尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载

　　将原始资料（论文 / 文章 / 代码 / 图片等）整理到 raw/ 目录中由 LLM 将其编译为一个结构化的 wiki（包含 .md 文件、反向链接以及概念分类）使用 Obsidian 作为前端进行浏览当 wiki 达到一定规模（他的案例是：100 篇文章、40 万字）后，可以直接围绕整个 wiki 提出复杂问题将每一次问答的输出重新归档回 wiki—— 这一点我认为是核心；知识库会随着使用不断变强由 LLM 定期进行健康检查：发现矛盾数据、补全缺失信息、挖掘新的研究方向

　　数据摄取（Ingest）：你将新的资料加入到原始数据集合中，并让 LLM 对其进行处理。一个典型流程是：LLM 读取资料，与你讨论关键要点，在 wiki 中写出一篇摘要页面，更新索引，同时更新整个 wiki 中相关的实体页和概念页，并在日志中追加一条记录。一个来源往往会影响 10–15 个 wiki 页面。Karpathy 个人更倾向于一次处理一个来源，并保持参与，他会阅读摘要、检查更新，并引导 LLM 强调重点。但你也可以选择批量导入多个来源，减少监督。最终，你可以形成一套适合自己风格的工作流，并将其记录在 schema 中，供后续使用。

　　查询（Query）：你可以围绕 wiki 提出问题。LLM 会搜索相关页面，阅读内容，并综合生成带引用的回答。回答形式可以根据问题而变化，可以是一个 Markdown 页面、一个对比表、一份幻灯片（Marp）、一张图表（matplotlib），甚至是一个画布（canvas）。关键的一点是：好的回答可以被重新归档进 wiki，成为新的页面。无论是一次对比分析、一段推理，还是你发现的一条关联，这些内容都具有价值，不应该消失在聊天记录里。通过这种方式，你的探索会像导入的资料一样，在知识库中持续积累。