先講 Karpathy 說了什麼
Andrej Karpathy —— OpenAI 共同創辦人、Tesla 前 AI 負責人、「vibe coding」這個詞的發明者 —— 4 月初發了一個 idea file 叫 llm-wiki
他觀察到自己用 AI 的方式在改變：以前主要是叫 AI 寫程式碼，現在越來越多 token 花在整理知識上
所以他提出一套架構：
- raw/：原始素材丟進來（論文、文章、網頁截取），不改動
- wiki/：AI 讀完 raw 之後，編譯成結構化的知識頁面。一篇新素材可能觸及 10-15 個 wiki 頁面
- schema/：設定檔，告訴 AI 怎麼運作（像 CLAUDE.md）
三個操作：Ingest（把新素材編譯進 wiki）、Query（查詢 + 回灌新知）、Lint（品質檢查，抓矛盾和過時資訊）
核心概念一句話：知識編譯一次，持續更新，不要每次重新推導
Karpathy 自己只發了概念，沒有做實作，刻意讓社群去建。兩天內 GitHub 冒出十幾個實作，84 個工具被整理成 awesome list
後來他又補了一則推文，講了一個更大的觀點：在 agent 時代，分享的不是 app，是 idea file —— 你把想法寫下來，對方的 agent 會根據自己的需求去客製化和建構。不需要分享程式碼，因為每個人的場景不同，agent 會幫你長出適合你的版本
這個框架啟發了很多人，也啟發了我。我的場景是接案顧問，同時管十幾個專案，所以在他的基礎上延伸出另一種做法 —— 從每次踩坑裡長出規則，從每次被客戶問倒裡長出 SOP，跑了一年半，累積成一套系統。同一個概念，在不同的土壤上會長出不同的東西
同一個概念，不同人拿來做的事完全不同。其中最讓我意外的是 Lex Fridman —— 他拿 Karpathy 的架構做了一件跟我完全相反的事
Lex 怎麼用 Karpathy 的架構：用完就丟
根據 VentureBeat 的報導，Lex 把 Karpathy 的 raw → wiki 架構用在 podcast 準備上
他錄 podcast 之前，會讓 AI 去爬來賓相關的資料 —— 論文、推文、爭議、技術背景，compile 成結構化的 markdown
然後他去跑步，戴著耳機，用 voice mode 跟這個知識庫對話。跑完回來，對題目有感覺了
那個知識庫？刪掉
他管這叫 ephemeral wiki —— 為一個任務而生，任務結束就消失
這招很聰明 —— 沒有維護成本，每次都是乾淨的起點
我的做法：留下來
我用 Claude Code 管超過 15 個專案跟開發，每天都在用，連續一年半
我的知識不是為了一次訪談準備的。是從 bug 裡、從客戶會議裡、從每次搞砸之後的檢討裡長出來的
真實場景：
三個月前我在一個醫療專案踩了一個坑 —— 部署完說「上線了」，但沒有實際 curl URL 確認，結果 404。之後我加了一條規則：說完成之前必須附證據
三個月後，我在一個教育專案也要部署。AI 又想說「部署完成」就收工。但因為那條規則還在，它被擋住了，乖乖跑了驗證
這不是 session recovery 能解決的 —— /catchup 可以接續上一個 session，但它不會記得三個月前另一個專案的教訓
跨專案、跨時間的知識，才需要 memory 系統
真正的差別不是存不存，是驗不驗
Karpathy 的原文提到三個操作：Ingest（吃素材）、Query（查詢）、Lint（品質檢查）
大多數人做了前兩個就停了。建個 wiki，能查就好
我多做了一步：驗證
我寫了一個品質檢查工具，會掃描所有知識檔案：
🔴 嚴重
- 待辦事項的日期已經過了，但還沒打勾
- 索引表寫的摘要跟檔案實際內容矛盾
🟡 警告
- 有檔案存在但索引漏掉了
- 檔案超過 30 天沒更新，但裡面寫著「進行中」
第一次跑的結果：4 個嚴重問題、12 個警告、10 個格式建議
其中一個：有個待辦標注「進行中」，但其實早就結束了，結果從來沒寫回去
沒有這個檢查的話，過時資訊會一直躺在那裡。下一次 AI 會根據這個錯誤的記憶給建議 —— 而且它會講得很有信心
Hooks：不靠 AI 記得，靠程式強制
除了品質檢查，我還有一層叫 hooks
Hooks 不是建議，是強制。程式碼層級的閘門
比如：AI 說「完成了」但沒附證據（截圖、實際回應、測試結果），hook 直接擋住
92 個 session 的數據：這個 hook 被觸發了 516 次。超過一半的 session 都有 AI 想說完成但其實沒驗證
再比如：如果超過 7 天沒整理知識庫，session 開始時自動提醒。不靠 AI 記得 —— 是一段程式去讀日誌算天數
Lex 不需要這些。他的知識庫不會活過一天，壞了也沒差
我的要活幾個月。不驗證的話，你不是在累積知識 —— 你是在累積對過時資訊的信心
但內部驗證不夠
品質檢查和 hooks 是我自己看的指標。如果只有這些，我跟社群上分享「我的 AI workflow」的人沒有差別 —— 都是自己覺得好用
所以我對自己多了一個要求：系統好不好用，不是我說了算，是付錢的人說了算
這不是在要求別人也這樣。學 AI 有很多原因，好玩也是好理由
但我是拿這套系統在接案吃飯的
目前：超過 15 個專案跟開發同時跟我合作，橫跨醫療、教育、長照、職涯。這些全部是在正職下班後、睡前的空擋處理的 —— 系統打造好之後，很多任務接近自動化，我睡覺時 AI 也在跑。不用 Notion 不用 Trello，靠 Claude Code + GitHub 跑完
客戶不知道我背後有什麼工具。他們只知道東西交得出來、品質穩定、回應快
這才是真正的品質檢查 —— 市場每個月幫你做一次健檢，不續約就是不及格
回到 Karpathy
讀那個 idea file 的時候，我的反應不是「我要去做這個」
是「這就是我在做的事」
他從概念出發，我從問題出發。他的 idea file 很乾淨，我的系統到處都是搞砸後留下的補丁。但他寫的每一個操作，我都已經在跑了
我後來想通一件事：真正能滿足你需求的系統，是養出來的，不是複製別人的。但養的過程中，你可以把別人的做法提煉出來，加到自己身上。Karpathy 給了我語言，但系統是我自己長出來的
他那句話真正的意思：
Knowledge compiled once, kept current, not re-derived on every query
重點不是 compiled
重點是 kept current
而 kept current 需要驗證。不然就是編譯了一次，然後慢慢腐爛
下一篇：我的系統長什麼樣 — 六層架構、四個工具、分散式管理、以及還沒解的問題