上篇講了 Karpathy 的 llm-wiki 概念，以及同一個架構被 Lex Fridman 和我用在完全不同的方向 —— 他用完就丟，我留下來驗證
這篇把系統攤開。不是理想架構圖，是真實的檔案結構和設計決策 —— 以及每個決策背後搞砸的故事
數字
- 用了一年半，每天都開 Claude Code 工作
- 累積了 38 個知識檔案 —— 涵蓋客戶狀態、行為規則、技術筆記、策略方向
- AI 一開 session 就知道：我管哪些案子、上次踩了什麼坑、哪個客戶的合約快到期
- 6 條自動化 pipeline 每天在背景跑（LINE / Email / 錄音 / 行事曆 / RSS）
六層架構
Karpathy 三層：raw → wiki → schema
我的場景需要六層，因為除了管知識，還要管 AI 的行為
為什麼多三層？舉個例子
我的 CLAUDE.md 有一條：「Young 說重新、重做、換個方式 → STOP，不要修補舊方案，從頭做」
這條來自一個 session 裡被糾正 48 次。每次我說「重新」，AI 都繼續在舊方向上修修補補，越改越歪
Karpathy 的 llm-wiki 專注在知識整理，這類行為問題不在他的範圍內。但在我的場景裡，這是每天都會碰到的事
把對的東西放在對的位置
Karpathy 的架構是把所有東西放在同一個地方：raw/ + wiki/ + schema/ 在同一個目錄下
我管超過 15 個專案跟開發，每個都是獨立的 GitHub repo。不可能全部塞在一起
所以我的架構是分散式的：
指揮部做三件事：同步所有專案的狀態、派發任務（透過 GitHub Issue）、追蹤進度。它不寫程式碼，不 commit，不 push —— 唯讀
每個專案有自己的 CLAUDE.md，寫著這個專案特有的規則。AI 進到哪個專案，就載入那個專案的設定
全域的 skills 和 agents 放在 ~/.claude/，所有專案都能用。專案特有的放在專案自己的 .claude/ 裡
這樣的好處：在醫療專案踩的坑寫成全域規則後，教育專案也自動受益。但醫療專案的 GCP 設定不會污染教育專案的 Vercel 設定
從知識庫到工程系統
Karpathy 的 llm-wiki 解決的是知識整理，這個問題他定義得很清楚。我的場景不太一樣 —— 我需要的不只是整理知識，還要讓整個工作流跑起來。所以知識庫變成了系統的其中一層
整個系統還包括：
- 6 條自動化 pipeline —— LINE 訊息、Email、錄音檔、行事曆、RSS 情報，每天自動跑，不用我手動收集
- GitHub Actions CI/CD —— 程式碼推上去自動測試、自動部署，不用人盯
- 爬蟲系統 —— 自動抓 40+ 個 AI/科技情報來源，產出摘要
- 跨平台整合 —— GCP Cloud Run、Vercel、本機 demo，三種部署環境用同一套管理
這些東西各自獨立，可以單獨替換或升級，但透過指揮部整合在一起
llm-wiki 把知識整理定義得很漂亮。我的情況是同時管超過 15 個專案、多家客戶、還要跟外部系統整合，所以我在知識庫的基礎上又長出了這些東西
四種知識類型
每個檔案都標記類型：
feedback（行為規則）—— 永遠不刪
有一次 AI 讀到知識庫裡寫「email 系統等待 OAuth2 設定」，就跟我說系統沒在跑。但我跑了一個 ls 就看到 30 天的資料 —— 系統早就在運作了，只是知識庫沒更新
那次之後我加了一條：「判斷系統狀態時必須跑實際命令，不能只讀知識庫」
project（專案狀態）—— 最容易過時
收入、進度、待辦。每週都在變，品質檢查重點掃的就是這類
reference（技術參考）—— 連結會壞
部署注意事項、架構筆記。不常動，但 URL 會失效
user（身份資訊）—— 永遠不刪
我是誰、技術棧、溝通風格。每個 session 開始自動載入，AI 不用問就知道背景
四個工具
Karpathy 提到 Ingest、Query、Lint 三個操作
我讀完之後拿自己的場景去對：這三個夠不夠？結果發現我管多個專案，需要一個他沒碰到的需求 —— 主動發現跨檔案的 pattern。所以我多做了一個工具
這就是我說的提煉：讀到別人的架構，不是照抄，是拿來跟自己的場景對，找到缺口，補上。補的過程中，你的系統就長了一塊新的能力
品質檢查（Lint）
掃描所有檔案，按嚴重度分級：
- 🔴 過期待辦、索引跟內容矛盾
- 🟡 有檔案但索引漏收、超過 30 天沒更新但標著「進行中」
- 🟢 格式不完整、索引快滿了
對話回存（File-back）
對話中做了深度分析（研究報告、比較表、行動清單），工具會建議存下來
重點是提煉，不是複製。只萃取結論和關鍵數據
存之前先搜現有檔案，有相關的就更新。我踩過的坑：同一個研究結果存了三份在不同檔案，改了一份忘了另外兩份
索引同步（Sync）
確保索引跟實際檔案一致。抓三種問題：索引指向不存在的檔案、檔案存在但索引沒收、索引描述跟檔案對不上
主動成長（Evolve）
這個是我從自己的場景中發現需要的
它讀所有知識檔案，找跨檔案的 pattern：
- 三個教育類專案散落不同檔案，從沒被放在一起看
- 策略說某件事重要，但沒有對應的行動
- 「等回覆」超過 14 天的項目
只給建議，不自動改。 我不想某天起床發現 AI 半夜幫我合併了三個檔案
Hooks：每條規則都有一個事故
品質檢查是事後掃描。Hooks 是事前攔截
| Hook | 做什麼 | 來自哪個事故 |
|---|---|---|
| 完成驗證 | AI 說完成但沒附證據 → 擋住 | AI 說「部署完成」但 URL 回 404 |
| 整理提醒 | 超過 7 天沒整理知識庫 → 提醒 | 索引 193/200 行快爆了才發現要整理 |
| 計畫模式 | 改 3+ 個檔案 → 強制先規劃 | 29,799 行 session 沒有計畫，糾正率 8.9% |
| 提交守衛 | 沒有指令不准提交程式碼 | AI 自己 commit + push 了不該推的東西 |
用了一年半，只用過 1 次計畫模式 —— 所以才需要 hook 強制。靠 AI 自己判斷什麼時候該規劃，根本不會發生
/dream：知識庫的大掃除
知識檔案會膨脹。38 個是整理過的結果
我有一個操作叫 /dream，做三件事：合併重複的、刪過時的、解決矛盾的
跟上面的「主動成長」差在哪？主動成長是分析師（提建議），dream 是清潔工（真的動手）
上次 dream 的結果：
- 3 組合併（7 個變 3 個）
- 4 個過時刪除
- 6 個補上缺失的格式
- 索引從 193 行降到 187 行
不定期清理的話，知識庫會變成垃圾場。所以有 hook 強制：超過 7 天沒清就跳通知
92 個 Session 的行為分析
這是我覺得跟 Karpathy 最不一樣的地方
他的品質檢查在掃知識的正確性。我的還掃 AI 的行為模式
92 個 session 分析出來：
- 46 個零糾正（50% 乾淨率）
- 乾淨 session 的特徵：開放式討論、明確單一任務
- 出問題的 session：涉及程式碼提交、跨多個專案、要產出完整文件
從數據裡提煉了 7 條行為規則，寫進系統設定
每加一條規則或 hook，乾淨率就上升。這就是正向循環
成本
我從一年半前就選擇用 Claude MAX 20x 方案，每個月大約 USD $200，每一週都會燒乾額度
這不是省錢的做法。但算一筆帳：一年半下來花了大約 USD $3,600，換來的是一個人在下班後就能管超過 15 個專案、3 個平台，系統打造好之後很多事接近自動化。不用 Notion 不用 Trello，不用請助理
另外兩個成本：
- 要有紀律 —— 品質檢查和清理要定期跑，不跑就爛
- 門檻在 —— hooks 要寫程式，skills 要寫文件模板，不是裝個 app 就能用
回到 Karpathy
Karpathy 的 llm-wiki 讓我重新看了一次自己的系統。不是因為他告訴我該怎麼做，是因為他給了我一個框架去理解我已經在做的事
我從他的架構裡提煉了品質檢查的概念，從 Lex 的做法裡確認了我為什麼選擇留下來
你的系統不會跟我的長一樣，也不該跟 Karpathy 的長一樣。但如果你在用 AI 工作，值得問自己一個問題：你的知識在 session 之間活著，還是每次都重新來過？
還沒解的問題
這套系統跑了一年半，hook 是程式碼，壞了馬上知道。但 skill 是一段 prompt，agent 是一個自主 worker —— 這些有 AI 在裡面的元件，我到現在還不知道怎麼測試它是不是還在正常運作
這是我接下來要解的題。如果你也在想這件事，歡迎來交流
這是 Karpathy llm-wiki 系列的完結篇。上篇在這