收缩负债、先卖后做、小步出海、季度技能尸检，提醒个体在时代转向前看清自己绑在哪里。
想入门 AI 领域的极佳方式就是大量翻阅论文——Open-Science 科研工作台推荐
作者认为大量阅读 AI 论文是入门 AI 领域的极佳方式，并以朋友韭二老师爆肝 60 篇论文后入职盛大 evermind 为例。同时指出在 X 上分发论文解读是一种起号方式，该赛道仍有空白。针对论文小白，作者推荐一体化 AI 科研工作台 Open-Science：内置科研 skills 的 Agent 可检索文献、梳理方法并输出报告；支持灵活接入 Codex、Claude 等模型；研究过程可回溯审核；支持动手复现论文计算与分析。复现 5 篇以上即可深入掌握 AI 领域知识，项目已开源。
Anatomy Skill实测：一句话让AI生成任何原理的科普视频
作者分享了一个名为Anatomy的开源Claude Skill，其核心理念是“物体本身就是解释”，能将抽象原理转化为可交互的3D机械模型动画。作者进一步让AI在动画基础上生成带讲解和配音的科普视频，如机械表计时、显卡工作原理、TCP三次握手等，效果清晰易懂且额度消耗低（5分钟视频约占Claude Max周额度1%）。文章还结合Karpathy的观点探讨了AI时代学习新知识的方式：从文字、图表、交互网页到按需生成的科普视频，AI让每个人都能随时获得定制化的学习材料。
