（1027期）Karpathy LLM Memory Wiki – 让知识复利增长，而非随对话蒸发

让知识复利增长，而非随对话蒸发 将 Andrej Karpathy 的「编译优于检索」知识库模式落地为 OpenClaw 插件，让外部知识沉淀为结构化、可交叉引用的 Wiki 页面，随时间复利增长而非对话后消失。 使用说明 核心用法 karpathy-wiki 实现了「编译优于检索」（compilation-over-retrieval）的知识管理范式：用户将原始资料（PDF、文章、链接）放入指定目录，Agent 自动提取关键论断、创建结构化 Markdown 页面、建立双向交叉引用，最终形成可复利积累的 Wiki 系统。整个流程包含三层架构（Raw Sources → Wiki → Schema）与三大操作（Ingest 摄取、Query 查询、Lint 健康检查）。 显著优点 知识复利：与传统检索式记忆不同，洞察被编译成持久化页面，下次查询直接基于已沉淀的结构化知识，避免重复从零合成。 架构清晰：三层分离（原始资料不可变、Wiki LLM 维护、Schema 共同演化）降低认知负荷，解决「记账」这一知识库维护的最大痛点。 生态兼容：原生支持 OpenClaw 内置记忆、Dreaming（互不干扰）、QMD（本地语义搜索）、SuperMemory（云端同步）、Honcho（跨会话语义搜索）及 Obsidian（双向链接可视化）。 自动化运维：可选 cron 定时摄取（每日 4AM）与周日巡检，区分推理型模型（摄取需综合）与快速模型（巡检仅需机械验证）以优化成本。 潜在局限 冷启动成本：需手动配置目录结构、Schema 约定及可选的自动化流程，对非技术用户存在上手门槛。 规模瓶颈：索引页建议控制在 4000 tokens 以内；超过 80 页需拆分子域索引，增加架构复杂度。 Agent 依赖：摄取质量高度依赖 LLM 的摘要与交叉引用能力，需选用 Claude Sonnet/GPT-4o 等级别模型，成本高于纯检索方案。 冲突规避设计：虽与 Dreaming 文件隔离 + 90 分钟调度缓冲，但高频并发写入场景下仍需人工监控。 适合人群 需要长期跟踪某一领域（科研、投资、技术栈）并建立可查询知识库的深度学习者； 已使用 OpenClaw 生态、希望将外部输入与对话记忆分离的进阶用户； 愿意承担初期配置成本以换取中期自动化收益的效率极客。 常规风险 数据持久性：默认仅本地存储，需主动启用 SuperMemory 或手动备份 memory/wiki/； Schema 漂移：若多人协作或长期运行，Schema 与 Wiki 页面可能不同步，需依赖 Lint 巡检与人工治理； LLM 幻觉风险：自动生成的交叉引用与摘要存在事实性错误可能，关键领域建议人工复核。 原始说明 Compilation-over-retrieval knowledge wiki for OpenClaw agents. Drop sources in, get structured cross-referenced pages out. Knowledge compounds instead of dis...