Karpathy的LLM Wiki很美，但普通人真正需要的是一个知识工作台

最近如果你在关注知识工作、AI Agent、个人知识库这些方向，大概率已经刷到过 Andrej Karpathy^[1] 提出的 LLM Wiki。

这件事让人兴奋的地方在于，第一次有人把很多人模模糊糊意识到、却始终没讲透的东西，讲成了一套非常清晰的框架：知识不应该只在提问时被临时检索，它应该先被AI持续整理、持续编译、持续连接，慢慢长成一个会积累、会演化、会复利的中间层。

Karpathy 想法的本质是重新定义了“知识增强”这件事。

这个项目的结构非常漂亮：最底层是 raw sources，也就是你的原始资料，包括各种书、论文、网页、会议记录、读书笔记、PPT、项目文档、聊天记录；中间层是 wiki，由 LLM 持续写出来、持续维护的一组互相链接的 Markdown 页面；再上一层是 schema，用来约束 Agent 该如何维护这套知识层。资料仍然还是那些资料，但经过这一步之后，它们开始从资料堆，变成一个更适合人和 AI 共同使用的知识系统。

这么说还是太抽象了，我们举一个例子：

以前你读完一本书，通常也就做到几件事：划线、摘抄、写一点心得、存进某个笔记软件，然后期待未来某天还能想起关键词，把它重新搜出来。这样的处理方式，当然已经比“读完就忘”强很多，但它本质上还是存档逻辑。资料被保存了，知识却没有真正被继续加工。

Karpathy 的意思是，书不该只是“被放好”。AI 应该把这本书和你过去读过的东西、写过的东西、想过的问题、做过的项目接起来，让它逐渐长出概念页、主题页、比较页、索引页，甚至在你后来摄入新材料的时候，反过来去修正旧结论、更新旧关系。你记录的一条笔记，背后其实是在慢慢构造一张活的知识版图。

工作文档同样如此。

过去一个客户项目里几十个文件、若干 PPT、会议纪要、网页资料、零散 Markdown、邮件导出，放在文件夹里当然也能管，但你面对的仍然是一堆“文档”。你知道里面有价值，知道里面有线索，也隐约知道某些观点彼此相关，但这些关系大多埋在文件深处。

一旦进入 LLM Wiki 的逻辑，文档会开始慢慢长出“项目知识层”：什么议题最核心，什么顾虑反复出现，哪些结论互相支持，哪些材料彼此冲突，哪些片段值得上升成长期判断。看到这里，你会突然明白为什么这个想法会让那么多人激动。因为它第一次让人看见，资料是有可能长成认知结构的。

在 Karpathy 的语言体系里，他认为原始资料像源代码，LLM 像编译器，wiki 则像编译出来的可执行知识层。

所以，你会发现我们过去对知识管理的大部分想象，其实还停留在“摆放”“归档”“检索”这些动作上；而他讨论的，已经是另一层东西了：知识如何被系统地加工、压缩、重组，并且在时间里持续增值。

但理想归理想，很多人看完会热血沸腾，但再往下一步就卡住了。

卡住的原因也不复杂：对多数知识工作者来说，门槛从来都不在“能不能听懂这个概念”，而在“这套东西怎么进入我每天的工作”。

不是每个人都愿意维护一套 Markdown 仓库，可以想象先搭 wiki、写 schema、做结构治理，再把自己的工作慢慢迁进去，这过程就已经劝退了一大半的人。所以，Karpathy 的方案，更像一种非常漂亮、非常前沿的 workflow pattern，但离大多数人的“顺手可用”，还有一段路。

当然，也已经有人在用 Obsidian 走这条路。

从“原教旨 LLM Wiki”的角度看，Obsidian 甚至是非常自然的容器：本地 Vault、Markdown 纯文本、开放格式、双链结构，这些都很适合做长期知识底座。

但我最近被另外一个东西真正击中的点在于：对更多人来说，问题不只是“怎么把知识存好”，而是“怎么让知识立刻开始工作”。

真正有益的事情是，在读书、做研究、准备客户材料、拆解多个 PPT、处理一堆零散文档的时候，AI 能立刻把眼前这堆静态文件变成可探索、可重组、可操作的知识结构。

人们真正需要的，也许并不是一整套完整的个人维基。换句话说，普通人更需要在工作正在发生的时候，看见知识自己长出骨架。

而我最近刚好看到一个很接近这个方向的实现。

它最打动我的地方，就是把文件直接拉进了工作现场：AI 先把结构摊开，再把你送回原始材料里继续动手。

这个产品叫 Floatboat^[2]。

我还专门做了一个 40 秒的视频来展示这一点，这也是我现在最喜欢的一个功能：

你上面看到的并不是某种“更花哨的文件浏览器”，也不是传统意义上的“智能分类器”。你看到的是一种非常接近 Karpathy 那套思路、却更容易进入日常工作流的界面形态：文件一旦进入这个空间，AI 很快就能把它们从死资料拉成活结构。

顺带交代一下Floatboat的大背景。它自己的官方定位，是首个面向一人公司的 AI 工作空间。

它瞄准的是OPC人群，也就是那些能同时扮演创始人、市场、运营、支持、执行者的多面手。官网强调的重点也很明确：Floatboat 会学习你怎么工作，把可重复的做事方式转化成你的个人 AI 团队；它提供的不只是聊天窗口，还包括 Agent Chat、AI-aware 文件管理、浏览器控制、自动化、系统级调用，以及 Combo Skills 这类可复用能力。它本身是一个办公型、执行型、通用型 Agent workspace。

虽然它并不是一个专门的知识增强工具，但是它在知识增强这件事上却做得非常好。

Floatboat 从一个真正参与工作流程的 AI workspace 开始。你把一批文件拖进去，AI 直接在工作现场理解它们、重排它们、暴露它们内部真正的结构。

我最喜欢的，就是输入一个需求后，Floatboat把一堆文件变成“活地图”的那一下。

一个文件夹里可能有几十份材料：读书笔记、Markdown、PPT、方案、网页摘录、项目文档。传统文件夹给你的，永远只有一条信息：它们放在哪里。

到了 Floatboat 这个体验里，AI 可以顺着你当前的意图，把这些材料重新摊开：按核心主题、按认知层级、按应用场景、按客户视角、按问题域、按策略方向来重新排布。

同样一批文件，前一秒看起来只是堆在一起的资料，后一秒已经长成了一张知识地图。你换一个问题，它可以换一种结构；你换一个观众，它甚至可以换一套叙事。文件彼此之间原本就存在、只是长期被文件夹限制了的语义关系被你用模型发掘了出来。

更妙的是，在Floatboat里，你能跟Agent一起编辑源文件。

这一点特别关键。

很多产品做到“看见结构”就结束了：给你摘要、给你分类、给你中间视图、给你一层漂漂亮亮的 AI 结果。你看完觉得不错，转头又回到原始文档里，开始一页一页自己改。

在 Floatboat 里，当整理出来的结构已经摆在你面前时，你可以新开标签页让Agent改动，或者直接打开原始文档，手动编辑。

这一下体验完全变了。

你除了站在高处俯视一张知识导图，现在你还能拿着手术刀，顺着 AI 帮你暴露出来的结构，重新切回原文：改小标题、重写段落、调顺顺序、删掉废话、拆开含混的部分、合并重复的观点、把模糊的表达重新打磨成清晰的判断。

这是一种带着知识地图回到文档深处的精密操作。

Floatboat 可以让文件、浏览器和 Agent 并排工作；还能直接预览 Markdown、代码、Word、Excel、视频等内容。你不用反复上传、切软件、开关窗口，材料和理解过程待在同一个工作界面里。知识整理、文件查看、原文编辑、Agent 协作，几乎是在一张桌面上连续发生的。

然后还有一个我觉得非常关键的东西是Skill ，在软件里它被称为是 Combo Skills。用的时候极为简单，从列表里拖进去就行。

Combo skill 会把你的 know-how 变成可复用的技能；这些技能会在相似工作再次出现时被继续调用。也就是说，如果你已经形成了一套自己的做法，比如读一批资料、按主题重组、找出盲点、回到原文动刀，再整理出对外表达，这套流程并不会随着一次任务结束而蒸发掉，它有机会逐渐沉淀成 Skill。下次遇到类似材料时，你不需要从头再来，整个过程会更像是在调动自己训练出来的一套“认知工法”。

这就是为什么我觉得它和 Karpathy 的wiki项目有一些有趣的关联。

Karpathy 讲清楚了知识如何被持续编译和维护。

Floatboat 让我看到的是知识如何在真实工作中被即时展开、被精细操作、被反复复用。

前者解决的是“知识怎么长出来”，后者解决的是“知识长出来以后，普通人怎么在工作里真正摸到它、改动它、把它变成自己的生产力”。

我必须得再强调一遍：Floatboat不需要你花几周搭建你的第二大脑，你只要打开电脑，把你手边这些书、这些方案、这些 PPT、这些零散材料拿来，基于你的想法就能直接让它们自己长出结构。等结构出来了，你不仅能看见它们之间的关系，还能立刻回到原文修改；而且如果这套做法对你有价值，它还可以进一步 Skill 化，留给下一次继续用。

到了这一步，你就算是把知识从静止物体，变成一种可以编排、可以操作、可以继承、可以反复调用的工作材料了。

一句话：Wiki 是知识的标本馆，而工作台才是知识的演化场。

所以，强烈推荐Floatboat这个软件。