三个文件夹加一张知识卡，AI 就替你维护个人知识库

Karpathy 在“LLM Knowledge Bases”原帖里，分享了一个方向。这个方向是让大模型整理、维护个人知识。这套方案面向普通使用者，不用搭服务器，也不用先学数据库名词。你只需要一个允许 AI 访问的项目文件夹，加上准备整理的公开资料。

第一步，只选一个正在用的主题。比如“我的短视频字幕流程”，或者“新手如何维护一个小网站”。选十份材料就够了，每份写一句“为什么留它”：解决什么问题，可能在哪个环节用到。写不出来的先别放。聚焦一个主题、限制数量，是为了让知识库不至于一开始就失控。小范围起步，更容易验证 AI 有没有理解需求，减少返工。

第二步是搭结构。建三个文件夹：sources 放原始材料和链接；notes 放整理后的主题笔记；inbox 放还没判断的内容。再建一个 index.md，写主题范围、入口和使用方法。Obsidian 的笔记保存在本地文件夹里，以 Markdown 文本为主。这个文件夹可以直接当资料入口，也能用其他文本编辑器打开。它只是可选的阅读界面。

先别追求漂亮的关系图。一条笔记能说清它讲了什么、什么时候核对过、证据在哪，就已经有价值。

第三步，统一每张知识卡的格式。建议只保留六项：要解决的问题、当前可用的方法、适用条件、原始来源、核对日期、仍不确定的地方。工具教程再多留一个版本或平台说明。比如一条字幕笔记，不能只写“某工具支持导出”。要写清导出的是什么、在哪个平台看到、是否需要特定权限、有没有实际打开过文件。先处理两份，用来检查格式和判断标准。一口气整理几百份，如果第一份就错了，后面只会生成更多需要返工的笔记。

第四步，用真正的问题来验收。别问“你读懂了吗”。要问“我现在要做一分钟讲解视频，按现有资料应该先处理字幕还是先调整节奏？哪些资料支持，哪些条件还没确定？”再追问一句：“这句话的证据在原文哪里？”如果 AI 给出一篇看似完整的回答，却点不开来源，也分不清推断，先修笔记结构。可以准备三道固定题：一道直接查询题，一道跨资料比较题，一道资料里没有答案的问题。最后一道尤其有用。好的结果会明确缺什么信息，再告诉你补什么。它不会为了显得聪明，把空白填满。用具体问题验收，能让知识库服务实际任务，而不是变成一堆漂亮的笔记。

第五步，设一条更新规则。新资料和旧笔记冲突时，要求 AI 同时保留日期和条件，标出冲突点。等核对后再替换结论。别让它默默擦掉旧说法，不然下次连哪里变了都不知道。每周只检查一个小主题：链接还能不能打开，重复笔记能不能合并，近期变化有没有影响原结论。临时聊天和未经证实的想法，先留在收件箱。确认之后再进入正式笔记。

隐私有一条要分清：文件存在本地，不代表用云端模型整理时内容也一直留在本地。私人材料先看工具的数据处理方式，再决定能不能交给它。密码、密钥、登录信息，不放进知识库。

这个方案不承诺替代所有搜索系统。资料很多、多人共同维护、更新频繁时，需要更完整的权限、检索和维护办法。

验收标准只有一句：下一次遇到同类问题，你能更快找到有出处、知道边界、看得懂的答案。文末附了提示词、操作图和知识卡模板。