Andrej Karpathy 作者

LLM Wiki主张用LLM持续维护个人知识库，不在提问时临时从原始文档检索，而是把新资料持续吸收进结构化、可交叉引用的Markdown wiki，并通过索引、日志与规则文档完成摄取、问答和巡检；让知识可累积更新、矛盾可提前标记、查询更高效，人工只需负责选材与提问。

作者用LLM把论文、文章、仓库和图片等原始资料持续编译成由Markdown构成的个人知识库，并在Obsidian中查看与管理，LLM负责摘要、分类、链接、问答、可视化和数据校验，用户几乎不手动编辑；在中小规模下无需复杂RAG也能高效检索与研究，且查询结果会反哺知识库，最终指向可产品化的知识操作系统。

microgpt以200行无依赖Python把数据集、字符级分词、自写autograd、类GPT-2网络、Adam训练与采样推理压进单文件，在3.2万姓名上训练1000步使loss约3.3降至2.37并生成新名字，结论是GPT训练与生成的算法本质可被极简复现，生产差异主要在规模与工程效率。

作者称自去年12月起AI编码代理从几乎不可用跃迁为可独立推进长任务，示例中其在约30分钟内完成环境部署、模型下载测试、服务与界面搭建并提交报告，结果编程从手写代码转向用自然语言指派并行代理并审核，工程师重心变为拆解、判断与编排，开发流程被显著重塑但仍需监督且更适合可验证任务。

2025年LLM进展由RLVR取代部分预训练、以可验证奖励拉长推理驱动能力提升，模型呈“尖峰式”智能并使基准易被针对而失真，同时Cursor推动编排型应用层、Claude Code确立本地私有环境代理形态，vibe coding降低编程门槛且重塑岗位，Gemini“nano banana”提示多模态GUI方向，结论是能力仍将加速但离AGI尚远且潜力未被充分开发。