LLMification（知识编译方法论）
> 类型: 方法论概念 > 提出者: Andrej Karpathy > 核心思想: 让LLM将原始资料编译为结构化、可迭代、LLM原生的Markdown知识库
---
核心定义
将知识管理从「人类编写、机器检索」转变为「机器编译、人类审核」的方法论。
与传统RAG的区别
| 维度 | 传统RAG | LLMification | |------|---------|-------------| | 知识处理 | PDF压平一维文本流 | 深度结构化解析 | | 记忆方式 | 每次检索重新挖掘 | 一次编译持续复用 | | 知识形态 | 检索片段 | 结构化Markdown | | 更新方式 | 重新索引 | 增量编译融合 | | 质量保障 | 依赖检索排名 | 依赖编译质量 |
三层架构
1. 原始资料层(raw/)：只读材料，事实来源不可篡改 2. Wiki本体层(wiki/)：LLM维护的结构化知识集合（摘要/概念/实体/对比/综合） 3. Schema配置层(schema/)：LLM的操作规则（AGENTS.md/CLAUDE.md）
三大操作
| 操作 | 功能 | 频率 | |------|------|------| | 录入(Ingest) | 增量编译与知识融合 | 有新资料时 | | 查询(Query) | Wiki检索+交叉验证 | 每次对话 | | 检查(Lint) | 一致性校验+完整性补全 | 定期（建议每月） |
两个特殊文件
| 文件 | 用途 | |------|------| | index.md | 按主题做全局目录 | | log.md | 记录时间线/变更历史 |
---
实战对比：Karpathy vs 个人知识库
| 维度 | Karpathy方案 | 个人知识库方案 | |------|-------------|---------------| | 架构 | 三层（Raw→Wiki→Schema） | 五层（Notes+Knowledge+Software+LifeOS+Writing） | | AI角色 | 全权操作 | 参谋，提建议用户拍板 | | Ingest | LLM自主分类更新 | 先列方案→确认→执行 | | Query | 自动反哺Wiki | 建议补链接，确认后执行 | | Lint | 自动修复 | 出报告不自动改 | | 链接密度 | 密集 | 2-3条强关联 | | 索引粒度 | 文件级 | 目录级 | | 对话处理 | 无 | Notes/Conversation/ |
---
关键洞察
> 分类反映的是你自己的思维结构。AI可以建议，但最终得你来定。
> 知识库的终极检验标准不是内容多少，而是它有没有帮你产出过东西。
---
知识链接
---