Steven's Knowledge Base

Andrej Karpathy Just 10x'd Everyone's Claude Code

6 min read

Andrej Karpathy Just 10x’d Everyone’s Claude Code

🕐 約 10-15 分鐘

🎯 開場示範：知識系統 Visual Showcase

  • 36 條 YouTube 影片：presenter 將自己所有近期影片整理成互聯知識網絡，用 Obsidian graph view 可視化
  • 自動化完成：完全靠 Claude Code 抓取影片 transcript，自動建立所有關係連結，無需手動
  • 兩個 Vault：一個專放 YouTube 知識，另一個係個人 second brain（業務、員工、Q2 計劃等）
  • 靈感來源：Andrej Karpathy 在 X 發帖講 LLM knowledge base，短短幾日大量轉發，引爆熱話

💡 Karpathy LLM Knowledge Base 核心概念

  • Data Ingest：將原始文件（PDF、文章等）丟入 Claude Code，LLM 自動整理
  • IDE = Obsidian：只係用嚟視覺化 markdown files，非必要但好睇
  • Q&A Phase：可以直接查詢整個 wiki，LLM 自動維護 index files 同 brief summaries，唔需要 vector database
  • 知識複利：普通 AI 對話係 ephemeral（對完即忘），LLM Wiki 令知識像銀行利息咁 compound，係最大突破點
  • Token 效率：有 X 用戶將 383 個散落文件 + 100+ 個會議 transcript 整合成 wiki，token 使用量跌 95%

🛠️ 5 分鐘 Setup 示範（Step by Step）

  • 前置：下載免費 Obsidian app（obsidian.md），只係用嚟睇 graph
  • Step 1：Obsidian 建新 vault（例：demo vault），存到本地
  • Step 2：用 VS Code 或 terminal 打開 vault 資料夾，啟動 Claude Code
  • Step 3：將 Karpathy 原文 prompt（來自佢 X post / gist）貼入 Claude Code，加上自訂指令（告訴 Claude 佢係 LLM wiki agent，逐步引導，建立 claude.md schema）
  • Step 4：Claude 自動建立架構：raw/ 同 wiki/ 資料夾，subfolders（concepts、entities、sources），index 文件，operation log

📥 加入資料同 Ingest 流程

  • Obsidian Web Clipper：Chrome extension，可以一鍵將網頁文章直接推入 vault 嘅 raw/ 資料夾
  • Ingest 示範：將 “AI 2027” 文章 clip 入去，再叫 Claude Code 去 ingest
  • Claude 會問問題：項目焦點係咩？要幾詳細？想強調咩？（讓 LLM 更好理解 context）
  • 結果：一篇長文章 → 約 25 個互連 wiki pages，涵蓋人物、組織、概念、分析
  • 時間：單篇文章約 10 分鐘；批量 36 條 YouTube transcripts 約 14 分鐘

🕸️ Graph View 同關係建立

  • 實時可視化：Obsidian graph view 可以睇住 wiki pages 一個個生成，關係連結即時出現
  • Hub 節點：重要人物（Eli、Thomas Daniel）或概念（AI governance）會成為大 hub
  • 深度導航：點擊 OpenAI → 連到 model spec → 連到 LLM psychology model，層層遞進
  • 一篇文章產生嘅關係：6 個人物、5 個組織、1 個 AI systems 頁、多個 concepts 頁

🤖 Query、Agent 整合同 Hot Cache

  • 查詢方式：可以直接喺 Claude Code 環境查詢，或者將外部 AI agent 指向 wiki 資料夾
  • Executive Assistant 整合：將 wiki path 寫入 claude.md，AI agent（“Herk 2”）可以自動讀取 index、subindex、搜尋 wiki
  • Hot Cache（hot.md）：喺 wiki 資料夾內放一個 ~500 words 嘅快取文件，儲存最近對話 context
  • Hot Cache 好處：防止 agent 每次都要 crawl 整個 wiki 去搵最近 context，大幅減少 token 使用

🔧 Linting 同維護

  • 定期 Lint：Karpathy 建議定期跑 LLM health check，掃描整個 wiki
  • Lint 功能：找出資料不一致、用 web search 補充缺失資訊、發現新文章候選、確保結構可擴展
  • 唔需要 re-embed：更新 wiki 只需 lint，唔需要像傳統 RAG 咁重新做 embedding

⚖️ LLM Wiki vs 傳統 Semantic Search RAG 對比

維度LLM Wiki傳統 RAG
搜尋方式讀 index + 跟 links相似度搜尋（chunk matching）
理解深度深（關係連結）淺（chunk 相似）
基礎設施純 markdown filesEmbedding model + Vector DB + chunking pipeline
成本基本免費（只收 token）持續 compute + storage 費用
維護跑 Lint 即可要 re-embed 先能更新
弱點唔適合百萬級文件適合 enterprise 大規模

結論：數百頁以內 → LLM Wiki 完勝。百萬文件級別 → 仍需傳統 RAG。

🏢 對業務嘅實際意義

  • 成本極低：唯一費用係 token，無 infra 費用
  • 5 分鐘即可 setup：門檻極低，任何人都做到
  • Modular Vaults：業務知識、內容研究可分開放，按需插入 AI agent
  • AI 員工整合：Executive assistant 可以直接讀你嘅業務 wiki，成為真正懂你業務嘅助手
  • Hot Cache 省錢：日常對話唔需要每次 crawl 全部 wiki，大幅降低 token 消耗

⚠️ 限制同風險

  • 唔適合企業級規模：百萬文件以上，成本同效率都不及傳統 RAG
  • Ingest 需要時間：唔係即時，大量文件要等
  • 需定期 Lint：唔係完全 zero maintenance，要定期清理
  • Karpathy 原 prompt 係 vague 嘅：好處係可高度定制，壞處係需要自己理解同調整

Graph View

Backlinks