基于 LLM Wiki 打造自进化 AI 编程系统

大多数开发者将 Claude Code 视为一个强大的结对编程工具：粘贴上下文，请求功能或修复，然后获取代码。然而，在下一个会话中，它往往会遗忘关键决策，重复已被拒绝的模式，或者缺乏对现有组件和业务规则的认知。

这种“上下文失忆症”（Context Amnesia）严重阻碍了大型项目的进展。Andrej Karpathy 最近分享了一种更好的模式——LLM Wiki。

核心理念：从一次性回答转向复利式知识库

与其将 LLM 视为无状态的代码生成器，不如利用它来构建和维护一个持久的、自我更新的知识库——一个由相互关联的 Markdown 文件组成的“活体 Wiki”。

• 运作流程：原始资料输入 → LLM 进行编译、总结、链接和维护 → AI 随着时间的推移变得越来越聪明。
• 知识积累：传统的 Prompt 或基础 RAG 每次都会向模型投喂原始文档，知识无法积累。而 LLM Wiki 模式下，LLM 会维护一个 wiki/ 目录，包含结构化的 Markdown 文件（摘要、实体页面、概念文章、反向链接和索引）。
• 自我维护：LLM 会标记矛盾、建议新的连接、在有新信息时更新页面，甚至将生成的代码解释重新归档到系统中。

项目实战：前端与 CRM 系统的结合

我将这一想法应用于我的 React/TypeScript 项目。通过让 Claude Code 摄取代码库、Shadcn/ui 组件、CRM 需求和 API 规范，效果令人惊叹：

1. 自动文档化：它发现并记录了所有现有的 Shadcn 组件。
2. 架构关联：它为数据模型、用户流和架构决策创建了互联页面。
3. 一致性维护：在请求开发新仪表盘时，它会参考 Wiki 中的现有模式，选择合适的组件包，并确保设计系统的一致性。
4. 持续进化：完成任务后，它会自动更新 Wiki，记录新的实现细节和组件关系。

经过多次会话，输出变得越来越智能，它开始主动根据早期的决策提出改进建议，并捕捉潜在的不一致之处。

分步设置指南

以下是复制该系统的具体步骤，大约需要 5-15 分钟即可启动：

1. 创建文件夹结构

建议将 LLM Wiki 放在一个独立的目录中，以保持代码库整洁：

my-llm-wiki/
├── raw/          # 存放所有原始素材（代码文件、PDF、会议记录、聊天导出、图片等）
├── wiki/         # 由 LLM 维护的结构化知识库
│   ├── index.md
│   ├── concepts/
│   ├── entities/
│   ├── components/     # 例如 Shadcn 或 React 组件
│   ├── decisions/
│   └── summaries/
└── schema.md     # Wiki 规则（类似于 CLAUDE.md），对保持一致性至关重要

2. 引入核心思想文件

参考 Karpathy 的 Gist 内容，将其作为初始 Prompt 粘贴到 Claude Code 会话中。告诉 Claude：“基于这个想法为我构建一个完整的 LLM Wiki 系统。我使用 Obsidian 进行查看。请创建文件夹结构，定义良好的 schema.md，并给出如何摄取源文件和维护 Wiki 的步骤。”

3. 定义 Schema (schema.md)

这是 LLM 行为的“宪法”，应包含：

• 文件夹命名规范。
• 页面命名规则。
• 如何处理反向链接和引用。
• 更新现有页面的时机和方式。
• 风格指南（例如：始终包含对原始素材的引用）。
• 特定领域的细节（例如：对于前端组件，记录 Props、依赖项和使用示例）。

4. 摄取源文件

将文件放入 raw/ 文件夹，然后提示 Claude：“摄取 raw/ 中的新来源并更新 Wiki。创建或更新相关页面，包含摘要、反向链接以及与现有知识的连接。完成后显示更改摘要。”

5. 在工作中持续演进

在进行编码任务时，添加以下循环指令：“首先查阅 wiki/ 以获取相关上下文和模式。完成任务后，用新的决策、组件细节和任何心得更新 Wiki。”

6. 使用 Obsidian 进行查看与导航

将 my-llm-wiki/ 文件夹作为仓库（Vault）在 Obsidian 中打开。你将获得一个美观的、可查看关系图谱的知识库，而大部分编写和维护工作都由 LLM 完成。

7. 维护与自检

定期运行健康检查：“对 Wiki 进行健康检查：查找矛盾、孤立页面、缺失链接或新连接的机会。提出改进建议并进行更新。”

可选的增强功能

• 内存堆栈结合：与 CLAUDE.md 或 MCP（Model Context Protocol）结合，增强会话记忆。
• 自动化工具：添加脚本将 Claude 会话自动导出到 raw/ 目录。
• 可视化：使用 Obsidian 插件（如 Marp、Dataview）来可视化输出。
• 索引优化：对于大型 Wiki，让 LLM 维护索引文件和摘要，以保持查询效率。

总结：从操作代码转向操作知识

通过这种方式，Claude 不再是一个“新手实习生”，而是一个深度理解项目并能记住每一个决策的领域专家。

这正是 Karpathy 所强调的转变：从单纯的“操纵代码”转向“操纵可复利的知识”。在未来，最强大的 AI 编码设置不仅拥有巨大的上下文窗口，还拥有丰富的、自我维护的知识库，使 AI 能够真正理解你的工作。

• 原文链接： x.com/intheworldofai/sta...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～