Fable 5 + Karpathy’s LLM Wiki is Basically Cheating
三句話摘要
如何用 LLM 和 Obsidian 在 5 分鐘內建立自動化知識管理系統（LLM Wiki）。 透過預定義資料夾結構與清晰的 AI 指引，任何人都能在數分鐘內建立自動更新的個人知識系統，讓 LLM 在豐富的上下文中做出更智慧的決策。 --- 根據我讀的memory，您傾向於自動化部署。如果您對這支影片的內容有任何疑問或想進一步討論如何應用到自己的專案，歡迎告訴我。 1. 智慧化知識圖譜自動建構
重點整理
重點- 1
1. 智慧化知識圖譜自動建構
- 2
系統會自動分析多個資料源的內容，發現它們之間的隱含連結（如 OpenAI 的 GPT-5.6 和 Anthropic 的 Mythos 使用不同的評測框架），讓本來獨立的文件形成動態知識圖。
- 3
2. 結構化管理流程的必要性
- 4
LLM wiki 依賴明確的資料夾約定（raw 放原始檔案、wiki 儲存已消化的內容、index 提供總覽、log 記錄版本），AI 靠這些路由規則在數據中高效查詢，避免浪費 token。
- 5
3. Fable 與 Opus 的差異體現了模型能力邊界
- 6
Fable 模型對「用初心者能理解的方式呈現」這類語義指令理解更深，同樣資料庫搭配 Opus 耗時一整天且結果仍感覺雜亂，而 Fable 一次輸出就令人滿意的視覺化介面。
- 7
4. 靈活擴展與個人化結構
- 8
不同用途的 wiki（YouTube 逐字稿、會議記錄、商業資料）採用不同的組織方式是正常的，系統能根據資料性質自動調整資料夾層級，核心是讓 AI 和人都能順暢導航。
實用技巧與重點
乾貨- 工具與平台
- Obsidian（前端展示，支援 Windows/Mac/Linux）
- Claude Code（整合開發環境，支援 VS Code）
- Claude Fable 5 / Mythos 5 / Opus 4.8（LLM 模型）
- André Carpathian 的 LLM Wiki Gist（架構模板）
- 系統結構
- `raw/` - 原始資料放置區（PDF、URL 清單等）
- `wiki/` - AI 已消化並交叉連結的內容
- `index.md` - 所有概念、實體、主題的總覽與反向連結
- `log.md` - 記錄每次批次攝取的時間與來源
- `.obsidian/` - 配置資料夾（自動生成）
- `CLAUDE.md` - 路由規則與 AI 指引
- 建置步驟
- 安裝 Obsidian、在桌面或專案資料夾建立新 Vault
- 在 VS Code 中用 Claude Code 打開該資料夾
- 複製 Carpathian 的 gist 全文，貼入 Claude Code
- 指令：「You are now my LLM Wiki agent. Implement this exact idea file...」
- 系統自動建立 index、log、raw、wiki 資料夾與初始 CLAUDE.md
- 將資料源（PDF / URL）放入 raw，Claude 自動消化並建立連結
- 真實案例數據
- 輸入：1 份 PDF（Claude Fable 5 系統卡）+ 1 份 URL（OpenAI GPT-5.6 預覽文章）
- 輸出：20 個相互連結的 wiki 頁面
- 處理時間：10-12 分鐘
- 發現的隱含連結：OpenAI 與 Anthropic 的模型評測框架差異（易被分別閱讀時忽略）
- 進階應用
- 支援多個獨立 LLM Wiki（YouTube 逐字稿集、會議記錄集、商業數據集）
- 同一個 Hermes 2 專案可統籌多個小型 wiki，AI 透過統一的 CLAUDE.md 路由規則在其中查詢
- 基於同一份資料庫，Fable 能生成針對特定受眾（「初心者友善」）的視覺化展現
結論
結論“透過預定義資料夾結構與清晰的 AI 指引，任何人都能在數分鐘內建立自動更新的個人知識系統，讓 LLM 在豐富的上下文中做出更智慧的決策。 --- 根據我讀的memory，您傾向於自動化部署。如果您對這支影片的內容有任何疑問或想進一步討論如何應用到自己的專案，歡迎告訴我。”
完整解析
詳細建立個人知識系統的難點在於資訊爆炸與連結管理。傳統方式需要手工梳理不同來源間的關係，耗時且容易遺漏隱含的關聯。本視頻展示的 LLM Wiki 方案透過 AI 自動化破解這個瓶頸。
系統的核心邏輯是「結構即指令」。講者先建立一份明確的資料夾約定（raw 存原始檔案、wiki 存已處理內容、index 提供全局視圖、log 記錄演變歷史），然後在 CLAUDE.md 中寫入詳細的組織規則。當使用者將新資料放進 raw 後，只需一句簡單指令，Claude Code 的 Fable 或 Opus 模型就能自動化讀取、分析、擷取關鍵概念、建立內部連結，並將結果寫回 wiki 資料夾。整個過程不需手工干預。
講者實際示範了兩種資料源的攝取方式：直接拖入 PDF 檔案到 raw，以及在提示中貼入 URL。Fable 在 10-12 分鐘內從兩份看似獨立的文件（Claude 和 OpenAI 的系統卡）中識別出它們各自提及的模型評測框架差異——這正是知識圖譜的價值所在。傳統方式下，分別閱讀這兩份文件很容易遺漏這層連結。
一個有趣的發現是 Fable 與 Opus 在語義理解上的差異。同一份資料庫，講者用 Opus 耗費整天迭代，最終產出的視覺化介面仍顯得複雜且不夠友善；而 Fable 一次就生成了簡潔、初心者友善的交互式 HTML 介面。這反映了不同模型在「理解隱含需求」這類任務上的天花板。
從架構演進來看，不同用途的 wiki 會自然地採用不同結構。YouTube 逐字稿集因內容多元化而發展出複雜的子資料夾（tools / techniques / concepts）；而會議記錄集因內容性質相近反而保持平坦結構。講者強調應根據使用情景調整，核心原則是讓 AI 的檢索效率與使用者的手動瀏覽體驗都能達到最優。一旦系統上線，持續增加資料源就能逐步豐富知識圖譜，而無需重新設計架構。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
