@karpathy Farzapedia，Farza 的个人维基百科，是遵循我 Wi… 的好例子

Farzapedia，Farza 的个人 wikipedia，是我那条 Wiki LLM 推文之后的一个好例子。

相比于那种“用得越多 AI 就会变得越好”之类的“现状”，我很喜欢这种 personalization（个性化）方法，原因有几个：

1. Explicit。memory artifact（记忆产物）是明确且可导航的（wiki）；你可以清楚看到 AI 知道什么、不知道什么，也可以检查和管理这个 artifact，即使你并不直接写文本（由 LLM 来写）。关于你的知识不是隐含且未知的，而是明确且可查看的。
2. Yours。你的数据属于你，存在你的本地电脑上，而不是放在某个特定 AI provider 的系统里、还无法导出。你掌控自己的信息。
3. File over app。这里的 memory 是一组简单的文件，采用通用格式（images、markdown）。这意味着数据是可互操作的：因为它只是文件，所以你可以用大量工具、CLI 或任何你想用的东西来处理这些信息。agents 可以把整套 Unix toolkit 用在它们上面。它们可以原生读取并理解这些文件。任何类型的数据都可以作为输入导入到文件中，任何类型的界面也都可以用来把它们作为输出查看。例如，你可以用 Obsidian 查看它们，也可以自己 vibe code 一个东西。搜索 “File over app” 可以找到一篇介绍这种理念的文章。
4. BYOAI。你可以使用任何想要“接入”这些信息的 AI——Claude、Codex、OpenCode，等等。你甚至可以考虑拿一个 open source AI，用你的 wiki 对它做 finetuning；原则上，这个 AI 可以在它的 weights 中“认识”你，而不仅仅是对你的数据做 attention。

所以这种 personalization 方法把完整控制权交给了你。数据是你的。采用通用格式。明确且可检查。你可以在其上使用任何想用的 AI，让 AI 公司保持紧张！ :)

当然，这并不是让 AI 了解你的最简单方式——它确实需要你管理文件目录等等，但 agents 也让这件事变得相当简单，并且它们可以给你很多帮助。我想可能会有不少产品出现，让整件事更容易，但在我看来，“agent proficiency” 是 21 世纪的一项核心技能。这些工具非常强大——它们会说英语，并且替你完成所有电脑上的事情。可以借这个机会试着玩一玩。