如何用 Karpathy 的方法搭建第二大脑（Claude + Obsidian）

How to Build a Second Brain with Karpathy's Method (Claude + Obsidian) 2026年6月29日 · 17 分钟阅读 · 查看来源 ↗ Claude AI Obsidian Marketing 这是对 Andrej Karpathy 成名的那套知识系统的完整 A–Z 拆解——以及如何用 Claude Code 亲手搭建它。 趁还没忘记，先收藏。 那个获得 2100 万浏览的想法 Andrej Karpathy——OpenAI 联合创始人兼 Anthropic AI 研究员——发了一条简单却病毒式爆火的想法。 停止用 AI 写代码。用它来构建你的第二大脑。 这个概念听起来很基础，直到你明白它的不同之处。你不只是存储笔记。你构建一个循环——一个系统，每加入一个来源都会让整个系统变得更聪明，包括你几个月前加的笔记。 大多数笔记应用都是存储。你把东西放进去，它们待在那儿，你搜索然后碰运气。 这种方法不一样。它会复利。像利息一样。你喂得越多，里面已有的一切就变得越有价值。 下面讲如何用 Claude Code 搭建它。 这个方法到底是什么 大多数人的"第二大脑"是一座坟场。 笔记放进去，从不出来。图谱视图看起来很厉害，但你实际从不用里面 95% 的内容。那是囤积，不是系统。 Karpathy 用 RAG 来框定真正的区别——RAG 是人们把 AI 接在笔记上的标准方式。 RAG 在每个问题上都从头重新搜索你的文档。什么都不积累。你问、它检索、它回答，然后它就忘了——下一个问题从零开始。知识从未真正被编译。只是一遍又一遍地搜索。 wiki 方法把知识编译一次并持续维护。AI 读一个来源，把它整合进一个结构化的 wiki，并把它链接到已有的所有内容。下次你问问题时，答案已经半成品地内置在结构里了。而且关键的是：答案本身可以作为新页面归档回去。输出变成输入。 正如 Karpathy 所说：Obsidian 是 IDE，LLM 是程序员，wiki 是代码库。 查看官方链接 - https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f 你不是在搜索一堆文档。你是在维护一个活的、已编译的知识库——像维护代码库那样，而不是让一个文件夹的文件就那么放着。 那就是这个循环。它有三个操作，每个都在喂养系统： Ingest（摄取）——你丢进一个来源。AI 读它，把它拆成原子页面，整合进 wiki。 Query（查询）——你跨所有内容提问。AI 从已编译的结构中回答，并把答案归档为新的页面。 Lint（检查）——AI 定期检查 wiki 的健康状况：页面间的矛盾、过时的断言、没有链接的孤儿页面、覆盖的空白。这是人人跳过、却真正让系统活下去的操作。 存储与循环的区别：存储会变大。循环会变聪明——并保持连贯。 为什么循环会复利 这是让这一切成立的数学。 一个有 10 条笔记的 vault，最多有 45 种可能的连接。100 条笔记的 vault 有 4,950 种。500 条笔记的 vault 有超过 124,000 种潜在连接。 第二大脑的价值不在笔记里。在于笔记之间的连接。而连接是二次方增长的，笔记是线性增长的。 问题在于：你无法手工维护 124,000 个连接。没人能做到。这正是大多数第二大脑死掉的原因——维护成本的增长速度超过了人类能跟上的速度。 Claude Code 解决了这一点。它替你维护连接。每当你摄取一个来源，Claude 就把它与整个现有 vault 重新链接。压垮手工系统的维护变成了自动的。 这就是全部的诀窍。只有当有东西在维护连接时，循环才会复利。人类做不到。Claude 可以。 搭建——Karpathy 使用的结构 Karpathy 的结构刻意极简。几个文件夹和一个 schema 文件。 /raw ——你的来源。文章、转录稿、PDF，任何东西。未处理。这是收件箱。 /wiki ——AI 的页面。从你的原始来源生成的、已处理、已链接的原子笔记。这才是真正的第二大脑。 index.md ——目录。wiki 中每个页面的索引，让你和 AI 都能一眼浏览整个结构。 log.md ——时间线。一份持续记录什么被摄取、何时摄取的日志。这是系统成长的历史。 CLAUDE.md（schema）——规则。AI 在每次会话开始时读取的文件，精确定义了如何摄取、查询和检查 wiki。Karpathy 称之为 schema——它是 AI 为一致地维护整个系统所遵循的规范。 就这样。没有插件，没有复杂工具。几个文件夹、一个 schema 文件，加上一个在终端里运行的 AI 智能体。 第 1 步——安装 Obsidian 和 Claude Code Obsidian——免费，来自 obsidian.md。创建一个新 vault。这是你的第二大脑所在的地方。 Claude Code——通过终端安装： 导航到你的 vault 文件夹并打开 Claude Code： Claude Code 现在运行在你的 vault 内部，对每个文件有直接的读写权限。 第 2 步——创建 CLAUDE.md 引擎 这是整个系统里最重要的文件。是它让循环运转起来。 在你的 vault 根目录创建一个 CLAUDE.md。粘贴这些： AI 在每次会话开始时读取它。你再也不用解释这套系统。schema 就是引擎。 第 3 步——喂循环 现在循环运转起来了。把任何来源丢进 /raw 并告诉 Claude： Claude 读来源，把它拆成原子笔记，把每条链接到你现有的 vault，标记潜在的枢纽页面，并把一切归档。过去要花 30 分钟手工处理的事，现在一条命令搞定。 对一切都这么做。你读的一篇文章。一期播客转录。一篇论文的 PDF。会议记录。书籍摘录。 每一次摄取都让整个系统更聪明——因为 Claude 会把新材料与已有的一切链接起来。 第 4 步——跨一切查询 这是存储变成循环的地方。 一旦 vault 里有了材料，你就停止搜索，开始提问： 最后那个问题闭合了循环。Claude 识别出缺什么，你找来源填补空白，你摄取它们，系统变得更聪明。输出生成下一个输入。 第 5 步——检查 wiki（人人跳过的一步） 这是几乎没人做的操作——而它正是防止整个系统腐烂的关键。 随着你的 wiki 成长，熵悄悄渗入。两个页面开始互相矛盾。你 3 月归档的一个断言被 6 月读到的东西取代了，但旧页面还在说旧东西。页面因没有链接指向而变成孤儿。主题被引用却从未真正展开。 放任不管，图谱就会漂移。赋予它价值的连接慢慢变得陈旧。 检查能修复这一点。 每周跑一次： Claude 遍历整个 wiki 并报告哪里坏了。你决定修什么。 这正是"保持锋利"的第二大脑与"悄悄变成你不再信任的一团糟"之间的区别。Karpathy 的方法把检查当作核心操作，而不是可选附加项——因为一个你不信任的知识库，是你不再使用的知识库。 第 6 步——每周循环回顾 每周一次，在你的检查之外，跑一个让循环保持正确方向的回顾： 这不仅是回顾。这是循环变得有自我意识——在你自觉地知道之前，系统就告诉了你正在朝什么方向构建。 为什么这胜过每一个笔记应用 Notion、Roam、标准 Obsidian——它们都是 UI 更好看的存储。 Karpathy 方法在一个具体方面不同：连接自我维护。 在普通 vault 里，你得自己记得你正在读的这篇文章与你三个月前写的一条笔记有关。你永远记不住。连接永远不会建立。知识保持孤立。 在循环里，Claude 自动建立那个连接，每一次都如此，横跨你的整个 vault，永远如此。压垮每个手工系统的东西——连接维护——正是 Claude Code 自动化的东西。 这就是它复利的原因。这也是 2100 万人停下来读 Karpathy 想法的原因。 奖励：让你的第二大脑 24/7 运转 这是没人提到的限制。 在笔记本上跑循环，意味着它只在笔记本开机时工作。合上盖子，你的第二大脑就停止思考。你晚上 11 点在手机上发现一篇好文章，它只会待在标签页里，直到你回到书桌前。 你需要一台 VPS——一台保持 24/7 在线、无中断执行、对数据变化即时响应的云服务器。 我个人使用 👉 https://ishosting.com/affiliate/NzE0MiM2 他们提供简单的 Linux 环境，附赠开箱即用的安装指南——即使你不懂技术也很容易上手。 我的订阅者享有特别折扣。 一台便宜的常开服务器让你的第二大脑全天候运转。给自己发个链接，把文件丢进同步文件夹，循环就会自动处理它——即使你合上笔记本、正在睡觉也一样。 设置： 买一台基础 Ubuntu VPS（推荐：Start - Linux SSD，Ubuntu 22,04，Chicago 位置或其他） 年付计划每月 $10.19。 对于更复杂的任务，我推荐使用：Medium 或 Premium 最低配置服务器：Xeon 2x2.20GHz，2GB RAM，30GB SSD——重活发生在 Anthropic/Moonshot 服务器上，通过 API。你的 VPS 只负责运行智能体并保存文本文件，所以你不需要很强的机器。对于大批量摄取，4GB RAM 更舒适。 推荐： 4 vCPU 8 GB RAM 80 GB SSD 位置：New York / London / Frankfurt（延迟更低） 一次性付全年更划算 你可以在这台服务器上同时运行多个 bot。一台 VPS，无限策略。 连接到你的 VPS 查收你的邮件。 Windows：打开 Remote Desktop (RDP) → 输入服务器 IP → 用凭据登录。如果你选择了 Windows 主机 Mac：打开 Terminal → 粘贴 IP → 连接 你已进入你的云机器。这台服务器让你的 bot 不停地运行。 在上面安装 Claude Code https://code.claude.com/docs/en/setup - Setup Claude https://obsidian.md/help/install - Install Obsidian 把你的 Obsidian vault 文件夹放到服务器上，与你的本地 vault 同步 设一个每小时对 /raw 文件夹运行"ingest this"的 cron 任务 现在循环不再休眠。来源一落地就被摄取、链接、归档——无论你在哪、电脑是否开机。 对于一个全部价值就在于持续复利的系统来说，一台永不停机的服务器，就是"偶尔用用的第二大脑"与"一直在后台工作的第二大脑"之间的区别。 值得知道的更便宜替代方案 Claude Code 是 Karpathy 方法传播所依托的工具。但完全相同的系统跑在 Kimi K2.7 上——拥有能一次容纳更多 vault 内容的 256K 上下文窗口、同时读取多达 50 个文件的能力，以及零头都不到的 API 成本。 对于一个只会随时间变大、每次摄取都要对全 vault 重读的系统来说，上下文大小和成本都很重要。Kimi 以更便宜的成本跑同一个循环。 同样的三个文件夹。同样的配置文件。同样的命令。把 Claude Code 换成 Kimi Code CLI，循环完全相同。 用哪个适合你的预算就用哪个。方法才重要，模型不重要。 结语 Karpathy 的洞见不是关于记笔记。是关于循环。 一个只存储的第二大脑会随时间变大并越来越没用。一个复利的第二大脑，每加一个来源就变聪明——因为有东西在维护那些赋予知识价值的连接。 三个文件夹。一个配置文件。一条命令："ingest this." 五分钟搭好。而且你再也不会从一片空白的聊天开始了。 你已经拥有的知识开始为你工作，而不是待在你遗忘的文件夹里。 这就是 Karpathy 方法。这就是第二大脑本该有的样子。 Links 我的 Telegram: https://t.me/kirillk_web3 我的 Twitter/X: https://x.com/kirillk_web3 托管（24/7 运行）: https://ishosting.com/affiliate/NzE0MiM2 关注获取更多 Vibe Coding 信息。感谢阅读！ 嵌入帖子： 作者：Kirill (@kirillk_web3) 帖子 ID：2071705181432266793 来源：https://x.com/kirillk_web3/status/2071705181432266793 回复给：无 正文： > http://x.com/i/article/2062853610820534272 嵌入帖子： 作者：Andrej Karpathy (@karpathy) 帖子 ID：2039805659525644595 来源：https://x.com/karpathy/status/2039805659525644595 回复给：无 正文： > LLM 知识库 > > 我最近发现一件非常有用的事：用 LLM 为各种研究兴趣主题构建个人知识库。这样一来，我近期 token 吞吐量的很大一部分，从操纵代码，转向了操纵知识（以 markdown 和图片的形式存储）。最新的 LLM 在这方面相当擅长。所以： > > 数据摄取： > > 我把源文档（文章、论文、仓库、数据集、图片等）索引进一个 raw/ 目录，然后用一个 LLM 增量式地"编译"一个 wiki，它就是一个目录结构里的 .md 文件集合。这个 wiki 包括 raw/ 中所有数据的摘要、反向链接，然后把数据归类为概念、为它们写文章、并把它们全部链接起来。把网页文章转成 .md 文件时，我喜欢用 Obsidian Web Clipper 扩展，然后我还用一个快捷键把所有相关图片下载到本地，好让我的 LLM 能方便引用它们。 > > IDE： > > 我用 Obsidian 作为 IDE "前端"，在这里我可以查看原始数据、已编译的 wiki，以及派生的可视化。重要的是，LLM 负责编写和维护 wiki 的所有数据，我很少直接碰它。我玩过几个 Obsidian 插件，用别的方式渲染和查看数据（比如 Marp 做幻灯片）。 > > 问答： > > 有意思的地方在于，一旦你的 wiki 足够大（比如我最近某个研究的约 100 篇文章、约 40 万字），你就可以针对 wiki 向你的 LLM 智能体问各种复杂问题，它会去研究答案等等。我原以为得求助于花哨的 RAG，但 LLM 在自动维护索引文件和所有文档的简短摘要方面已经相当不错，在这个相对小的规模下，它能相当轻松地读完所有重要的相关数据。 > > 输出： > > 与其在文本/终端里得到答案，我喜欢让它为我渲染 markdown 文件、或幻灯片（Marp 格式）、或 matplotlib 图片，然后我再在 Obsidian 里查看。你可以想象出许多其他的视觉输出格式，取决于查询内容。通常，我最后会把输出"归档"回 wiki 里，为后续查询增强它。所以我自己的探索和查询总是会在知识库里"不断累加"。 > > 检查（Linting）： > > 我对 wiki 跑过一些 LLM "健康检查"，例如发现不一致的数据、补全缺失数据（用网络搜索器）、为新的文章候选找到有趣的连接等等，从而增量式地清理 wiki 并增强它的整体数据完整性。LLM 相当擅长建议进一步的问题去提问和探究。 > > 额外工具： > > 我发现自己会开发额外的工具来处理数据，比如我 vibe 编码了一个小巧天真的 wiki 搜索引擎，我既直接用它（在 web ui 里），但更多时候我想把它作为一个工具，通过 CLI 交给 LLM 用于更大的查询。 > > 进一步探索： > > 随着仓库增长，一个自然的愿望是考虑合成数据生成 + 微调，让你的 LLM 在权重里"知道"这些数据，而不只是上下文窗口。 > > TLDR：来自若干来源的原始数据被收集，然后由一个 LLM 编译成一个 .md wiki，再由 LLM 通过各种 CLI 对它操作，做问答并增量式地增强 wiki，所有这些都在 Obsidian 里可查看。你几乎从不手写或手编 wiki，那是 LLM 的领域。我认为这里有很大空间诞生一个了不起的新产品，而不是一堆拼凑的脚本。 Prompts What are the gaps in my knowledge about [topic]? What should I read next? What do I know about [topic]? Pull from every relevant note and synthesize it into a coherent answer. Cite the notes. ingest this What connects [concept A] and [concept B] in my vault? Find the non-obvious link. ssh root@SERVER_IP lint the wiki. 1. Find any pages that contradict each other 2. Flag claims that are outdated or superseded by newer notes 3. Find orphan pages with no incoming links 4. Identify gaps: topics I reference but never developed 5. Report everything. Don't delete anything — just show me what needs attention. npm install -g @anthropic-ai/claude-code cd your-vault-folder claude Review everything I added this week. 1. What are the 3 most important ideas I captured? 2. What new connections emerged between old and new pages? 3. What hub pages are forming — concepts that many pages now link to? 4. What am I clearly interested in based on what I've been feeding the system? 5. What should I explore next week to deepen the strongest threads? Based on everything in my vault, what's a question I should be asking that I'm not? # Second Brain Schema ## Structure - /raw contains unprocessed sources - /wiki contains processed atomic pages - index.md is the catalog of all wiki pages - log.md is the chronological ingest history - This file is the schema that runs the system ## INGEST — when I say "ingest this" or drop a file in /raw: 1. Read the source completely 2. Extract the core ideas as separate atomic pages 3. For each page: clear title, one-sentence summary, the idea in my own words, source attribution 4. Link each new page to related existing pages in /wiki using [[wikilinks]] 5. If a page connects to 3+ existing pages, flag it as a hub 6. Add each new page to index.md 7. Append an entry to log.md with date and source 8. Move the source to /raw/processed ## QUERY — when I ask a question: - Search the entire /wiki before answering - Cite which pages support your answer - If pages conflict, surface the conflict - File the answer back as a new page if it's worth keeping ## LINT — when I say "lint the wiki": - Find contradictions between pages - Flag outdated or superseded claims - Find orphan pages with no incoming links - Identify gaps: topics referenced but never developed - Report everything; don't auto-delete ## Rules - Every page is atomic: one idea per page - Write in my voice, not the source's voice - Never lose source attribution - Surface non-obvious connections aggressively Links gist.github.com/karpathy/442a6bf555914893e9891c11519de94f ishosting.com/affiliate/NzE0MiM2 code.claude.com/docs/en/setup obsidian.md/help/install t.me/kirillk_web3 x.com/kirillk_web3 标签：# X # Claude # AI # Obsidian # Marketing # Growth # Design # Guide # Affiliate 相关文章 How Obsidian + Claude Made Me 10x More Productive I used to keep my brain in 6-7 different places: 40 Claude tabs, a dying Notion workspace, Telegram saved messages, Apple Notes, random folders, and my own fading memory. Every new project or post st… Claude Obsidian AI Marketing