← 返回博客

Markdown 维基正在悄悄取代 RAG，原因如下

· Save Team
ragllmknowledge-basekarpathymcpaisave-vaultmarkdown

两年来，“如何将我的知识提供给 LLM？“的默认答案是 RAG。构建向量数据库。分块文档。嵌入它们。在查询时运行最近邻搜索。将结果拼接回提示词。

它有效，某种程度上。任何真正交付过 RAG 系统的人都知道失败模式：失去上下文的块、检索错误段落的嵌入、不透明的排名、没有溯源、当用户问了一些索引未调优的问题时出现奇怪的边缘案例。

2026 年 4 月，Andrej Karpathy 发布了一个几乎不做这些但对个人知识效果更好的工作流程。他称之为 LLM 知识库。架构只是一个 Markdown 文件夹、一个有文件系统访问权限的 LLM 和一个习惯。VentureBeat 称之为”由 AI 维护的不断演化的 Markdown 库”——这个描述抓住了真正新颖之处。

后 RAG 模式已经到来。本文解释它是什么、为什么有效，以及 Save Vault 如何让它无需开发者设置就能使用。

RAG 试图解决的问题

最初的问题：LLM 有固定的上下文窗口，你的知识库比窗口大，所以你需要一种为每个问题检索相关部分的方法。

2023 年，向量是显而易见的答案。嵌入一切，按相似度搜索，注入前 k 个块。它与 GPT-3.5 和 Claude 1 的小上下文窗口很好地组合。整个”AI 创业”模式是”X 上的 RAG”。

三件事发生了变化。

  1. 上下文窗口爆炸。 Claude 今年推出了 100 万 token 上下文。Gemini 和 GPT-5 类似。100 万 token 大约相当于 75 万词——足以将小型维基完全保存在内存中。
  2. 文件系统 MCP 推出。 LLM 现在可以直接打开磁盘上的文件。它们不需要预先索引的块。它们可以像人类一样导航、阅读和重新阅读。
  3. LLM 在阅读上变得更好。 Claude Opus 4 可以在一个会话中摄取数百个文件并连贯地跨它们推理。瓶颈从”检索质量”移到了”人类实际需要什么”。

一旦这三件事成真，RAG 开始看起来像是对已不再存在的限制的一种变通方法。

Markdown 维基模式是什么样的

Karpathy 的设置，简化版：

  1. 原始文件夹。 他想保留的每个网页都作为 .md 文件保存在 raw/ 目录中。他用 Obsidian Web Clipper 来做这件事。
  2. 编译过程。 定期地，一个 LLM 代理（他使用的是 Claude Code）读取 raw/ 中的所有内容，生成概念页面，写摘要，创建反向链接。这在原始材料之上产生了一个结构化的维基。
  3. 查询循环。 当他有问题时，他向 LLM 提问。它搜索维基，打开相关文件，用内容回答。
  4. 代码检查过程。 偶尔 LLM 会扫描维基，寻找不一致、缺失数据或值得记录的新连接。

他目前的研究维基有约 100 篇文章和约 40 万词。他向它提出复杂问题，得到带有来源的答案。

没有向量数据库。没有嵌入模型。没有分块策略。没有检索排名。只是 Markdown 文件、文件夹结构和能读取它们的 LLM。

为什么它比 RAG 更好（对此而言）

维基模式具有 RAG 无法在不成为维基的情况下匹敌的结构优势。

溯源是免费的。 每个答案都引用一个文件。你可以打开它、阅读它、编辑它、删除它。没有”嵌入如此说”。

编辑是微不足道的。 Markdown 文件是文本。在任何编辑器中打开它。修改错别字。添加笔记。删除一个部分。下一次查询立即反映变化。没有重新嵌入步骤。

结构在复利增长。 当 LLM 编译维基时，它构建反向链接和概念页面。随着你保存更多，维基会变得更好，因为 LLM 有更多上下文将新条目与现有内容连接。向量索引只是变得更大。

可移植性是完全的。 一个 .md 文件夹在 Obsidian、VS Code、GitHub、Logseq、vim 或 cat 中都能工作。向量数据库是一个黑箱，你需要特定的运行时来读取它。

你自己也可以读它。 这听起来很明显，但这是最大的优势。你有时会想知道你的知识库里有什么。用 RAG，这是一个报告查询。用 Markdown，这是 ls。

诚实的权衡：RAG 在你有数百万文档、多租户访问或硬延迟限制时仍然胜出（想想在数百万帮助文章语料库上的客户支持聊天机器人）。对于个人知识——你的阅读、你的研究、你的领域——维基模式现在严格地更好。

缺失的部分：摄取

Karpathy 的模式有一个静默的假设：将干净的 Markdown 放入 raw/ 文件夹是容易的。对于已经使用 Obsidian Web Clipper 的开发者来说，某种程度上确实如此。对其他人来说，这是工作流程死亡的步骤。

Web Clipper 可能在付费墙页面、重度 JavaScript 网站、视频内容、X 推文线程以及任何动态内容上遇到困难。人们保存了乱码的 HTML，放弃了，并得出结论”维基这个东西不适合我”。

Save 扩展专门用于修复这一步骤。它使用 Gemini 从任意页面提取干净内容，包括：

  • 你有访问权限的付费墙后的文章
  • YouTube 视频（完整字幕 + AI 摘要）
  • X/Twitter 推文线程
  • Instagram Reels 和 TikTok 字幕（已转录）
  • Reddit 讨论
  • 代码块完整的文档
  • 传统爬虫无法处理的动态 SPA

一次点击。干净的 Markdown 输出。放入文件夹。

另一个缺失的部分：MCP 设置

Karpathy 的模式还假设你可以配置 MCP 服务器。对于 Claude Code 用户，这是一行 cd。对于使用 Claude Desktop 的所有人，这意味着编辑 JSON 配置文件并重启应用——还要确保路径正确，并记住在移动文件夹时重做。

Save Vault 将两个缺失部分整合为一个应用：

  • Save 扩展自动将干净的 Markdown 输入 Save Vault
  • Save Vault 写入 ~/Documents/Save Vault/，组织成知识库（子文件夹）
  • 内置 MCP 服务器将 list_knowledge_bases、list_files、read_file 和 search 暴露给 Claude
  • 菜单栏中的”连接到 Claude”切换按钮将 MCP 服务器连接到 Claude Desktop 和 Claude Code，无需编辑 JSON

结果是磨平了粗糙边缘的 Karpathy 模式。保存页面 → 它落入你的 Vault → Claude 可以回答关于它的问题。没有向量数据库，没有分块，没有嵌入。

实践中是什么样的

想象你在研究一个竞争对手。

第 1 天。 你保存了他们的定价页面、三篇博客文章和一个关于他们种子轮的 Hacker News 帖子。你的 Competitors 知识库中有五个文件。

第 5 天。 你问 Claude：“这家公司去年做了哪些定价变化，客户是如何反应的？” Claude 搜索你的 Competitors 知识库，读取相关文件，引用定价页面，呈现 HN 帖子情绪，并回答——全部带有来源。

第 30 天。 你有 40 个文件分布在 Competitors、Customers 和 AI Research 中。你让 Claude 将每个知识库编译成维基。它写概念页面，连接它们，标记矛盾。你现在拥有三个活生生的维基，你可以像搜索引擎一样查询，但更好——因为它们只包含你策划的内容。

第 90 天。 你的维基比你购买的任何分析师报告都更大，比任何顾问幻灯片都更新，完全属于你。每一个主张都有源于你保存的文件。

这就是当摩擦消失后，个人知识库真正的感觉。RAG 应该实现这个但没有。Karpathy 模式实现了——一旦摄取和 MCP 部分为你连接好了。

试试看

  1. 安装 Save Chrome 扩展
  2. 从 savemarkdown.co 安装 Save Vault
  3. 在菜单栏中切换连接到 Claude
  4. 保存 10 件你一直想阅读的东西
  5. 打开 Claude 并提出一个将它们联系在一起的问题

这就是后 RAG 工作流程。它已经在取代个人知识的向量数据库。唯一剩下的就是开始构建你自己的。

Save Vault 是免费的。Save 扩展每月 3 次免费保存，无限次 5.99 美元/月。savemarkdown.co。