YT 学习笔记

Fable5加Karpathy的LLM Wiki基本等于作弊

24分钟阅读下载 MD

封面

Nate Herk · 14:35 · 发布 2026-07-03 · 6.4万次观看(截至抓取) · 观看原视频

主旨

照着 Karpathy 的原始 gist,用 Claude Code 五分钟就能把一批 YouTube 字幕或文档变成一份带交叉链接的 LLM wiki,真正的杠杆不在摄取本身,而在摄取完之后能拿这份互联数据做什么。

核心论点

  1. 摄取阶段用什么模型不重要,摄取后怎么用才是差异所在——Fable 更擅长按情绪化、带受众代入的指令把冷冰冰的知识图谱重组成普通人能看懂的界面,这是作者花近一整天用 Opus 4 也没做到满意程度的事。(→ 详解1)
  2. 搭这套系统门槛极低:装 Obsidian、建 vault、把 Karpathy 的 gist 粘给 Claude Code 当系统提示,几分钟就能跑起第一次 ingest。(→ 详解3)
  3. wiki 目录结构不是人工设计的,是 AI 依据数据类型动态决定的——同类数据多就分层出概念/实体/来源/工具,数据类型单一(比如全是会议记录)就保持扁平,方便 AI 全文检索而非在多层文件夹里迷路。(→ 详解4)
  4. 一次性摄取多个来源比分别摘要更有价值,因为交叉链接结构会自动暴露单独阅读材料时容易被忽略的细节冲突,比如同一个基准测试用的对比对象、评测 harness 其实并不一致。(→ 详解5)
  5. 系统好用的根基是”纯 markdown + 路由规则”这个底层形态——不锁定在 Fable 或 Claude Code 上,任何能读文件系统的 agent(Codex、Hermes 等)都能接手同一份 wiki。(→ 详解6)

知识点详解

1. LLM wiki 演示:差异不在摄取,而在摄取后的加工 01:15

作者展示了把自己一批 YouTube 字幕摄取进 LLM wiki 后的样子:打开某个视频条目能看到摘要、关键要点、提到的工具和技巧,点进 GitHub 这个概念又能看到它和 Vercel、Claude Code 之间的反向链接,顺着链一路点下去就能找到想要的信息。

真正让作者觉得有意思的不是 Fable 把这些数据摄取进去了——这件事任何模型都能做——而是给了它这些互联数据之后,Fable 能做什么。他举的例子是让 Fable 一次性把”一堆杂乱的 YouTube 字幕关系”整理成一份给普通受众看的简单 HTML 总览页,还特意用情绪化的措辞提示它(“要让初学者点进去也不会被吓到”)。

作者把这次结果和自己此前花了近一整天用 Opus 4 反复调整做出来的类似总览页对比——后端数据库完全一样,但 Opus 版本让他觉得”太满、太让人不知所措”,没有拿出去分享。02:12 这个对比是作者的主观体验,不是严谨的模型基准测试,但揭示了一个值得注意的差异:能不能按”情绪化/受众代入”的提示调整呈现层,而不只是正确摄取数据。

2. 一人多个 wiki,各自服务不同数据类型 03:03

作者的 AI OS 里同时维护好几个独立的 LLM wiki:一个专门存 YouTube 字幕(这篇讲的),另一个叫 Herc brain 专门存会议记录。除了知识摄取,他还展示了用同一套数据(Herc 2 项目里的业务数据)让 Fable 一句提示生成”过去半年业务复盘”的可视化叙事页——拉出订阅数增长、营收变化、内容转型前后的对比。

这部分的教训是:数据给得越多、项目理解得越深,但前提是”路由”做对——04:46 也就是让 AI 知道该去哪个 wiki、哪个目录找答案,而不是把所有东西一股脑塞进同一个文件夹。

3. 起源:Karpathy 的 gist + Obsidian/Claude Code 搭建步骤 05:14

这套玩法的源头是 Karpathy 在 X 上说的:“最近发现用 LLM 搭个人知识库很有用”(05:14),随后他发布了一份 gist,描述如何把源文档索引进 raw 目录、再让 LLM 增量”编译”出一份带反向链接的 wiki。

作者演示的搭建步骤:去 obsidian.md 装 Obsidian(05:26)、新建一个 vault、在 VS Code 里打开这个 vault 并跑 Claude Code、把 Karpathy 的 gist 整段复制粘贴进对话,再补一句指令:“你现在是我的 LLM wiki agent,把这份 idea file 原样实现成我的完整第二大脑”(07:29)。

作者特意提醒:这一步其实不需要 Fable,用 Opus 跑初始搭建和后续摄取”可能是更好的选择”,Fable 对这个环节来说算是杀鸡用牛刀——Fable 的价值要等数据进去之后才体现出来。

4. 结构由 AI 动态决定:分层 vs 扁平 08:38

wiki 的目录结构不是提前设计好的模板,而是 AI 根据摄取内容自己长出来的:YouTube 字幕 wiki 因为涉及多种工具、技巧、来源,AI 自动分出了 comparisons、concepts、sources、techniques、tools 几层;而 Herc brain 因为内容单一(全是会议记录),AI 判断保持扁平结构更合适,不强行拆文件夹。

作者解释了扁平结构反而更好的原因:要让 AI 能轻松检索到全部内容,层级太深反而增加查找成本(08:48)。整套系统的物理角色是 raw(丢原始数据的地方)→ wiki(AI 摄取整理出的概念/实体/来源页)→ index(目录总览)→ log(每次批量摄取的历史记录)四件套,AI 靠读 index 和 log 才能高效增量维护、不用每次都全量重读。

5. 实测:一次摄取两个来源,交叉链接揪出细节冲突 11:10

作者把 Claude Fable 5 与 Mythos 5 的 system card(PDF)拖进 raw 目录,又把 OpenAI 关于 GPT-5.6 Soul 的博客文章作为 URL 一并丢给 Claude Code,一句指令让它读取并摄取进 wiki。约 10-12 分钟后,两份来源被拆解、交叉链接成了 20 个 wiki 页面(11:30)。

这次实测真正体现价值的地方在于交叉链接暴露了单独阅读容易漏掉的细节:OpenAI 的博客把 GPT-5.6 Soul 拿去和 Mythos Preview 做基准对比,但对比对象是”4 月的前代模型”而不是 Mythos 5 本身,而且两家实验室用的评测 harness 不同,数字并不能直接放在一起比(11:49)。这类”看起来像同一件事但口径不同”的陷阱,是分别读两份摘要容易漏掉、而交叉链接的 wiki 结构会主动暴露出来的。

6. 为什么好用:CLAUDE.md 当路由器,纯 markdown 工具无关 12:54

整套系统能跑起来的关键是 CLAUDE.md 承担了路由器角色——agent 靠它判断该去哪个项目、哪份 wiki、哪个目录找答案,而不是笨拙地扫过全部数据来浪费 token 和时间。

作者点出这套东西最大的好处是:一旦你意识到整个 wiki 就是”带路由规则的一堆 markdown 文件”(14:09),就不再被锁定在某一个工具上——同一份 wiki 可以接给 Codex、Hermes 或任何能读文件系统的 agent 继续用(14:10),不依赖 Claude Code 或 Fable 本身。

可执行步骤

  • 去 obsidian.md 装好 Obsidian,新建一个空 vault,在 VS Code(或任意编辑器)里打开它并跑 Claude Code。
  • 把 Karpathy 的 llm-wiki gist 整段复制粘贴给 Claude Code,补一句”你是我的 LLM wiki agent,照此实现我的完整第二大脑”,让它建好 index/log/raw/wiki 的初始结构。
  • 摄取阶段不必用最贵的模型(Fable 对此是杀鸡用牛刀),用 Opus 一类模型完成初始搭建与日常 ingest 更划算。
  • 想同时管理不同类型的数据(比如会议记录 vs 字幕/文章),分开建多个独立 wiki,不要混进同一个目录。
  • 摄取多份相关来源时尽量一次性交给同一份 wiki,而不是分别单独摘要,借交叉链接结构揪出材料间容易被忽略的口径差异。
  • 只有在需要把摄取完的知识图谱”重新演绎”成给特定受众看的呈现层(比如简化总览页)时,再考虑用情绪化、带受众代入的提示交给 Fable 一类模型。

关联

  • 印证:Claude第二大脑的五个层级详解 把本片的 wiki + CLAUDE.md 路由放进五级框架的 Level 2,并以作者自己停在 Level 2 佐证「pain-driven 选级」。
  • 印证:OKF笔记 讨论的是给 Karpathy 这套 LLM wiki 加一层标准化(index+metadata),本片演示的正是还没加标准层的原始版本怎么五分钟搭起来,两篇共享同一个 Karpathy 起点,互为印证;其中 index/log 引导 agent”先概览再深挖”的机制与 OKF 笔记的 渐进式披露 是同一件事。
  • 印证:Fable5高杠杆用例笔记 主张”探索性/规划性工作交给便宜模型、Fable 只做长任务执行”的用量分层原则,本片作者自己也说搭建和摄取这一步”Fable 是杀鸡用牛刀,用 Opus 更好”,直接印证了同一条分层调度建议。

一手来源与延伸

术语

  • LLM wiki——Karpathy 提出的、用 LLM 增量维护并带交叉链接的个人知识库范式
  • raw/wiki/index/log 四件套——Karpathy 原始方案里数据流转的四个物理目录角色:raw 存原始摄取源、wiki 存 AI 整理出的概念/实体/来源页、index 是目录总览、log 记录每次批量摄取的历史
  • 情感化提示(Emotional Prompting)——用语气与受众代入(而非纯功能性指令)提示 agent,让输出的呈现层更贴合目标读者体感
  • 跨源交叉核验——多来源摄取进同一 wiki 后,交叉链接结构会自动暴露单独阅读时容易被忽略的材料间口径差异或事实冲突

立场与利益

作者反复展示自己名为 Herc 2 的 AI OS 项目与订阅课程截图,并在文末提到自己有一门免费的”搭建 AIOS”课程(社群链接在简介);Fable 的每周用量限制、以及”其实用 Opus 更好”的坦白,削弱了这是纯粹自我推广的判断——作者主动承认自己在用的工具对这个场景是”过度配置”。

价值定位

适合已经在用 Claude Code、想把零散的字幕/文档/会议记录整理成可检索第二大脑的用户;对还没有大量个人数据积累的人,这套流程价值有限,搭起来了也没什么可摄取的。核心是认知加实操两条腿:认知上理解”摄取”和”摄取后加工”是两件事、该用不同档位的模型;实操上五分钟就能照抄 Karpathy 的 gist 跑出第一个 wiki,门槛极低。

自检问题

  1. 作者认为 Fable 相比 Opus 真正强在哪个环节,而不是”摄取”本身? 答案:强在摄取完数据之后,按情绪化/受众代入的提示把知识图谱重新组织成简单易懂的呈现层——作者用 Opus 4 花近一天做出的类似总览页自己都觉得太让人不知所措,见”知识点1”。
  2. Karpathy 原始方案里,raw、wiki、index、log 四个目录各自的作用是什么? 答案:raw 是丢原始摄取源(文档/PDF/URL)的地方,wiki 是 AI 整理出的概念/实体/来源页,index 是全局目录总览,log 记录每次批量摄取的历史,AI 靠读 index 和 log 高效增量维护而不用每次全量重读,见”知识点4”。
  3. 为什么一次性把多个来源摄取进同一份 wiki,比分别对每个来源单独做摘要更有价值? 答案:交叉链接结构会暴露单独阅读时容易被忽略的口径差异,比如视频里 OpenAI 博客把 GPT-5.6 Soul 拿去对比的是”4 月前代模型”而非 Mythos 5 本身、且两家用的评测 harness 不同,数字不能直接比,见”知识点5”。
  4. 为什么作者说这套系统”不锁定在 Claude Code 或 Fable 上”? 答案:因为整个 wiki 本质就是一堆带路由规则的 markdown 文件,任何能读文件系统的 agent(如 Codex、Hermes)都能接手同一份数据继续用,见”知识点6”。
  5. 作者对”用什么模型跑初始搭建和日常摄取”给出了什么具体建议,和他自己在视频里演示的模型选择是否一致? 答案:作者建议初始搭建和后续摄取用 Opus 一类模型更划算,承认 Fable 对这一步是”杀鸡用牛刀”,但视频演示全程仍用 Fable 做示范,这是他自己指出的一个不一致,见”知识点3”。

💬 热门评论 top-16 主 + 4 回(抓取 2026-07-07)

[2] @SateeshMeansTruth:建议。在展示技术细节之前，先展示好处——做这些工作最终能为用户带来什么？是什么乐趣让这些辛苦值得？很多观众没那么厉害，没法自己推导出来。把你的钩子变成能激发用户兴趣的东西，让他们知道能做什么，这样他们就会有动力去做，并且看到最后。谢谢你的所有工作！ 👍 21   ↪ @izmir1221:这个想法基本上是把你能访问的大量数据（比如视频里提到的几百个YouTube视频，或者一个学术领域的几千篇文章，或者关于市场的大量数据）转化成一个互联的系统，你可以随意使用。机会无穷无尽，但它基本上能帮你把大量数据组织成可用的东西。   ↪ @christianpowell6263:这正是视频第一分钟的内容。 👍 1 [4] @2Fast2Fourier:Nate，干得漂亮。你觉得除了Obsidian，还有其他方式存储这些信息吗？我正在考虑把这个推广给几个我合作的小企业。 👍 1 [5] @BG-pt7fy:嘿Nate，你能详细讲讲AIOS和LLM wiki的不同结构吗？它们经常被混为一谈，但并不是一回事。请帮我们这些凡人清楚地看到，什么时候我们在看其中一个的部件，什么时候是另一个，什么时候是交集，我指的是部件而不是概念。兄弟，喜欢你的作品。 👍 17   ↪ @nateherk(UP):它们不是一回事。AI OS是你工作的操作系统，比如我的Herk-2项目。我的AI OS可以访问多个LLM wiki，并帮助我维护它们。 👍 8 [6] @samiraordahi:谢谢Nate！你怎么把你的第二大脑和手机同步？你怎么从手机访问和查询你的知识库？比如，你在手机上想查询之前写在知识库里的一个概念，你怎么做？既然Obsidian是本地优先的，你用什么应用或工具来搜索知识库？ 👍 2 [9] @joehogans4494:非常酷，喜欢你的视频！我的顾虑是，这很耗时，而且要注意模型漂移（在不同模型间切换）可能会破坏你的结构。每个模型都有自己的特点。模型X生成5个markdown文件，模型Y生成20个。 👍 1 [10] @felipeguarin2631:这和用一个文件夹放.MD文档有什么不同？除了酷炫的图形，我没看出Obsidian的好处。我是不是漏了什么？ [14] @ZellySidiZamzami:和LightRag索引相比，它有什么不同/更好/更差？ [16] @itsmikemcdonnell:有人觉得维护这个太过了吗？当你引入的某个文档过时或不相关了怎么办？反过来处理似乎很快就会变得一团糟！ 👍 10 ——其他 6 条:感谢/夸赞([3]@anoldwoodenship、[7]@douggottlieb、[11]@cryptoape42、[12]@ANNA_family_explains、[13]@MoneySoul、[15]@damianog7776);2 条 spam 已略

英文原文[1] @nateherk(UP):FREE MONTH voice to text: https://get.glaido.com/nate All my FREE resources: https://www.skool.com/ai-automation-society/about?el=fable-llm-wiki&hcategory=youtube-videos&utm_campaign=free-group 👍 1
[2] @SateeshMeansTruth:Suggestion. Before showing the technical stuff, show the benefit - what does going thru all this work DO for the user at the end. What is the pleasure that makes it worth the pain. Many people following will not be as advanced to deduce that by themselves. Turn your hook into that which excites the user into what they CAN DO and then they will be motivated to go and do it and watch thru to the end. Thank you for all your work! 👍 21
  ↪ @izmir1221:The idea is to basically transform a large data that you have access to (i.e. hundreds of YouTube videos like in this video, or thousands of articles in an academic field, or a massive data about the market) into an interconnected system that you can use as you will. Opportunities are endless, but it basically helps you take large data and organize it into something to use.
  ↪ @christianpowell6263:That’s exactly what the first minute of the video was for 👍 1
[3] @anoldwoodenship:We need to get a meet up going. Im in the CHI area as well. Legit, prompted the same exact thing last night about the visual graph. It visually cool but not very usable. I doubled down for the July promo and asked it to use 3JS with fable :). Keep Birddogging 👍 2
[4] @2Fast2Fourier:Great work again Nate. Do you reckon there's another way to store all this information other than Obsidian? I'm thinking of rolling this out to a couple of small businesses I work with 👍 1
[5] @BG-pt7fy:Hey Nate, can you do a breakdown on the different anatomy of an AIOS vs LLM wiki. They are so often thrown into the same sentence and aren't the same thing. Please help us mere mortals to clearly see when we are looking at the moving parts of one vs the other vs the intersecting area, and I mean the moving parts not the concepts. Love your work bro. 👍 17
  ↪ @nateherk(UP):They’re not the same thing. An AI OS is the operating system that you work in. Like my Herk-2 project. There are multiple LLM wikis that my AI OS has access to and helps me maintain. 👍 8
[6] @samiraordahi:Thanks Nate! How do you sync your second brain with your phone? And how do you access and query your knowledge base from your phone? For example, if you're on your phone and want to ask about a concept you've previously written in your knowledge base, how do you do that? What app or tool do you use to search your knowledge base since Obsidian is local first. 👍 2
[7] @douggottlieb:That is an awesome UI. Love it. Thanks for sharing this. Your videos are always a must watch for me. 👍 5
  ↪ @nateherk(UP):Thank you, I really appreciate the support!
[8] @SwarajTalekarOriginal:Hey nate con you build how to connect istagram to claude and making it content creation system 👍 1
[9] @joehogans4494:Very cool love your videos! My pushbacks are, it's time intensive and be warned for model drift (switching between models) it can break you structure. Every model has its own signature. Model X generates 5 markdowns model Y 20 markdowns. 👍 1
[10] @felipeguarin2631:How is this different from having a folder with . MD docs? I fail to see the benefit of obsidian beside the cool graph. Am I missing something?
[11] @cryptoape42:watching Nate's videos daily is basically cheating
[12] @ANNA_family_explains:Thank You Nate! You explain things very well to someone who is building a business and really needs to have a good understanding of all the different levels and concepts. :)
[13] @MoneySoul:Siiiick. Thank you yo. Checking out your skool resources too 👍 2
[14] @ZellySidiZamzami:How is it different better / worse compare to LightRag index?
[15] @damianog7776:Great video! p.s. AI missed a cut at 03:43
[16] @itsmikemcdonnell:Anyone else think this is just overkill to maintain? What happens when one of the docs you ingest becomes outdated or irrelevant? Reversing this seems like it could quickly become a mess! 👍 10

关系图谱

反向链接