Vincent5588 Wiki

AI 第二大腦

閱讀時間約 8 分鐘

AI 第二大腦（LLM-augmented Second Brain）

把 LLM 接到本地知識庫（如 Obsidian vault），讓 AI 持續維護一份結構化、互相連結的知識網——不只是「儲存查詢」，而是讓 LLM 持續整理、交叉引用、整合到既有網路。是 Andrej Karpathy 2026-04 LLM Wiki 模式的核心提案。

跟 BASB 的「第二大腦」不一樣

注意：本詞跟 打造第二大腦（Tiago Forte 的 BASB）不是同一概念：

維度BASB 第二大腦AI 第二大腦
主體人腦的延伸（用 PARA + CODE 整理）人 + LLM 協作
維護者人（用工具輔助）LLM（人只負責策展）
核心動作Capture / Organize / Distill / ExpressIngest / Query / Lint
規模化受限於人類精力LLM 「不會無聊、一次能動 15 個檔案」
時代2022（Tiago 書）2026（Karpathy gist）

兩者不互斥、可疊用——BASB 提供概念框架，AI 第二大腦提供實作引擎。Vincent vault 同時實踐兩者：用 PARA 結構（BASB）+ wiki-* skill（AI 第二大腦）。

跟 RAG 的差別

RAG vs LLM Wiki 詳細對比。要點：

“RAG retrieves from raw documents at query time. The LLM rediscovers knowledge from scratch on every question. There’s no accumulation.”

繁中：「RAG 在查詢當下從原始文件撈片段。每問一個問題，LLM 都從零重新發現知識。沒有累積。」

AI 第二大腦反過來：

“The LLM incrementally builds and maintains a persistent wiki — a structured, interlinked collection of markdown files that sits between you and the raw sources.”

繁中：「LLM 漸進式地建構並維護一個持久的 wiki——一組結構化、互相連結的 markdown 檔案，夾在你跟原始資料之間。」

Wiki 是 persistent, compounding artifact。（中：wiki 是持久且不斷複利的產物）——交叉引用已建好、矛盾已標記、綜合分析已反映你讀過的所有東西。每加一筆新資料，wiki 就更豐富。

三大核心動作

動作做什麼工具對應
Ingest（攝入）新資料進來 → LLM 讀 → 抽 atomic 概念 → 寫 entity → 更新交叉引用（一次動 10-15 個檔案）wiki-ingest
Query（查詢）提問 → LLM 從你 vault 已沉澱的知識合成答案，不是從訓練資料wiki-query
Lint（健檢）掃 vault → 抓矛盾 / 過時 / 孤兒頁 / 缺失概念wiki-lint

→ 這三步驟構成飛輪——好的 query 答案應該被 file 回 wiki 變新頁（Bookkeeping by LLM 詳述），探索本身也累積複利。

「Obsidian 是 IDE，LLM 是工程師，wiki 是 codebase」

Karpathy 在原文用了一個關鍵比喻：

“In practice, I have the LLM agent open on one side and Obsidian open on the other. The LLM makes edits based on our conversation, and I browse the results in real time — following links, checking the graph view, reading the updated pages. Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.”

繁中：「實際操作是這樣：一邊開著 LLM agent，一邊開著 Obsidian。LLM 根據對話內容編輯筆記，我即時瀏覽結果——追連結、看知識圖譜、讀更新後的頁面。Obsidian 是 IDE；LLM 是工程師；wiki 是程式碼庫。」

這個比喻精準解釋了為什麼是 Obsidian+ LLM 而不是 Notion+LLM 或 ChatGPT 上傳檔：

角色對應
IDE（Obsidian）你瀏覽 / 編輯 / 看圖譜的介面
工程師（LLM）改碼的人，跟 codebase 直接互動
Codebase（wiki）結構化、互連、可審查的檔案集合

→ 你不會叫工程師沒有 IDE 寫程式（呼應 反饋循環：你不會叫工程師沒瀏覽器做網站）。同理，AI 第二大腦需要 IDE 級的瀏覽介面。

跟 Memex 的歷史脈絡

Vannevar Bush 1945 的 As We May Think 提出 Memex 概念：

一個私人的、主動策展的知識庫，文件之間的關聯跟文件本身一樣有價值。

Bush 解決不了的問題是：誰來做維護？ 人類精力不夠、會放棄。

→ 81 年後，LLM 解決了。AI 第二大腦 = Memex × LLM。

跟 Vincent vault 的關係

Vincent vault（Vincent5588_Wiki）就是 AI 第二大腦的具體實作：

PARA（BASB 框架）
  └ 00-Inbox / 10-Notes / 20-Projects / ... / 50-Archive
  └ raw/ — 原始素材層（不可變）
  └ wiki/
      └ entities/<domain>/<type>/X.md — LLM 維護
      └ index.md — 主目錄
      └ log.md — 變更日誌
      └ daily/YYYY/MM/YYYY-MM-DD.md — 異動詳細

人的工作（Vincent）：

  • 策展 source（決定要 ingest 什麼）
  • 提問題（驅動 query）
  • 設規則（CLAUDE.md）
  • 裁決矛盾（lint 找出後人決定）

LLM 的工作（Claude Code / Cowork）：

  • 抽 atomic 概念
  • 寫 entity（含 frontmatter + 雙鏈）
  • 維護交叉引用
  • 健檢 + 修補

反模式（怎麼搞砸 AI 第二大腦）

  • ❌ 每次都從 raw 重新撈（退回 RAG）→ 沒累積、沒複利
  • ❌ AI 寫完不審（盲信機器）→ 矛盾累積、品質崩壞
  • ❌ 人腦繼續做 bookkeeping（不分工）→ 違反 Karpathy 的核心建議
  • ❌ 沒 lint（不健檢）→ 孤兒頁 / 矛盾無人發現
  • ❌ vault 沒結構（純平面）→ LLM 找不到、ingest 寫亂

對 Vincent 工作的應用

Vincent vault 已是這個概念的最佳實踐：

場景AI 第二大腦的角色
PAM 系統知識Ingest 25 份模組文件 → 92 個 entity，跨檔交叉引用一次到位
Claude 學習Ingest 12 章學習指南 + 文章 → claude domain 60+ entity
CallIT 設計方案設計書 ingest → 6 個 entity 含 3 個未解問題 → 業務裁決後升 stable
戶外探險旅遊小程序多篇文檔 ingest → 完整 lib 選型 + 平台合規 + 後端架構

每個 domain 都展現了 AI 第二大腦的複利：第二次 ingest 時 LLM 能在既有網路上加 backlink，不是從零開始。

相關概念

強連結（原文明確提及）

推斷連結（LLM 認為相關，待確認）

深入閱讀

← 回到 wiki

關係圖譜

反向連結