- 原视频：How to Build a Personal LLM Knowledge Base (Karpathy's Method)
- 频道：Upgraded ｜ 时长：10:07
- 链接：https://www.youtube.com/watch?v=VRub1w-APTc
一句话核心
用 Obsidian + Claude Code + 本地文件 搭建一个由 AI 维护、随时间增值、永不遗忘的个人知识 Wiki —— 收集优质内容 → 编译成结构化 Wiki → 随时向它提问。
要点速览
- 缘起：Karpathy（OpenAI 早期成员、"vibe coding" 造词者）一条推文 72 小时获 1400 万浏览；Lex Fridman 回复"我也是这么做的"。
- 本质：个人 LLM 知识库 = "AI 第二大脑"——一个由 AI 维护、不断生长的本地 Wiki。
- 三阶段框架：收集（Collect）→ 编译（Compile）→ 查询（Query）。
- 工具链：Obsidian（浏览 Wiki）+ Obsidian Web Clipper（收集内容）+ Claude Code（构建/维护/查询 Wiki，约 $20/月）。
- 为什么需要它：LLM 的训练数据是"大众共识的聚合"，前沿、小众的深度内容要自己喂给它。
- 进阶玩法：问"我的知识缺口在哪"让 Wiki 自我完善；Lex 把 Wiki 接入语音模式，长跑时与知识库对话（费曼学习法）。
分章详解
① 背景：AI 顶尖人物在做什么（00:00 – 00:46）
Karpathy 的推文爆火，Lex Fridman 响应。两位 AI 领域最聪明的人都在构建个人 LLM 知识库——一个由 AI 维护、随时间变强、永不遗忘的 Wiki。"如果 AI 界最聪明的人都在做这件事，我们可能也该做。"
② 三阶段框架总览（00:46 – 03:02）
- 收集 Collect：围绕想精通的主题（视频示例：增肌训练 hypertrophy），从 YouTube 字幕、Substack、播客文稿、研究综述中收集最优质内容，存入本地文件夹（工具：Obsidian Web Clipper）。此阶段只收集、不整理——这些是"原材料"。
- 编译 Compile：把整个文件夹交给 Claude，配合特定提示词，让它读完所有文件后生成按概念组织、互相链接的结构化 Markdown Wiki。Claude 是"图书管理员"，Obsidian 是阅览室。
- 查询 Query：指着 Wiki 向 Claude 提复杂问题——不是"某人对某主题说了什么"，而是"我所有信息源在这个话题上的争论点是什么？""我的知识缺口在哪？"。之后可持续投喂新内容，Wiki 随你成长。
③ 实操：Obsidian + Web Clipper（03:04 – 05:07）
下载 Obsidian → 创建名为 raw 的 Vault（原始文件库）→ Chrome 应用店安装 Obsidian Web Clipper → 开始收集。示例：把 Huberman Lab 播客中 Andy Galpin 博士（增肌专家）的访谈文稿一键剪藏。也可直接下载文件手动移入 raw 文件夹。
技巧：YouTube 视频自带字幕——描述里点"显示文字记录"，全选复制存为文本文件即可。
建议：先从 10 个高质量资源开始，不要一开始就追求 100 个；以后随时可加。
④ 实操：Claude Code 编译 Wiki（05:07 – 06:40）
需要 Claude Code（月付 $20）。提示词要点：
"我有一个包含四位专家原始资料的文件夹。通读全部内容，为我构建一个按概念（而非按来源/人物）组织的结构化 Wiki。每个主要概念写一篇独立文章：总结证据怎么说、标注专家分歧之处及原因、链接相关文章。再创建一个 index.md 索引文件列出所有文章。"
实际运行：约 20 分钟、消耗 32.1k token（文件较长时）。
⑤ 成果：Wiki 与图谱视图（06:40 – 07:58）
在 Obsidian 中打开生成的 Wiki 文件夹：左侧是按概念组织的文章（身体重组、热量盈余、增肌机制、力量 vs 增肌、睡眠与恢复……），index 文件汇总所有条目并附导读（如"渐进超负荷——最重要的训练原则"）。Obsidian 的图谱视图可直观看到概念间的关联（如身体重组 ↔ 遗传、年龄、睡眠、热量盈余）——作者坦言"看起来比实际更酷"，但进阶用户会喜欢。
⑥ 查询与自我改进（07:58 – 09:36）
- 示例提问："基于我的 Wiki，增肌最重要的变量是什么？如何优化？四个信息源在哪些方面一致/分歧？"
- Wiki + 索引的好处：检索更快更省 token。
- 答案示例：所有来源一致认同"机械张力（mechanical tension）是增肌的首要驱动因素"，"渐进超负荷是元原则、不可妥协"。
- 杀手级问题："我的 Wiki 有哪些缺口？哪些知识覆盖不足？"——让 Wiki 自我诊断、持续进化。示例答案：基础扎实，但缺应用排错（如平台期决策树）、减载策略、高级强度技巧（递减组、休息-暂停法、超级组等）。
⑦ 进阶玩法与结语（09:36 – 10:07）
Lex Fridman 把 Wiki 接入语音模式：长跑时与自己的知识库聊天；甚至向 Wiki 讲解某个概念（费曼技巧），让它指出自己理解中的漏洞。作者预测这个方法未来几个月到几年会非常流行——"现在就上车"。
金句摘录
"LLM 知道很多信息，但那是大众共识的聚合。想要前沿研究或小众信息，从 LLM 那里很难得到。"（01:13）
"不是问'某人对这个话题说了什么'，而是问'我 Wiki 里所有信息源围绕这个话题的争论是什么'、'我的知识缺口在哪里'。"（02:38）
"先把 10 个真正优质的资源收进来，而不是一上来就凑 100 个——你随时可以再加。"（05:11）
"最终你会拥有一个随你一起成长、价值惊人的东西。"（02:58）
行动清单（Takeaway）
- 下载 Obsidian，创建
rawVault - 安装 Obsidian Web Clipper（Chrome 扩展）
- 选定一个想精通的主题，收集 ~10 个优质资源（文章/播客/YouTube 字幕）
- 订阅 Claude Code，用"按概念建 Wiki"提示词编译
- 在 Obsidian 中打开 Wiki，开始提问；定期问"我的缺口在哪"并补充投喂