# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Artem Zhutov (@ArtemXTech) · 平台：X (Twitter) · 日期：2026-04-20

> 原始來源：https://x.com/ArtemXTech/status/2045912259210485815

## 中文摘要

# 我用更實用的工具取代了 Karpathy 的 LLM Wiki

在關於 LLM Wiki 最熱門的影片下方，有一則獲得最多讚的留言說：「對大多數人來說，這基本上毫無價值。」

我想知道他說得對不對。⌕ 我的目標是改善我的決策能力。我非常喜歡 Ray Dalio，也讀過他的《原則 (Principles)》一書。因此，我使用了相同的資料來源、設定相同的目標，並同時並行地建構了 Wiki 和我自己的系統。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527597-diaHGSIgHIWEAAfD5jpg.jpg)

以下是發生的情況。

## Karpathy 的 Wiki 架構

@karpathy 的 Wiki 包含三個部分。你的原始資料來源是 YouTube 字幕、文章和 PDF。Wiki 本身是一個讓 Claude 讀取每個來源、撰寫摘要，並將人物與概念提取到頁面中的地方。一個 schema 檔案會告訴 Claude 這個 Wiki 是如何組織的，這樣當你提問時，它才知道要去哪裡搜尋。

有了這些索引檔案和實體頁面，你可以輕鬆地查詢 Wiki 並在圖譜上進行導航。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644528001-iaHGSIdKyWAAAQ68Tpng.png)

## Wiki 的缺陷所在

我並行地將 19 個來源匯入到 Wiki 中，大約花了 20 分鐘。接著我對它提出了 10 個問題。

Claude 必須閱讀所有的字幕。索引並沒有發揮作用，Claude 為了回答一個問題，必須讀取完整的檔案。每個問題消耗 44,000 個 token，10 個問題乘以這個數字，消耗量相當驚人。

我的額度限制直接爆表，成本高到嚇人。

將其與 @NotebookLM 進行比較。我加入了 50 個來源，因為匯入是即時完成的。NotebookLM 的匯入只是 embedding（嵌入）。他們使用最先進的 embedding 模型，就像 Google 擁有的那些模型一樣。你根本不需要進行這種匯入步驟，隨時都可以直接提問。你不需要建構整個 Wiki 索引。

同樣的 10 個問題，每個回答大約只需一分鐘。這 10 個答案全部都有指向原始字幕的引用。

## 那又怎樣？

我們擁有了所有這些知識，然後呢？你建立了一個 Wiki，有了摘要，有了索引。接下來會發生什麼？你真的有運用這些知識嗎？

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527579-iaHGSIes4WYAAT6cppng.png)

這個 Wiki 與現實世界沒有任何整合。你頂多只能對它提問，僅此而已。

## 我改採用的做法

我的目標是改善我的決策能力。我針對這個目標提問，提取其中的概念，然後提升我的技能。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527719-iaHGSIbtLWEAAPxwJpng.png)

分為三個步驟：

1. ⚡ 從這些知識中創造技能。

1. ↻ 將這些技能整合到你的日常慣例中。

1. ▸ 在慣例中執行這些新技能。

一個很好的例子是晨間慣例，你可以將決策框架整合到你分配時間的方式中。

我根據 Dalio 的 5 步驟流程建立了一項決策技能：

1. ◎ 明確你的目標。

1. ⚠ 不要容忍問題。

1. ⌕ 診斷根本原因。

1. ◈ 設計計畫。

1. ▸ 執行計畫。

我增加了一個包含反思提示的每日模板，以及一個每週回顧區塊，詢問：「這週有重複出現的問題嗎？它們和我們上週遇到的問題是同一類型的嗎？」

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527594-iaHGSIaT0WkAAWZKDpng.png)

每當我需要做決定時，這項技能就在手邊。我是在應用這些知識，而不僅僅是儲存它們。

## 更多筆記本

我進行了更多測試並建立了更多筆記本。以下是我收集的一些範例。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527589-diaHGSIhmTXUAAZJXjpg.jpg)

舉個例子：我將過去兩週關於 Hermes Agent、OpenClaw 和 Claude Code 頻道的影片匯入到一個筆記本中，共 21 個來源。我問了很多問題，並得到了基於 YouTube 影片內容以及人們實際使用情況的精彩回答。

這正是它真正擅長的地方。我可以在不偏頗於單一 YouTube 影片的情況下掌握資訊。只看一部影片只會讓我得到一個人的觀點。將 21 部影片匯入筆記本能讓我快速進入狀況，並減少那種錯失恐懼感 (FOMO)。這幫助我保持冷靜。

這是我問的一個問題範例：「為什麼 @AnthropicAI 要禁止訂閱？」答案非常棒，並且基於所有影片內容。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527730-iaHGSIXZpWsAAzuTijpg.jpg)

如果我走 Wiki 那條路，Claude 每次回答問題時都必須重新讀取所有字幕。這實在太慢了，你無法等待。透過將整合工作外包給 NotebookLM，你消耗的 token 只是原本的一小部分。

而且免費 token 的時代已經結束了，我感覺到了。在一月時，Anthropic 的 token 是無限的，很難達到每週上限。現在限制正在收緊。LLM Wiki 的方法成本非常高且速度非常慢。

## Wiki 真正發光發熱的地方

我相信 Wiki 在你需要進行非常、非常深入的研究時會發光發熱。例如博士等級的研究，或是需要長期維護的專案。你需要極高的準確性，並且願意花 30 分鐘來匯入一個來源。

團隊 Wiki 我認為會是一個很好的應用場景。競爭對手分析絕對更適合用這種方式。Claude 可以讀取所有這些檔案並提供更好的回應，因為它能存取所有原始資料。

對於個人知識管理，如果只是想學習某個主題，我覺得這有點殺雞用牛刀。我不可能為每個主題都花一小時來設定一個 Wiki。我每天能消耗的 token 有限。目前 token 是有補貼的，所以你感覺不到太大的成本。如果你嘗試透過 API 使用它，你絕對不會想用 LLM Wiki 的方式。這根本行不通。

使用 NotebookLM，你不需要進行維護，也不需要進行處理。來源保持原始狀態。你提出問題，就能得到答案。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1776644527714-iaHGSIY0PWkAA5DsLpng.png)

## 試試看

打開 NotebookLM。請 Claude 幫你找出關於你主題的影片和文章。它會將它們加入到筆記本中。然後提出你的問題並獲得答案。就這麼簡單！

我建立了一個 NotebookLM 技能來為你完成這件事：notebooklm-skill-artemzhutov.netlify.app

## 標籤

LLM, 教學資源, 其他, LLM