導讀：你花三年存了一千篇文章在 Notion，要用時還是去 Google 搜。問題不在你懶，在「存起來」和「用得上」之間隔著鴻溝。Karpathy 的知識編譯系統正把這道溝填平。
你的知識庫其實是個倉庫
大多數人的「第二大腦」：看到好文章就存、聽到好觀點就記。三年下來幾千則筆記躺著，彼此毫無關聯。問題是把「收集」當成「學習」——前者增加儲存量，後者增加連結密度。
傳統 RAG 也是這邏輯：有問題去倉庫翻，翻到相關段落丟給 AI 組答案。每次查詢一次性，查完即走，系統毫無成長。
讓 AI 不只答題，還順手整理知識
Karpathy 三層架構：底層 raw sources（任何隨手丟入的素材）；中層 wiki（AI 維護的結構化知識頁，Markdown + Obsidian）；頂層 schema（AI 維護 wiki 的規則）。
關鍵在中層。每丟進新文章，AI 不只「存」——判斷它影響哪些既有主題頁。一篇 Agent 記憶的文章，可能同時觸發「Agent 架構」「Context 工程」「Prompt 設計」三頁更新，新資訊被編織進既有網路。
每次查詢反過來強化系統。 跨領域問題迫使 AI 把原本不相關的頁面連結起來，產生新合成頁。問得越多，系統越聰明。
Second Brain Part 2 進一步提出：別用通用知識庫，建領域專屬 vault——競爭情報、個人健康、客戶知識各一。就像你不會把食譜和稅務資料混在同一個抽屜。
為什麼這件事很重要
過去對知識管理的期待是「存取方便」——存進去、找出來就好。現在是「持續增值」——每次輸入與查詢都讓系統更好。
對研究者：文獻回顧不再是一次性苦工，而是持續運轉的編譯程序。新論文進來時，系統自動告訴你和哪些舊論文有關、填補什麼空缺、開啟什麼新問題。
對組織：知識不再隨人員流動流失。每位成員貢獻編譯進組織知識網路，離職帶走的只有個人經驗，結構化知識留下。
你的第二大腦不該是倉庫，而是一座持續生長的珊瑚礁——每粒新沙都被編進結構，讓整體更堅固。
References
- Karpathy, A. (2026). AI-native knowledge compilation architecture.
- Two ways to build a second brain with LLMs. 2026.
- Part 2: Your Second Brain System (Done For You). 2026.
- I Gave Claude Code 300 Huberman Episodes. It Replaced My Coach. 2026.
常見問題
Karpathy 的三層架構需要很強的技術能力才能建立嗎？
核心概念是讓 AI 在你每次輸入新資料時，自動更新相關的知識頁面。技術門檻取決於工具選擇——使用 Obsidian 加上 AI 外掛，非工程師也可以入門；完整自動化則需要一定的程式能力。
知識編譯系統和傳統 RAG 最大的差異是什麼？
RAG 是「有問題去倉庫找」，查完即走，系統不成長。知識編譯是「每次輸入和查詢都讓系統更聰明」——新資訊被主動編織進既有知識網路，問得越多，系統越有價值。
適合建立幾個 vault？要分得多細？
建議從一到兩個領域專屬 vault 開始，把混在一起的知識拆開。以競爭情報、個人健康、客戶知識為例：三個分開的 vault 各自深耕，效果遠優於一個萬用知識庫。