Andrej Karpathy 在 2026 年 4 月 2 日發了一條推文，說他最近發現一件很有用的事：用 LLM 來為自己感興趣的研究主題建立「個人知識庫」。他特別提到，最近大量的 token 使用量已經從操作程式碼，轉移到了操作知識。
這條推文我看了幾次。它說的不是某個新工具、新模型、新框架。它說的是一個人的工作流轉變——而說這話的人，是少數真正把 LLM 用到極限的人之一。
這是一個訊號，不是一個技巧
Karpathy 不缺寫 code 的工具，也不需要 LLM 幫他除錯。他說「我的 token 使用量已經主要在操作知識，不在操作程式碼」，代表他找到了 LLM 更高報酬率的用法。
如果連他都在做這件事，我們值得停下來想一想：是不是多數人都把 LLM 用在了次等重要的地方？
什麼是「LLM 知識庫」
不是把文章丟給 ChatGPT 問問題。那是用完即棄的互動——問了、答了、關掉，什麼都沒有留下來。
Karpathy 說的是另一件事：用 LLM 把你讀的論文、文章、筆記，轉化成結構化的、持久的、可累積的知識系統。具體來說可能長這樣：
- 把五篇論文餵給 LLM，請它萃取核心概念、整理成 Markdown
- 請 LLM 找出這些論文之間的爭議點和共識
- 建立一份「這個主題目前我理解到哪裡」的個人 ground truth 文件
- 下次讀到新論文，把它與既有知識庫對照，只更新有差異的部分
關鍵差異是累積性。寫完的 code 是可執行的 artifact，但一次性問答沒有留下任何知識資產。知識庫會隨著輸入增加而變得更完整、更有價值。
Token 使用分配的轉變
如果你現在審視自己一週的 LLM 使用記錄，大概長什麼樣子？
Karpathy 式工作流下的 token 分配比例（推估值）
Karpathy 沒有放棄 coding，但他在知識整理上投入的 token 比例大幅上升。背後的判斷很清楚：code 可以快速生成，但對一個領域的深度理解不能。
它和 ChatGPT 問答有什麼不同
這個問題值得直接回答。
一次性問答是無狀態的：每次對話從零開始，問了一百個問題，什麼文件資產都沒有留下來。
LLM 知識庫是有狀態的：每次新材料整合進去，知識庫就更完整一點。這和 Garry Tan 的 GBrain「Compiled Truth」機制的邏輯一樣——把當下最佳理解編譯成可更新的快照，而不是每次從頭臨時合成。
問答是取用，知識庫是積累。
實際怎麼做
不需要特殊工具，長 context 的 LLM 加 Markdown 編輯器就夠了：
選定範圍小的主題——小到能在兩週內讀完核心材料。把論文貼進去，請 LLM 萃取核心主張、關鍵假設、與其他工作的關係，直接輸出 Markdown。
建一份主文件——把各篇萃取結果合併，請 LLM 整理出共識、矛盾、未解問題。這份文件是你對這個主題的 ground truth。
迭代更新——每次讀到新東西，只更新有差異的部分。文件越來越精準，不是越來越臃腫。
為什麼現在才有人這樣做
因為 context window 不夠長的時候，這件事做不好。你沒辦法同時把五篇論文和既有知識庫都塞進去讓 LLM 做整合。現在可以了。
這是一個被模型能力限制壓著的用法，限制消失之後它自然浮出來——Karpathy 的推文只是個公開確認。
如果你現在還在用 LLM 主要做 code 補全，這不是在說那件事沒有價值。而是說：可能有另一件事，值得你分出更多 token 預算去試試。
