AI知识库悖论：越好用就越难用

写作背景：2026 年 4 月，Andrej Karpathy 发布了 LLM Wiki 方案，用 AI Agent 自动把零散资料"编译"成结构化的 Markdown 知识库，社区中很多人都跟随搭建了自己的"第二大脑"。我也在这类工具上折腾了一通，但最后还是回归了最老土的方式：以chrome书签为基地，手动分类、收藏、二次处理。本文仅针对个人通用助手和学习场景进行讨论，不针对标准化内容生成类工作。

Karpathy 的方案

Andrej Karpathy 的核心思路：别折腾向量数据库和 RAG 管道了，让 AI Agent 像人类一样通过"写笔记"来获得记忆。

具体做法是三层架构：原始资料层（不可变的素材）、Wiki 层（AI 写，人读）、以及一层 schema 约束。整个知识库就是一个 git 仓库里的 Markdown 文件，版本历史、协作、检索都有了。

这个方案踩中了三个技术爆发点：长上下文的普及（AI 能一次读完整个 Wiki）、RAG 幻觉的幻灭（向量搜索经常货不对板）、以及 Claude Code 等 Agent 的成熟（维护 Wiki 终于不用靠人力了）。

社区反应可以预料——所有人都想用 Agent 构建自己的全能分身。个人 CRM、第二大脑、代码库活文档，三大方向同时爆发。一句话总结当时的狂热：Karpathy 给了大家一种"低成本、高回报"的方案，回归 Markdown，让 Agent 像人类一样通过写笔记来获得真正的记忆。

我也入了坑。但做着做着，感觉越来越不对。

目的模糊症

收藏？整理？检索？消化？还是让知识成为自己的一部分、变成自己的常识？这五件事完全不同，但我在把它们混为一谈。

收藏是最容易的。看到一篇好文章，丢进收藏夹，觉得"我以后会看的"。整理也不难，分门别类，贴上标签，建好目录。检索是技术活，搞个向量数据库，做个相似度搜索。

我们对知识库的需求其实是很容易脱离预设边界的，一开始想要快速收藏，收藏之后又要快速分类，然后是建立关联方便查找，最后是向量化和智能检索。

在这个不断突破边界的过程中，人的能动空间一直被挤压，挤压到最后人已经不用管信息怎么来的怎么处理的，只管要结果。而也正是由于主动介入的减少，人对结果的满意度不会越来越高，只会越来越低。

就像撒手掌柜永远只会觉得下面的伙计做不好事情一样。

知识库难做的根源就在这里：人和工具的边界，在AI时代，格外的模糊。

工具越全面，我越脆弱

知识库不会一直让人感到好用，但会让人持续变脆弱。

自动化程度越高，我越不需要自己消化信息，我只需要"读"——甚至连读都不用，直接问 Agent 就行。

这有什么问题？这剥夺了我消化的压力，让我失去了学习的动力。

用机器代替所有体力劳动，肌肉会萎缩。用工具代替所有脑力劳动，思维能力也会萎缩。工具替我做了越多，我自己就越不需要做，我自己越不需要做，我就越依赖工具。循环下去，工具越来越好，我自己越来越弱。

有人会说：工具解放了时间，可以去做更重要的事。

但我观察到的现实是：我省下来的时间只是去消费更多内容——收藏更多文章，整理更多资料，然后继续让工具"消化"。这不算自我进化，这算自我外包。

还有一个更深层的问题。我好像在执着于用知识库"复制自己"——把所有的想法、偏好、决策记录下来，让 AI 变成一个数字分身。本质上是在回避"我是有限生命体"这个事实。但我是生物，我的意义感来自于体验、感受、犯错、成长——这些发生在原子的世界里，不是在比特和向量空间里。

一个完美的数字分身不等于我活着。

8分自己，2分工具

自我进化是阅读、思考、写作、实践、跟人讨论、犯错、修正。这些事很慢，很笨，很不"高效"。但它们是真正的学习——知识经过我自己的脑子，变成我自己的常识。

工具进化是优化知识库的结构、升级 Agent 的 prompt、调整检索策略。这些事有价值，但优化的是容器，不是内容。

8:2 是一个方向性的判断：主要精力放在自我进化上，工具只是辅助。当在工具上花的时间超过了内容本身，就需要停下来想一想了。

技术层面也需要区分对待。大部头的书籍，信息密度高、结构完整，还是适合用 RAG 做精确检索。碎片化的文章、句子、灵感，适合用 Karpathy 的 Wiki 方法——让 Agent 帮忙整理成结构化的笔记。但两种方案都只是"存储"层面的优化，解决不了"消化"的问题。

消化，只能靠自己，但这是个好事儿啊。

结语

Karpathy 的 LLM Wiki 是一个优秀的方案，但工具越好用，越要警惕自己是否在用工具替代思考。

知识库不是第二大脑，大脑也不需要第二个辅助外挂，它需要的是自我强化。

80% 的精力用来思考、实践、犯错、成长。20% 的精力用来优化工具，不能搞反。