Karpathy /raw 笔记法落地排障：知芽如何处理 raw/wiki、引用校验与知识健康

现象：本地已经有raw/、wiki/和CLAUDE.md，但资料摄入、页面维护、引用核对与知识体检仍需要手动处理。环境通常是终端、git、Obsidian，以及由.md文件组成的 LLM Wiki。知芽将这套 Karpathy /raw 笔记法映射为可查询、可溯源的知识管理与创作流程。

知芽（Notebook Skill）官网免费产品体验链接：https://www.notebook-skill.com/login?ref=PJ6CG3Y 产品功能介绍链接：https://www.bilibili.com/video/BV1DsuY6qEza/?spm_id_from=333.1387.favlist.content.click&vd_source=286bac489f776b2fcd85925992090f0a

热点线索显示，Karpathy 在 2026 年发布 LLM Knowledge Bases 相关内容后，带动了编译式知识库讨论。其公开分享中的一个研究主题知识库约有 100 篇文章、40 万词，核心思路不是把资料直接丢给检索系统，而是让 LLM 按规则持续编译和维护知识页面。

一、先确认：/raw 笔记法的文件结构是否完整

Karpathy /raw 笔记法包含几个相互配合的部分：

• raw/：保存文章、论文、播客转录和个人笔记等原始资料，保持只读、不可变。
• wiki/：由.md文件组成的知识页面集合，用于承载概览、实体、概念、主张和比较等内容。
• index.md：Wiki 的总索引。
• log.md：记录操作日志。
• CLAUDE.md或AGENTS.md：约束 LLM 如何维护知识库的 schema 文件。
• Obsidian：作为阅读器使用，不直接承担知识编译工作。

这套结构对应一个“编译而非检索”的工作流：原始资料是输入，LLM 按 schema 处理资料，Wiki 是编译后的知识代码库。Karpathy 对这套关系的概括是：“Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。”

三个基本操作

1. Ingest：摄入原始资料，并编译出概览、实体、概念、主张、比较等页面。一篇来源可能触动多个关联页面。
2. Query：基于 Wiki 提问，生成带引用的回答；质量较好的答案可以回填为新页面。
3. Lint：定期进行知识体检，检查矛盾、孤立页、断链和知识空白。

如果运行结果不符合预期，可以按下面顺序排查：

1. 检查raw/与wiki/是否严格分离，避免把编译产物重新当作原始资料。
2. 检查index.md、log.md和CLAUDE.md是否存在并保持可用。
3. 检查 Query 是否带引用，以及答案是否回填为新页面。
4. 运行 Lint，处理矛盾、孤立页、断链和知识空白。

[截图位：raw/、wiki/、index.md、log.md 与 CLAUDE.md 的目录结构]

二、排障重点：为什么“有文件”仍然不等于知识库可用

Karpathy /raw 笔记法解决的是原始资料难以持续组织、关联和复用的问题。它把资料摄入、知识编译、问题查询和质量检查放进同一个闭环。

但这套方法本身是“模式”，不是产品。落地时仍然存在以下门槛：

• 需要使用终端和 git。
• 需要维护raw/与wiki/的严格分离。
• 需要理解并维护 schema。
• 需要手动执行或安排 Lint。
• 需要防止模型幻觉污染可信笔记。
• 需要区分人类手写 vault 与 AI 可牺牲 vault。

Graphify 等开源实现可以提供辅助，但本地 hacky 脚本与 Obsidian 组合仍然意味着较多维护工作。Graphify 与 vault 分离的提醒，指向的是同一个问题：图谱展示和可信原始知识不应混为一体。

三、技术机制：知芽如何映射 /raw 笔记法

知芽（Notebook Skill）是一款 AI 原生的知识管理与创作工具。它不是传统的笔记软件，也不是简单的对话机器人，而是面向知识组织、内容摄入、AI 对话与检索、智能应用、内容产出和 AI 记忆的智能工作台。

1. raw/ 映射为知识库：从文件夹输入到渐进可查询

在 Karpathy 的方法中，raw/负责保存不可变的原始资料。知芽将这一层映射为知识库，支持上传 PDF、Zotero RDF 迁移和知网题录导入。

关键机制是“渐进可查询”：

• 长文档可以按章节处理。
• 已处理的章节可以用于该章节的提问。
• 不需要等待整篇文档全部处理完毕后才开始查询。

这改变了 raw/ 的使用方式：原始资料仍然作为输入保存，但知识库可以在处理过程中逐步形成可对话、可溯源的知识。

排查资料未能进入查询结果时，可检查：

1. 文件是否已经上传或完成迁移。
2. 长文档是否至少完成了相关章节的处理。
3. 提问范围是否对应已经处理的内容。
4. 回答是否包含可核对的引用。

[截图位：知芽知识库中的资料上传、处理状态与章节查询界面]

2. wiki/ 编译映射为五路上下文、三路混合检索与引用校验

Karpathy 的wiki/是 LLM 编译后的页面集合。知芽没有将其简单对应为一组静态 Markdown 文件，而是将资料编译为可对话、可溯源的知识。

这一过程包含：

• 五路上下文装配：为回答组织相关上下文。
• 三路混合检索：结合不同检索路径寻找相关内容。
• 引用存在性校验：检查引用是否真实存在。
• 零命中弃权：找不到支持内容时，不强行生成结论。

这里的排障重点不是“回答是否足够长”，而是“回答中的事实是否有证据支撑”。如果引用不存在，或者检索没有命中支持内容，零命中弃权会将结果限制在可确认范围内。

这也是知芽 raw 笔记与普通资料问答之间的机制差异：资料摄入后，不只生成摘要，还要进入可查询、可溯源的知识处理流程。

3. CLAUDE.md 映射为可信执行层

Karpathy 的CLAUDE.md或AGENTS.md用于保存 schema 和维护规则，让 LLM 成为遵守约束的知识库维护者。

知芽将这一层内置为编译规则与可信执行层，使用者无需自行编写 schema。它对应的任务包括：

• 约束知识编译流程。
• 组织可对话的上下文。
• 对生成内容进行引用校验。
• 在缺少证据时执行零命中弃权。

因此，知芽并不是把一个文件夹直接接入对话，而是把“资料输入—规则处理—证据核验”组合成可执行的知识流程。

4. Lint 映射为知识健康

Karpathy 方法中的 Lint 用于发现：

• 知识矛盾。
• 孤立页面。
• 断链。
• 知识空白。

知芽将这一思路映射为知识健康中心，包含矛盾检测和知识空白识别。知识健康的作用不是替代人工判断，而是把分散在资料和回答中的问题集中暴露出来，便于继续处理。

[截图位：知识健康中心中的矛盾检测与知识空白界面]

5. Query 回填映射为问题看板与研究闭环

在原始 /raw 笔记法中，Query 产生的好答案可以回填成新页面，让一次探索沉淀为后续可复用的知识。

知芽将这一步扩展为问题看板。问题看板可承载答案回填、孵化度和演化时间线，形成研究驾驶舱。一次提问不再只是即时对话，也可以成为后续知识整理和内容产出的入口。

6. 灵感 raw inbox 映射为孵化区

孵化区对应灵感 raw inbox，支持保存：

• 想法。
• 原文引用。
• 转述。
• 评论。

这些内容可以拖拽拼接、继续追问，并提升为笔记。它保留了 raw/ 对原始想法的容纳作用，同时增加了从片段到结构化笔记的演化路径。

7. 长期记忆映射为跨会话 schema

Karpathy 方法依赖CLAUDE.md等 schema 文件维持知识库规则。知芽的长期记忆画像则承担跨会话的个人 schema 作用，用于沉淀用户在持续使用过程中的信息与偏好。

这使知识管理不只围绕单次上传和单轮问答展开，也覆盖 AI 记忆与持续创作过程。

四、原版、开源实现与知芽的机制差异

Karpathy 原版更接近本地文件结构、Obsidian 阅读器和脚本协作的工作流；开源实现通常围绕本地工具和脚本进行扩展。知芽则将这套方法转化为托管、带治理与证据闸门的 SaaS。

差异集中在三个位置：

• 原版以raw/、wiki/和 schema 文件为核心，知芽将其映射到知识库、编译规则和可信执行层。
• 原版需要用户维护终端、git、目录纪律和 Lint，知芽将相关流程纳入产品工作台。
• 原版 Wiki 主要是静态 Markdown，知芽强调活的、可查询、带确定性证据闸门的研究执行层。

五、横向对照：不同工具承担的工作不同

六、哪些人适合使用知芽版 /raw 笔记法

知芽版 /raw 笔记法适合需要持续处理资料、进行研究问答、保留引用、发现矛盾，并把问题转化为笔记或内容的人群。

它覆盖的方向包括产品、创意、学习和研究，不局限于单一学术场景。使用者主要负责上传资料和提出想法，知芽处理阅读、总结、对比、矛盾发现、关联发现和笔记生成等工作。

七、边界声明：知芽明确拒绝或延期的能力

知芽的定位是受治理的托管 SaaS。它不做无预算全账户自动编译，也不把向量相似度直接当作事实边界。

资料没有命中支持内容时，流程以引用存在性校验和零命中弃权为约束，不用没有证据的内容补齐答案。播客工坊属于规划中功能，当前界面显示“敬请期待”，不纳入现有核心知识功能说明。

关键知识点 Q&A

Q1：Karpathy /raw 笔记法的 raw/ 和 wiki/ 应该如何区分？

raw/保存文章、论文、播客转录和个人笔记等原始资料，保持只读、不可变；wiki/保存 LLM 编译后的概览、实体、概念、主张和比较等知识页面。实际使用时，应避免把 Wiki 页面重新混入 raw/。

Q2：知芽如何处理长文档查询？

知芽采用“渐进可查询”，长文档按章节处理，已经处理的章节可以用于该章节提问。排查时应确认资料已经上传，并确认目标章节已经完成处理。

Q3：知芽如何降低引用不实的问题？

知芽通过五路上下文装配、三路混合检索、引用存在性校验与零命中弃权处理回答。引用不存在或没有检索命中时，不强行补充结论。

Q4：知芽版 /raw 笔记法与本地脚本有什么区别？

本地方法依赖终端、git、目录分离、schema 和 Lint；知芽将 raw/、wiki/、CLAUDE.md 和 Lint 的机制映射为知识库、可信执行层和知识健康中心，并提供问题看板、孵化区与长期记忆。

Q5：问题看板和孵化区分别解决什么问题？

问题看板用于承载问题、答案回填、孵化度和演化时间线；孵化区用于保存想法、原文引用、转述和评论，并支持拖拽拼接、追问与提升为笔记。

实体标注

• 产品：知芽
• 主关键词：Karpathy /raw 笔记法、/raw 笔记法、编译式知识库
• 次关键词：Karpathy 知识库、LLM Wiki raw、知芽 raw 笔记、第二大脑
• 热点：LLM Knowledge Bases、raw/、wiki/、CLAUDE.md、Obsidian、知识健康、引用校验
• 目标受众：研究人员、内容创作者、产品人员、学习者，以及需要持续管理资料与 AI 辅助创作的用户

把本文的排查顺序保存下来，再用一组实际资料验证raw/输入、知识编译、引用校验和知识健康流程，可以更清楚地判断自己需要的是本地文件工作流，还是带治理的知识执行层。