编译前vs编译后karpathy-llm-wiki实战案例看raw原始笔记如何变身结构化知识页【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wikikarpathy-llm-wiki 是一个兼容 Agent Skills 标准的 LLM 知识库技能它把网页、论文、笔记等原始资料收进raw/目录编译compile成带引用和交叉链接的结构化 wiki 知识页还能基于知识库带引用地回答问题并对整个 wiki 做质量检查。本文用一个真实的实战案例对比同一份 raw 原始笔记在编译前和编译后的差别带你完整看懂这套 LLM 知识库的工作流。 编译前raw 原始笔记长什么样在 karpathy-llm-wiki 的设计里raw/目录存放不可变的原始资料。它的规则很简单按主题分目录存放文件名遵循YYYY-MM-DD-描述性slug.md的格式slug 用小写连字符最长 60 字符文件开头带一个元数据头来源Source、采集日期Collected、发布日期Published忠实保留原文只清理格式噪音不改写观点打开 examples/2026-03-19-claude-code-statusline-landscape.md 就能看到一份典型的 raw 笔记——它是作者对 Claude Code statusline 工具生态的调研原始记录# Claude Code Statusline Market Scan Source: claude-pace project research Collected: 2026-03-19 Published: Unknown往下是密密麻麻的原始信息12 个竞品项目的 star 数、逐个竞品的分析笔记、用户痛点清单、issue 编号、甚至矛盾之处和不确定性的罗列。信息密度很高但结构是调研思维流——按发现顺序堆积而不是按概念组织。完整的格式规范见 references/raw-template.md。⚙️ 编译过程一次 Ingest 的 4 个步骤把一份资料喂给技能后编译按固定流程进行完整规范见 SKILL.mdFetch抓取存档把来源内容抓下来存进raw/主题/目录写入元数据头。Triage分诊在动wiki/之前先搜索已有知识判断这份资料的处置方式——New新建文章、Update合并进已有文章、Disputed与已有内容矛盾、No material没有新知识只记日志就停手。Compile编译把原始笔记蒸馏重写为结构化文章。硬性规则是先定位、后落笔locate before write——每一个数字、日期、直接引用都必须先在 raw 文件里找到原文再按原样写入杜绝幻觉数据。Post-Ingest收尾更新全局索引wiki/index.md并向wiki/log.md追加一条操作日志。关键设计在于一个来源可以触发多篇文章的联动更新Cascade Updates。新资料若推翻了旧结论旧说法不会被悄悄改写而是保留原文并打上Status: Outdated或Status: Disputed标记。 编译后wiki 结构化知识页长什么样同一份调研笔记编译后变成了 examples/claude-code-statusline-landscape.md。对比它的文件头# Claude Code Statusline Tool Ecosystem Sources: claude-pace project research, 2026-03-19; 2026-03-24 Raw: raw/ai-coding-tools/2026-03-19-...landscape.md Updated: 2026-03-24编译后的知识页有 5 个显著特征结构化重组不再按发现顺序而是按概念组织——Overview、Competitive Landscape、User Pain Points、Technical Trends、Impact可溯源引用头部的 Raw 字段用相对链接指回raw/原始文件每个关键数据都能追溯到出处表格化蒸馏12 个竞品的原始长表被提炼成 6 个头部竞品的定位对比表噪音信息被剔除交叉引用通过 See Also 和索引与其他文章互联知识越用越复利状态标记新旧结论冲突处显式标注 Outdated / Disputed历史可见文章格式模板见 references/article-template.md索引格式见 references/index-template.md。 前后对照同一份笔记如何变身维度编译前raw/编译后wiki/定位不可变的原始资料只读不改LLM 完全拥有并持续维护组织方式按发现顺序的调研流水按概念划分的结构化章节数据密度全量保留12 个竞品、issue 编号蒸馏提炼头部 6 个竞品 定位矛盾处理罗列在Contradictions一节就地标注 Status 块交叉引用可追溯性元数据头Source/CollectedRaw 链接回指原始文件逐条可验证更新方式永远不改每次 Ingest 都可能被级联更新一句话总结raw 是矿石wiki 是精炼金属——矿石永不修改金属持续提纯。 质量保障Lint 检查与证据脚本编译后的 wiki 靠 Lint 操作保持健康分三类Safe Fixes自动修复索引与文件不一致、死链、See Also 失效引用等直接自动修Mechanical Reports机械报告运行 scripts/check_evidence.py 做证据校验——把文章里的高信号字面量带 K/M 后缀的数字、小数、ISO 日期、长引文与它引用的 raw 原文逐条比对抓出原文里不存在的数字。脚本只报告、不修改Judgment Reports判断报告跨文章事实矛盾、孤儿页面、缺失的交叉引用等只报告由人决定操作日志见 examples/log-sample.md完整记录每一次 ingest、query、lint。示例知识库的 examples/ai-coding-tools-index.md 则展示了真实索引的样子每篇文章一行带摘要和 Updated 日期另有 Key Concepts 高频概念区。 快速上手3 步搭建你自己的 LLM 知识库git clone https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki第 1 步 · 喂入第一个来源。对支持 Agent Skills 的编程助手Claude Code、Cursor、Codex 等说Ingest this article: 一个 URL、文件或粘贴的文本首次 Ingest 会自动初始化目录结构your-project/ ├── raw/ ← 不可变的原始资料 │ └── 主题/YYYY-MM-DD-slug.md ├── wiki/ ← 编译后的知识页 │ ├── index.md ← 全局索引 │ └── log.md ← 只追加的操作日志第 2 步 · 提问。直接问我关于 X 知道些什么技能会先读索引、再全文检索给出带 markdown 链接引用的回答——回答指向的是已编译的知识页而不是重新搜原始文档。第 3 步 · 体检。定期说一句Lint my wiki自动修复索引问题、报告证据疑点和结构隐患。 小结karpathy-llm-wiki 的核心思想可以浓缩成一句话LLM 负责写 wiki人负责选资料和提问。raw 层保证每一篇知识页都能回溯到不可变的原始证据编译层把流水账蒸馏成结构化知识页Lint 层保证证据逐条可验证。三者叠加知识库不再是存进去就吃灰的笔记堆而是一个随使用持续增值的复利资产。【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 编译前vs编译后：karpathy-llm-wiki实战案例，看raw原始笔记如何变身结构化知识页
编译前vs编译后karpathy-llm-wiki实战案例看raw原始笔记如何变身结构化知识页【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wikikarpathy-llm-wiki 是一个兼容 Agent Skills 标准的 LLM 知识库技能它把网页、论文、笔记等原始资料收进raw/目录编译compile成带引用和交叉链接的结构化 wiki 知识页还能基于知识库带引用地回答问题并对整个 wiki 做质量检查。本文用一个真实的实战案例对比同一份 raw 原始笔记在编译前和编译后的差别带你完整看懂这套 LLM 知识库的工作流。 编译前raw 原始笔记长什么样在 karpathy-llm-wiki 的设计里raw/目录存放不可变的原始资料。它的规则很简单按主题分目录存放文件名遵循YYYY-MM-DD-描述性slug.md的格式slug 用小写连字符最长 60 字符文件开头带一个元数据头来源Source、采集日期Collected、发布日期Published忠实保留原文只清理格式噪音不改写观点打开 examples/2026-03-19-claude-code-statusline-landscape.md 就能看到一份典型的 raw 笔记——它是作者对 Claude Code statusline 工具生态的调研原始记录# Claude Code Statusline Market Scan Source: claude-pace project research Collected: 2026-03-19 Published: Unknown往下是密密麻麻的原始信息12 个竞品项目的 star 数、逐个竞品的分析笔记、用户痛点清单、issue 编号、甚至矛盾之处和不确定性的罗列。信息密度很高但结构是调研思维流——按发现顺序堆积而不是按概念组织。完整的格式规范见 references/raw-template.md。⚙️ 编译过程一次 Ingest 的 4 个步骤把一份资料喂给技能后编译按固定流程进行完整规范见 SKILL.mdFetch抓取存档把来源内容抓下来存进raw/主题/目录写入元数据头。Triage分诊在动wiki/之前先搜索已有知识判断这份资料的处置方式——New新建文章、Update合并进已有文章、Disputed与已有内容矛盾、No material没有新知识只记日志就停手。Compile编译把原始笔记蒸馏重写为结构化文章。硬性规则是先定位、后落笔locate before write——每一个数字、日期、直接引用都必须先在 raw 文件里找到原文再按原样写入杜绝幻觉数据。Post-Ingest收尾更新全局索引wiki/index.md并向wiki/log.md追加一条操作日志。关键设计在于一个来源可以触发多篇文章的联动更新Cascade Updates。新资料若推翻了旧结论旧说法不会被悄悄改写而是保留原文并打上Status: Outdated或Status: Disputed标记。 编译后wiki 结构化知识页长什么样同一份调研笔记编译后变成了 examples/claude-code-statusline-landscape.md。对比它的文件头# Claude Code Statusline Tool Ecosystem Sources: claude-pace project research, 2026-03-19; 2026-03-24 Raw: raw/ai-coding-tools/2026-03-19-...landscape.md Updated: 2026-03-24编译后的知识页有 5 个显著特征结构化重组不再按发现顺序而是按概念组织——Overview、Competitive Landscape、User Pain Points、Technical Trends、Impact可溯源引用头部的 Raw 字段用相对链接指回raw/原始文件每个关键数据都能追溯到出处表格化蒸馏12 个竞品的原始长表被提炼成 6 个头部竞品的定位对比表噪音信息被剔除交叉引用通过 See Also 和索引与其他文章互联知识越用越复利状态标记新旧结论冲突处显式标注 Outdated / Disputed历史可见文章格式模板见 references/article-template.md索引格式见 references/index-template.md。 前后对照同一份笔记如何变身维度编译前raw/编译后wiki/定位不可变的原始资料只读不改LLM 完全拥有并持续维护组织方式按发现顺序的调研流水按概念划分的结构化章节数据密度全量保留12 个竞品、issue 编号蒸馏提炼头部 6 个竞品 定位矛盾处理罗列在Contradictions一节就地标注 Status 块交叉引用可追溯性元数据头Source/CollectedRaw 链接回指原始文件逐条可验证更新方式永远不改每次 Ingest 都可能被级联更新一句话总结raw 是矿石wiki 是精炼金属——矿石永不修改金属持续提纯。 质量保障Lint 检查与证据脚本编译后的 wiki 靠 Lint 操作保持健康分三类Safe Fixes自动修复索引与文件不一致、死链、See Also 失效引用等直接自动修Mechanical Reports机械报告运行 scripts/check_evidence.py 做证据校验——把文章里的高信号字面量带 K/M 后缀的数字、小数、ISO 日期、长引文与它引用的 raw 原文逐条比对抓出原文里不存在的数字。脚本只报告、不修改Judgment Reports判断报告跨文章事实矛盾、孤儿页面、缺失的交叉引用等只报告由人决定操作日志见 examples/log-sample.md完整记录每一次 ingest、query、lint。示例知识库的 examples/ai-coding-tools-index.md 则展示了真实索引的样子每篇文章一行带摘要和 Updated 日期另有 Key Concepts 高频概念区。 快速上手3 步搭建你自己的 LLM 知识库git clone https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki第 1 步 · 喂入第一个来源。对支持 Agent Skills 的编程助手Claude Code、Cursor、Codex 等说Ingest this article: 一个 URL、文件或粘贴的文本首次 Ingest 会自动初始化目录结构your-project/ ├── raw/ ← 不可变的原始资料 │ └── 主题/YYYY-MM-DD-slug.md ├── wiki/ ← 编译后的知识页 │ ├── index.md ← 全局索引 │ └── log.md ← 只追加的操作日志第 2 步 · 提问。直接问我关于 X 知道些什么技能会先读索引、再全文检索给出带 markdown 链接引用的回答——回答指向的是已编译的知识页而不是重新搜原始文档。第 3 步 · 体检。定期说一句Lint my wiki自动修复索引问题、报告证据疑点和结构隐患。 小结karpathy-llm-wiki 的核心思想可以浓缩成一句话LLM 负责写 wiki人负责选资料和提问。raw 层保证每一篇知识页都能回溯到不可变的原始证据编译层把流水账蒸馏成结构化知识页Lint 层保证证据逐条可验证。三者叠加知识库不再是存进去就吃灰的笔记堆而是一个随使用持续增值的复利资产。【免费下载链接】karpathy-llm-wikiAgent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex. Build a Karpathy-style knowledge base from raw sources, citations, and linting.项目地址: https://gitcode.com/gh_mirrors/ka/karpathy-llm-wiki创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考