大神卡帕西又一構想落地！Claude Code + Obsidian 爆火：創建你的「第二大腦」

2026 年 4 月，AI 領域重量級學者 Andrej Karpathy 提出了一套名為 **LLM Wiki** 的個人知識編譯系統，意在重新定義他個人的研究知識管理方式。這篇貼文發布後迅速在技術社群瘋傳，累計瀏覽量突破兩千萬，成為當月討論度最高的 AI 事件之一。不同於過往僅限於問答或生成內容的應用，Karpathy 的構想直接將大型語言模型（LLM）從「對話式工具」拉升至「知識生產系統」——模型不再只是被動回應問題，而是主動參與知識的組織、結構生成與長期演化。

這套系統的核心邏輯相當簡潔：使用者將所有原始資料——無論是論文、程式碼、網頁截圖還是圖片——統一丟進一個名為 `raw/` 的目錄，然後由 LLM 持續「編譯」這些素材，產出結構化的 wiki 知識庫，格式為 Markdown 檔案。編譯過程會自動產生概念頁、總結頁以及交叉引用，並持續維護索引與內容一致性。換句話說，LLM 變成了一個永不停止的「知識編譯器」，而不是一個偶爾開啟的聊天機器人。這樣的做法之所以引發巨大迴響，關鍵在於它第一次讓 LLM 的輸出具備了累積性與可檢索性。

過去使用者與 AI 的對話往往是一次性的，即使記錄下來也難以形成脈絡；LLM Wiki 則強迫模型把每一次的產出都沉澱為 wiki 結構的一部分，讓知識庫不斷自我擴張與更新。這正是「第二大腦」概念的實際體現——AI 不再只是幫你找答案，而是幫你建構一個持續進化的外部記憶系統。時隔兩個月，到了 2026 年 6 月 27 日，這項概念終於出現了更工程化的落地版本。一位代號為 RGK 的開發者將 Karpathy 的 LLM Wiki 思路進一步實作，利用 **Claude Code** 搭配 **Obsidian** 建構出一套可直接執行的「第二大腦系統」。

不同於原始方案仍需手動撰寫腳本與人工編排，RGK 的版本直接讓 LLM 連接本地端檔案系統與知識庫結構，將「編譯 wiki」這項工作變成持續自動運行的工程閉環。Claude Code 是由 Anthropic 推出的程式碼輔助工具，能夠在終端機中與開發者協作；Obsidian 則是以 Markdown 為基礎的筆記軟體，廣受知識工作者喜愛。RGK 的整合方案等於把 LLM 的編譯能力與 Obsidian 的連結、索引功能合而為一。

具體來說，使用者只需將來源資料放入指定資料夾，Claude Code 就會自動讀取、分析、撰寫 wiki 頁面，並將結果寫入 Obsidian 的筆記庫中，同時建立交叉連結與目錄索引。整個過程無需手動介入，LLM 會定期掃描新資料並更新既有條目。這套實作立刻在技術社群掀起新一波討論，許多人認為它真正補齊了 Karpathy 原始提案中缺少的「自動化維運」環節。過去要維持一個 LLM Wiki 需要使用者具備一定技術能力，自行編寫排程腳本、處理檔案衝突、管理版本；而 RGK 的方案透過 Claude Code 的指令能力與 Obsidian 的插件生態，大幅降低了這套系統的採用門檻。

開發者只需要設定好資料夾與觸發條件，剩下的編譯、更新、索引維護都可以由 AI 自動完成。從概念發想到可執行版本，僅花了不到三個月時間。這也反映出當前 AI 領域的迭代速度——一個好的想法往往在數週內就會出現多種實作，並且快速進化成更完善的工具。LLM Wiki 從個人筆記方案逐漸變成一個開源生態中的熱門專案，不少開發者開始貢獻自己的改進，例如加入多模態支援、版本控制、甚至與其他筆記軟體的整合。值得注意的是，LLM Wiki 的價值不僅止於個人知識管理。當這種持續編譯的機制應用在團隊或組織內部時，它可以徹底改變知識沉澱的方式。

過往團隊的知識庫往往需要人力撰寫、維護，隨著時間容易過時或分散；而 LLM Wiki 模式則讓 AI 自動從日常產出的文件、報告、對話中提煉結構化知識，讓人類專注於更高層次的思考與決策。對於 Karpathy 本人而言，LLM Wiki 或許只是他眾多構想中的一個，但它在社群中引起的漣漪卻遠遠超出預期。從一個簡單的 `raw/` 目錄開始，到如今 Claude Code + Obsidian 的完整工作流程，這條路證明了「讓 AI 成為知識編譯器」並非科幻，而是正在發生的現實。隨著越來越多人投入這套系統的實作與改良，真正的「第二大腦」或許已經悄然成形。