Knowledge MEMO

把 Karpathy 的 LLM Wiki 装进你的 Obsidian —— 但请允许我们反对他一件事：人不能退出 loop

Why this exists

这几天 Andrej Karpathy 在推特点燃了一把火 —— 他发了一份 llm-wiki.md gist，提出 "LLM Wiki" 的理念：让 LLM 像程序员维护代码库一样，持续编译一个 Markdown 知识库。Gary Tan 也加入讨论（他的 gbrain 系统）。Karpathy 明确说这是 "idea file"，不是实现 —— "在 Agent 时代，你分享思路，别人让各自的 Agent 去搭。"

Knowledge MEMO 就是那个"别人搭的一版"，而且它不是从 gist 看完灵光一闪凑出来的 —— 它是作者 6 个月个人知识系统 + 三天整改（Phase 1-6）跑通的完整落地版本，碰巧和 Karpathy 的三层架构高度重合。

# 一行装好 SCHEMA / Ingest / Query / Lint / Retain
cp -r read insights note review query lint ~/.claude/skills/
cp SCHEMA.md AGENTS.md /path/to/your/vault/

💡 完整的哲学立场（为什么"人必须在 loop 里"，以及"为谁积累"的经济学论证），短版中英对照见 docs/philosophy.md。长文《实现人的四个未来化之知识 memo 化》正在撰写，发布后在此补中文链接。

Karpathy LLM Wiki → Knowledge MEMO 实现对照表

Karpathy Gist 概念	Knowledge MEMO 实现
Raw Sources	`Clippings/` + Obsidian Web Clipper
The Wiki	`Cards/` + 8 种 Card 类型 + Domain MOCs
The Schema	`SCHEMA.md` + `AGENTS.md`（根目录，Karpathy 惯例）
Ingest	`/read` + `/insights` + `/note`（双提议）
Query	`/query`
Lint	`/lint`
🆕 Retain	`/review` + FSRS-6（Karpathy 没写的第四步）

The Six Skills

Skill	Layer	Role	Output
`/read`	Flywheel	Deep reading of papers, articles, PDFs	Structured analysis report
`/insights`	Flywheel	Extract patterns from business content	Actionable insights report
`/note`	Flywheel	Distill conversation into Map + Stones	Summary + atomic cards (dual-proposal)
`/review`	Flywheel	FSRS-6 spaced repetition	Quiz + mastery tracking
`/query`	Governance	Query vault knowledge via MOC + search	Grounded answer with sources
`/lint`	Governance	Scan vault health (broken links, islands, gaps)	Vault Health Report

三层架构

┌──────────────────────────────────────────────┐
│  L1 Schema Layer (宪法)                       │
│  SCHEMA.md · AGENTS.md                        │
│  三层架构 / 8 种 Card / 四维标签 / 权限矩阵   │
├──────────────────────────────────────────────┤
│  L2 Flywheel Layer (动作闭环)                 │
│  /read → /insights → /note → /review          │
│         (Ingest)       (Retain)               │
├──────────────────────────────────────────────┤
│  L3 Governance Layer (治理)                   │
│  /query · /lint                               │
└──────────────────────────────────────────────┘
             ↓ all write to
       📓 Obsidian Vault

对齐 Karpathy 的三层架构（Raw Sources / The Wiki / The Schema），但多了一个治理层和一个 Retain 环节。

Quick Start

# 1. Clone
git clone https://github.com/owenliang60-ship-it/knowledge-mgmt.git
cd knowledge-mgmt

# 2. Install the six skills
cp -r read insights note review query lint ~/.claude/skills/

# 3. Install SCHEMA + AGENTS to your Obsidian vault root
cp SCHEMA.md AGENTS.md /path/to/your/obsidian/vault/

# (Optional) 4. Install card templates
cp -r templates /path/to/your/obsidian/vault/

Use in any Claude Code session:

/read https://arxiv.org/abs/...     # deep-read a paper
/note                               # distill this conversation
/query "what do I know about X?"    # ask your vault
/lint                               # weekly health check
/review                             # today's spaced repetition

Demo Gallery

真实运行中的样本卡片，来自作者个人领域（认知神经科学 / 投资 / 哲学 / 游戏设计）：

👉 demo/README.md

⚠️ 这些不是通用模板。它们是"一个跑通的系统长什么样"的样本。请 fork 改造，长成你自己的那一个。

How the Six Skills Work Together

`/read` — Understand Deeply

模拟专家读者过程：结构扫描 → 论点追溯 → 方法评估 → 逻辑批判。支持 URL / PDF / Obsidian 笔记 / 纯文本，quick（5 分钟概览）或 deep（完整分析）两种模式。输出一份结构化报告，可直接喂给 /note。

`/insights` — See What Others Miss

像分析师一样读商业内容：表面信息 → 深层逻辑 → 可迁移模式。每个洞察有三层（证据 → 逻辑 → 可迁移模式），优先收集反直觉、非显然的发现。输出一份结构化洞察报告，可直接喂给 /note 沉淀。

`/note` — Crystallize Knowledge (Dual-Proposal)

把对话压缩成两层：Map（叙事摘要，保留推理链）+ Stones（独立原子卡片，每张一个 idea）。人在 loop 的关键强制点 —— 不自动写卡，而是提出两个提议：(1) Wikilink 建议，你逐条确认；(2) Atomic Card 建议，你挑选。

`/review` — Make It Stick

FSRS-6 间隔重复覆盖 Obsidian 里所有 type/atomic 标签的卡片。AI 出题、评分、安排下次复习。两种题型：recall（凭记忆复述）和 question（回答具体问题）。Mastery 通过 Obsidian 标签追踪：mastery/new → mastery/again → mastery/good → mastery/easy。

`/query` — Ask Your Vault

先读 domain MOC（地图）→ 再做关键词搜索 → 综合 vault 知识 + 模型知识，给出带来源的答案。不是全文检索，是利用你自己编织的知识图谱作答。

`/lint` — Vault Health Check

扫描断链 / 孤岛卡片 / 缺标签 / MOC 不完整 / 知识缺口。输出 Vault Health Report（写入 Cards/ 作为 type/health-report 卡），你决定修复什么。

Human-in-the-loop: 一个关键约束

Karpathy 的方向里有一句话很诱人："维护成本趋近于零。" 他设想的是 LLM 作为"不知疲倦的知识工程师"，持续编译 wiki，让人基本退出。

我们在这一点上故意不一样。Knowledge MEMO 有三条硬性纪律：

没有自动信息流 —— 没有 auto-ingest、没有 scheduled scraping。你必须自己浏览、自己剪藏、自己决定今天读什么。
/note 是对话中的双提议 —— 它不替你写卡，它提议。Wikilink 要你确认，atomic card 要你挑选。
Agent 不独自改写 Wiki —— 所有写入 Cards/ 的动作必须经过 /note 的双提议通道，没有绕开它的 API。

为什么坚持这样？一句话："给 Agent 准备的 context 会被下一代模型淘汰，只有推进人脑的知识才是保值资产。" 完整论证见长文。

Upgrading from v1

v1 用户注意：v2 /review 用 type/atomic 标签识别原子卡，替代原来的 【】-in-H1 约定。在升级前运行迁移脚本：

python3 review/scripts/migrate_v1_to_v2.py /path/to/your/vault

完整指南见 docs/upgrade-from-v1.md。

Prerequisites

Claude Code — Anthropic's CLI for Claude（本 repo 的 skills 设计给 Claude Code 用）
Obsidian 1.12.4+ — 首选 obsidian CLI；或者任意 Obsidian MCP server 作为 fallback
Python 3.9+ — /review 的 FSRS-6 引擎（stdlib only，无任何第三方依赖）

Design Decisions

Decision	Choice	Why
Knowledge backend	Obsidian（local + markdown）	Local-first, no vendor lock-in, excellent bi-directional linking
Schema location	Vault 根目录 `SCHEMA.md` + `AGENTS.md`	对齐 Karpathy 惯例，Agent 读 vault 前自动加载
Atomic card identification	`type/atomic` tag	和 markdown 语法解耦，比 `【】-in-H1` 更可靠
`/note` workflow	Dual-proposal (interactive)	强制 human-in-the-loop
`/review` algorithm	FSRS-6	State-of-the-art open-source SRS, stdlib only
State storage	Local JSON	Simple, portable, env var `KM_REVIEW_STATE_PATH` 可覆盖默认路径
Templates	8 minimal templates with "fork me" disclaimer	降低复现门槛但强制可改性

Contributing

核心原则：Fork, Don't Consume。Knowledge MEMO 不是一个通用产品 —— 它是作者个人（认知神经科学/哲学/投资/游戏设计）的知识管理系统。我们开源它，是让你看到一个真实跑通的样本，然后去长出你自己的那一个。详见 CONTRIBUTING.md。

License

MIT — see LICENSE. Fork 随便改。