LLM Wiki
PulseAugur coverage of LLM Wiki — every cluster mentioning LLM Wiki across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
AI 代理集成 Obsidian 保险库，重写知识库
obsidian-second-brain 存储库提供了一种将 AI 代理与个人知识库集成的新颖方法，该方法建立在 Andrej Karpathy 的 LLM Wiki 模式之上。该工具允许 AI 代理主动管理和交互 Obsidian 保险库，解决矛盾、记录代码库，甚至用用户存储的信息挑战用户。关键工程原理包括“开放知识代谢”，其中事实被时间戳或链接到实时源，以及“双时态事实”，它记录了信息何时为真以及何时被学习。该系统优先考虑 ma…
-
Andrej Karpathy 提出由 AI 维护的维基百科以取代 RAG
Andrej Karpathy 提出了一种新的 AI 知识管理方法，从检索增强生成 (RAG) 转向由 AI 维护的维基百科。这种方法涉及让一个 LLM 从原始源文档中编译和持续更新一个结构化的 markdown 维基百科，而不是为每次查询重新处理信息。目标是利用 AI 进行繁琐的维护和交叉引用，而这些工作通常是传统维基百科项目中人类所放弃的，从而创建一个更持久和不断发展的知识库。
-
Andrej Karpathy 提出 AI 驱动的 LLM wiki 用于知识管理
Andrej Karpathy 提出了一种使用 AI 代理构建和维护知识库的新方法，称为“LLM wiki”。这种方法涉及一个 AI 代理根据提供的来源组织和更新 markdown 页面，这与传统的检索增强生成 (RAG) 方法形成对比。LLM wiki 会一次性编译知识并保持其最新状态，将好的答案归档为新页面，从而随着时间的推移不断积累知识。该系统旨在通过让 AI 代理处理更新和交叉引用来克服传统 wiki 的维护负担。
-
LLM Wiki 用持久、可追溯的知识库取代 RAG
LLM Wiki 引入了一种新颖的两步摄入过程，通过创建持久、可追溯的知识库，超越了传统的检索增强生成（RAG）。该方法一次性分析文档以提取结构和关系，缓存中间结果以实现具有成本效益的增量更新。该系统会生成带有直接链接回原始来源的维基页面，确保源文档的更改或删除会自动反映在知识库中，这与依赖于临时索引的传统 RAG 系统不同。
-
LLM知识库实验对比RAG与编译方法
作者详细介绍了一个使用大型语言模型构建知识库的实验，将传统的检索增强生成（RAG）与受Karpathy的LLM Wiki概念启发的编译方法进行了对比。编译方法涉及模型一次性阅读整个库以创建结构化的知识页面，然后用于回答查询，无需实时检索。这种方法旨在克服RAG的局限性，特别是在处理冲突信息时，例如作者文档库中发现的两个不同的运输阈值。
-
AI第二大脑：Loop和Graph Engineering用于复合式LLM Wiki
本文探讨了循环工程（loop engineering）和图工程（graph engineering）的集成，以创建一个复合式第二大脑系统。文章提出使用开放知识基金会（OKF）框架来构建一个促进持久知识图谱的LLM Wiki。目标是通过使AI代理系统能够随着时间的推移进行学习和成长来增强它们。
-
Karpathy 式 LLM Wiki 可在 Obsidian 中实现自主知识库
一位用户详细介绍了一种创建自主知识库的方法，该方法受到 Andrej Karpathy 方法的启发，功能类似于 LLM Wiki。该系统设计为本地优先，可通过 Obsidian 访问，并由智能体驱动，允许 AI 自主更新和维护 Wiki。核心理念强调知识复利，即信息有机增长，而不是需要持续手动搜索。
-
Andrej Karpathy的LLM维基概念改变了个人知识管理方式
Andrej Karpathy关于使用LLM构建个人知识维基的概念，已经显著提高了部分用户的生产力。这种方法涉及将源文档输入LLM，以将信息组织成一个易于维护的Markdown维基。虽然需要维护，但对于需要研究帮助的用户来说，LLM维基已被证明非常有效，与传统数据库或搜索引擎相比，它提供了一种更易于访问的信息管理和检索方式。
-
Andrej Karpathy 的 LLM Wiki 概念挑战传统 RAG 系统 · 跟踪 1 个来源
Andrej Karpathy 推广的一个名为“LLM Wiki”的新概念，提出了一种从传统的检索增强生成 (RAG) 系统转变的思路。与 RAG 不同的是，RAG 会在每次查询时按需处理和检索信息，而 LLM Wiki 则在摄取过程中一次性编译知识。大型语言模型被用来理解、总结和构建源文档中的信息，形成一个可导航的 Markdown Wiki，其中包含相互链接的页面。然后，这个编译好的知识库被用来回答用户查询，提供更快的响应和更低的…
-
新的WikiLoop框架联合构建和导航代理原生知识库
研究人员开发了WikiLoop，一个新颖的框架，能够联合学习构建和导航代理原生维基。该系统允许一个持久的、链接页面的知识库，专为机器导航而设计。该框架使用共享策略，具有构建和导航的不同角色，其中构建者提出由导航者评估的编辑。WikiLoop在AuthTrace等基准测试中表现出改进的性能，尤其是在复杂的多文档查询方面，优于现有方法。
-
LLM-Wiki在真实代码库中测试审计跟踪和答案边界
LLM-Wiki正在实际环境中进行测试，重点关注在真实代码库中重建审计跟踪、来源和答案边界。这种方法并非基准测试，而是对这些元素的审慎方法论重建。
-
用户探索使用 Claude 的 LLM 维基进行任务管理
一位 Reddit 用户正在询问有多少人正在使用大型语言模型维基，特别是提到 Claude，来管理他们的任务和信息。该用户建议，这样的维基，使用 Obsidian 等工具并配合特定格式，可以通过充当持续的任务记忆来帮助用户避免常见问题。
-
开发者构建小型Python编码代理，在Terminal-Bench 2.0上取得59.6%的成绩
nano-harness 的开发者（一个用大约970行Python代码构建的编码代理）分享了他们的经验和基准测试结果。该代理在使用 Claude Opus-4.8 的情况下，在 Terminal-Bench 2.0 套件上取得了 59.6% 的分数。GPT-Sol-5.6 对代码进行的独立审查提供了宝贵的反馈，为项目的开发做出了贡献。该项目强调“每行代码得分”的理念，旨在构建一个小型、可读性强的框架，并提供有意义的基准测试数据。
-
LLM Wiki维护指南：漂移检测与治理
本文详细介绍了维护大型语言模型（LLM）Wiki的方法，重点关注稳健的知识管理实践。它涵盖了漂移检测、矛盾检查、引用规范和代码检查等技术，以确保编译信息的准确性和可靠性。该指南还涉及了有效的协作知识构建的治理和Git审查流程。
-
LLM Wiki 概念出现，用于个性化 AI 知识库
受 Andrej Karpathy 的“我的 AI Wiki”的启发，“LLM Wiki”的概念已经出现。这种方法旨在创建一个快速、易于设置的个人 AI 知识库。其理念是构建一个根据个人需求和偏好量身定制的维基。
-
Karpathy 的 LLM Wiki 因问题受到称赞，因解决方案受到批评
Andrej Karpathy 最近的 LLM Wiki 项目旨在创建一个持久的、不断发展的 AI 知识库，该项目因识别出当前 AI 内存系统中存在的关键问题而受到广泛赞誉。然而，作者认为 Karpathy 的实现存在根本性缺陷，并将其比作过去未能扩展的符号 AI 或知识图谱。识别出的核心问题是 LLM 提取过程中的信息丢失以及结构化维基中错误的永久性累积，这可能导致符号 AI 的死亡螺旋。
-
AI 代理试验 Zettelkasten 方法用于 LLM Wiki
作者一直在试验一种修改版的 LLM Wiki，其中融入了 Zettelkasten 笔记方法。这种方法涉及 AI 代理在每次迭代前阅读现有笔记，并在之后生成新笔记，目的是使这些 AI 生成的笔记能够进行版本控制。
-
Google 提出用于 AI 数据结构化的开放知识格式
Google 提出了开放知识格式 (OKF)，这是一个旨在利用 Markdown 和 YAML 文件来结构化数据目录、指标和运行手册的开放标准。该格式旨在改进知识的表示方式，使其同时适用于人类和 AI 系统，朝着将知识视为代码的方向发展。OKF 旨在成为一种中立的方法，从而促进 AI 应用程序和文档系统的开发。
-
OpenWiki 增加了图表生成功能，修复了错误并向上游贡献代码
OpenWiki 工具旨在从代码库自动生成和维护文档，现已增强了图表生成功能。最初，该工具仅生成文本和表格，缺乏可视化表示。通过指示底层 LLM（特别是 Opus）生成 Mermaid 图表，该工具现在可以创建基于源代码的准确序列图和 ER 图。一个图表标签中的分号导致渲染失败的错误被识别并修复，并提交了一个被 OpenWiki 项目接受的拉取请求。
-
Claude Code + Obsidian 系统打造 AI “第二大脑”
结合 Claude Code 和 Obsidian 的新系统出现，借鉴 Andrej Karpathy 的 LLM Wiki 概念，打造“第二大脑”。该实现解决了大型语言模型的主要局限性，包括记忆丢失、上下文管理问题和封闭的执行接口。通过使用 Obsidian 作为持久知识库，并利用 Claude Code 进行自动化处理，该系统使 LLM 能够积极参与知识组织、结构生成和长期演进，超越了简单的对话工具，成为知识编译器和轻量级代理。