AI Infra Wiki

README

11分钟阅读

LLM Wiki

本仓库是一个 Open Knowledge Format (OKF) 知识库：在 Karpathy LLM Wiki 的沉淀理念之上，用带 YAML frontmatter 的 Markdown 概念页持续编译 AI 基础设施领域知识。日常 摄取、更新与查询 通过仓库自带的 .cursor/skills/okf-knowledge-base skill 在 Cursor 等 Agent 中执行。

理念来源：Karpathy Wiki（中文导读） / LLM Wiki gist；格式参考 Google Knowledge Catalog OKF。上游 Hermes llm-wiki skill 仍是相近工作流的参考实现。

Karpathy 知识库的核心理念

传统 RAG 往往在每次提问时从切片语料里临时检索并拼装答案；Karpathy Wiki 模式则强调 先把跨资料的综合写进可维护的产物，让之后的问答站在上一次整理过的结果上继续演进。

可以概括为几点：

  • 沉淀而非反复从零推导：高质量摘要、对比与结论写入页面；新资料进入时在已有页面上修订，而不是每次都从头拼一遍。
  • 人机分工：人负责选题、筛选资料与判断优先级；模型负责摘要、交叉引用、归档与一致性维护（具体目录与约定见仓库内的 SCHEMA.md）。
  • 资料层与工作层分离：原始材料放在不可随意改写的资料区（如 raw/），Wiki 页作为工作层吸收、评议与链接；Schema（如 SCHEMA.md）约束结构与标签，避免笔记发散成噪声。
  • 矛盾与演进可追溯：冲突信息记在相关页面或 frontmatter 中，配合日志（log.md），便于复核而不是被静默覆盖。
  • 答案可复用：有价值的问答可以回填为 queries/、comparisons/ 等页面，避免优质推理只存在于聊天记录里。

一句话：RAG 偏重「检索时的召回」，Karpathy Wiki 偏重「长期编译后的知识状态」。

本仓库的目的：团体知识协作与共享

本 Wiki 面向 团队共同维护与使用：

  • 共享同一套结构与术语（见 SCHEMA.md、index.md），减少各人笔记孤岛与重复劳动。
  • 协作增量：新成员可通过索引与图谱快速定位主题；ingest / 更新 / 校验可由 Cursor Agent 按 OKF skill 执行，变更记录在 log.md。
  • 知识归属清晰：资料来源与页面引用可追溯，便于评审、对齐与后续迭代。

仓库内的领域范围与标签体系以 SCHEMA.md 为准；若你希望扩展领域或协作流程（分支策略、评审门槛），建议在 Schema 或团队约定中显式写明，以便人机协作一致。

快速开始：克隆仓库并用 OKF skill 增量维护

下面是一条完整路径：克隆本仓库 → 用 Cursor 打开 → 让 Agent 加载 .cursor/skills/okf-knowledge-base → 在已有 OKF bundle 上 ingest 新资料。

Skill 定义见 .cursor/skills/okf-knowledge-base/SKILL.md；本仓库本身即是一个 OKF bundle（entities/、concepts/、papers/ 等目录 + 各目录 index.md + 根目录 log.md）。

1. 克隆本仓库

在你希望存放知识库的目录执行（将 URL 换成你 fork 后的地址亦可）。在 git clone 末尾写上目录名 wiki：

git clone https://github.com/lukebest/AI_infra_LLM_wiki.git wiki
cd wiki

若使用 SSH：

git clone git@github.com:lukebest/AI_infra_LLM_wiki.git wiki
cd wiki

确认根目录下已有 SCHEMA.md、index.md、log.md 以及 entities/、concepts/、raw/ 等——说明这是已有内容的知识库，后续只做增量 enrich。

2. 用 Cursor 打开并启用 OKF skill

  1. 在 Cursor 中 Open Folder，选择刚克隆的 wiki 目录。
  2. Skill 已随仓库位于 .cursor/skills/okf-knowledge-base/，Cursor 会在本项目中自动发现；无需单独安装 Hermes Hub 或配置 WIKI_PATH。
  3. 新开 Agent 对话时，可直接说明：「按 OKF knowledge base skill 操作本仓库。」

可选：将 SKILL.md 中的「Enrich Existing OKF Bundle」要点写入项目 .cursor/rules，减少每次重复说明。

3. 增量维护的典型流程（每次有新资料）

对应 skill 中的 Workflow 3: Enrich Existing OKF Bundle：

  1. 同步团队最新内容（可选但推荐）

    cd wiki
git pull

  2. 定向（Orient）
    让 Agent 先读 SCHEMA.md、各目录 index.md（或根 index.md）、log.md 近期条目，并搜索是否已有相关 concept，避免重复建页。

  3. 摄取（Ingest）
    向 Agent 提供 URL、PDF、文件路径或粘贴正文，示例话术：

    • 「采用 OKF skill，把 raw/papers/xxx.pdf 加入本知识库」
    • 「按 OKF skill ingest 这篇资料，更新相关 entities/concepts」

    Agent 应按 skill 执行：

    • 原文保留在 raw/（articles/、papers/ 等子目录；摄取后原则上不改写正文）
    • 按 SCHEMA.md 阈值 新建或更新 concept 页（frontmatter 含 type、title、description、tags、timestamp）
    • 页面内至少 2 条 bundle 相对路径交叉链接，并写 # Citations
    • 更新对应目录的 index.md 与根 log.md

  4. 校验（Validate，可选）

    python .cursor/skills/okf-knowledge-base/scripts/validate_bundle.py .
python .cursor/skills/okf-knowledge-base/scripts/generate_indexes.py .

    修复缺失 type、frontmatter 解析错误等问题后再提交。

  5. 提交并推送（团体协作）

    git status
git add -A
git commit -m "wiki: ingest <简短说明>"
git push

增量体现在：新资料进入 raw/，concept 页与索引在原有基础上追加与修订，并通过 Git 与他人合并。

使用 OKF knowledge base skill 维护知识库

前提： 请先完成上一节 「快速开始」（克隆仓库并在 Cursor 中打开）。

Skill 路径：.cursor/skills/okf-knowledge-base/SKILL.md。以下聚焦本仓库上的 摄取、enrich 与校验；OKF 规范摘要见 skill 内 references/okf-spec-summary.md。

1. Skill 何时激活

在 Cursor 对话中提到以下意图时，Agent 应读取并遵循该 skill：

  • ingest / 加入 / 更新知识库、处理 raw/ 下新资料
  • OKF、Knowledge Bundle、concept 页创建或 enrich
  • 校验 bundle、生成 index、知识库健康检查

2. 核心操作（由你在对话里发起）

操作示例话术Agent 按 skill 做的事
摄取 ingest「用 OKF skill 把这篇 PDF 加入 wiki」读 SCHEMA.md + index → 写/更新 entities/、concepts/、papers/ 等 → 更新 index.md、log.md
Enrich 已有页「把新来源合并进 某 concept」更新 frontmatter timestamp、正文与 # Citations，补交叉链接
校验 validate「对 bundle 做 OKF 校验」运行 validate_bundle.py，报告缺失 type 等问题
查询 query「根据 wiki 回答…并引用页面」读 index → 定位 concept → 综合回答；高价值结论可新建 papers/ 或 analyses/ 页并记 log

注意： raw/ 摄取后视为不可原地改写；修订结论写在 concept 工作层。

3. Concept 页约定（OKF + 本仓库 SCHEMA）

  • 必填 frontmatter（OKF）： type（如 Entity、Concept、Summary）
  • 推荐： title、description、tags、timestamp（ISO 8601）；扩展字段 sources、created 可保留
  • 交叉链接： 使用 bundle 相对路径，如 [Cerebras WSE](/entities/cerebras-wse.md)
  • 标签： 须出现在 SCHEMA.md 的 taxonomy 中；新标签先写入 SCHEMA 再使用

4. 实用脚本（skill 自带）

在仓库根目录执行：

# 校验 frontmatter / type
python .cursor/skills/okf-knowledge-base/scripts/validate_bundle.py .
 
# 重新生成各目录 index.md
python .cursor/skills/okf-knowledge-base/scripts/generate_indexes.py .
 
# 生成交互式概念关系图 viz.html（可选）
python .cursor/skills/okf-knowledge-base/scripts/generate_viz.py .
 
# （可选）简易自研静态站
python .cursor/skills/okf-knowledge-base/scripts/generate_site.py . --out site --base-path ""
 
# 推荐：Quartz 数字花园（图谱 / 搜索 / 反向链接 / 预览）
# 工程目录默认：~/workspace/ai-infra-wiki-quartz
./.cursor/skills/okf-knowledge-base/scripts/rebuild-quartz-site.sh          # 仅本地构建
./.cursor/skills/okf-knowledge-base/scripts/rebuild-quartz-site.sh --deploy # 构建并推送到 lukebest.github.io

公开站点：https://lukebest.github.io/（Quartz 4 数字花园，从本 OKF 知识库生成；源站工程在 ~/workspace/ai-infra-wiki-quartz）。

使用 Agent 查询知识库

查询的本质：先从已编译的 OKF concept 页作答，必要时再补充外部检索；高价值回答可回填为 papers/、analyses/ 等页面并记入 log.md。

Cursor（推荐）

  • 打开本仓库为工作区，对话中说明：「先读 SCHEMA、index、近期 log，再按 OKF skill 查询。」
  • 示例：「根据 wiki 总结 [某概念] 与 [另一实体] 的关系，引用 /concepts/ 与 /entities/ 页面。」
  • Agent 流程：读 index.md → 搜索关键词 → 读相关 concept → 回答并标注路径链接。

OpenClaw、Hermes 与其它 Agent

将 本仓库挂载为可读工作区，在系统提示中固定：

  1. 先读 SCHEMA.md、各目录 index.md、近期 log.md。
  2. 只读/写工作层（entities/、concepts/、papers/ 等），勿改写 raw/ 原文。
  3. 回答须引用实际读到的 concept；持久结论写入 bundle 并更新 index.md / log.md。

若使用 Hermes，也可额外加载上游 llm-wiki skill 并将 WIKI_PATH 指向克隆目录；Cursor 用户无需此步骤。

人工快速查阅

用编辑器或 Obsidian 打开本目录，从各目录 index.md 跳转；复杂主题可全文搜索 *.md。

仓库导航（简要）

路径作用
.cursor/skills/okf-knowledge-base/OKF 维护 skill（SKILL.md + 校验/索引脚本）
SCHEMA.md领域、命名、标签与更新策略
index.md根目录与子目录内容索引
log.md按时间记录的操作日志
raw/原始资料（摄取后原则上不改写正文）
entities/、concepts/、papers/ 等OKF concept 工作层页面

本地可与 Obsidian 等 Markdown 工具配合使用；维护与查询流程见上文 「快速开始」 与 「使用 OKF knowledge base skill」。

许可证与致谢

关系图谱

反向链接