今年四月，Andrej Karpathy 在 X 上發了一則推文，描述他如何用 LLM 來建立個人知識庫。幾天之內，整個技術圈炸了——GitHub 上冒出十幾個實作專案、YouTube 教學影片如雨後春筍、Substack 文章排山倒海。大家把它叫做「第二大腦」。
然後我就開始等。
等什麼？等有人告訴我：「因為建了這個系統，我做出了什麼以前做不到的事。」
等了五個月。結果嘛⋯⋯幾乎沒有。（咦！？）
有產出的人，本來就會產出
我不是說完全沒人用。科技記者 Casey Newton 寫了一篇很誠實的文章，說他用 LLM Wiki 來追蹤快速演變的新聞事件——像 OpenAI 和 Hugging Face 的 AI 代理失控外洩案 那種每天都有新進展的大案子。Wiki 會自動為新聞概念生成頁面，他在瀏覽時偶然發現了可以做成 podcast 段落的題材。
聽起來很厲害對吧？但仔細想想，Casey Newton 本來就是每天寫電子報、每週做 podcast 的人。他的產出管道早就在那裡了，wiki 只是讓他準備素材的速度快了一點。他自己也說：wiki 需要「近乎持續的維護」，頁面太長要壓縮、程式碼壞了要修、Claude 的壓縮風格太難讀還得用 GPT 重寫。
另一個案例是工程師 Tom Nguyen，用了六個月建了 77 頁的 wiki，主要拿來查部署流程。他的結論也很務實：所謂「LLM 寫和維護一切」是理想，實際上是「LLM 寫草稿、你來審核」。
這兩個人的共通點是：系統讓他們做得更快，但沒有讓他們做出不同的事。
而除了他們之外？絕大多數的文章都還是在講怎麼搭、怎麼設定、用什麼工具——一片熱鬧的 how-to 海洋，就是看不到用了之後的創新或具體產出。
買書不看的滿足感
這讓我想到一個自己很熟悉的壞習慣：買書（說來還真是慚愧…. 艸）。
書架上排列整齊的書，會製造一種「我已經擁有了這些知識」的錯覺。但擁有和理解是兩件事。書沒有翻開、沒有跟你的大腦摩擦過，它就只是裝飾品。
LLM Wiki 也是一樣的結構。當你看到 Obsidian 的 graph view 長出漂亮的知識網絡，節點密密麻麻、連線交錯縱橫——那個視覺回饋本身就足以讓人覺得「我做了什麼很厲害的事」。但其實你只是讓 LLM 替你把材料排好了。你自己有沒有真的消化過？不好說。
更弔詭的是，wiki 越成功地完成它的任務（把你的資料整理得井井有條），你就越不會去碰那些材料。因為焦慮消失了。
未整理的混亂會製造焦慮，而焦慮會驅動你去翻閱、去碰觸、去重新面對那些素材。Wiki 替你消除了那個焦慮。但焦慮恰好是推你走向洞見的力量之一——那個「這堆東西到底要怎麼辦」的不舒服感，常常就是新想法誕生的前一刻。
系統越成功，你越不需要思考。這不是 bug，這是 feature——只是這個 feature 剛好跟「第二大腦」的目標完全矛盾。
Insight 需要 Sight
說到「洞見」這兩個字，英文 insight 拆開來看很有意思——something in the sight。在你的視線之中。要有洞見，得先有注意力投入。
那我們平常做筆記的時候，到底在做什麼？
筆記不只是記錄資訊。當你決定記這一段而不記那一段、用這個詞而不用那個詞的時候，你其實在做一種注意力的壓縮。那些選擇本身就是你當時認知狀態的化石——你的興趣、你的困惑、你當下覺得重要的東西，全部被壓進了那幾行字裡。
LLM 對你的筆記做「整理」的時候，保留了資訊內容，但抹掉了注意力的形狀。
你寫了「這裡怪怪的⋯⋯」，LLM 會把它整理成一段清楚的摘要。但「怪怪的」那三個字裡面壓縮的猶豫、直覺、還沒成形的判斷——全部被洗掉了。你得到的是一個乾淨的事實陳述，但失去了讓那個事實對你有意義的那股張力。
而當你重讀自己的原始筆記時，真正觸發新思考的，往往不是筆記裡寫了什麼，而是你跟過去的自己之間的落差——「我當時為什麼會這樣想？」「我現在覺得這個不對了，但為什麼？」這些落差才是洞見的入口。
Wiki 把這些落差全部填平了，給你一個光滑無摩擦的知識表面。
好滑，所以 sight 無處著力。
整齊的代價：結構性窄化
問題還不只是丟失了什麼，更在於系統會主動把你的視野往內收。
你的原始筆記裡，一定有一種東西是 LLM 在整理時會犧牲的——不知道該放哪裡的東西。那些你記下來但自己也說不清為什麼要記的片段、分類不了的觀察、跟主題若即若離的直覺。
Wiki 的整理邏輯是收斂的。每一條資訊都要歸頁、歸類、建立連結。無法歸類的東西，要嘛被硬塞進最近的類別，要嘛就被丟掉。而那些「放不進去」的東西，往往正是你視野邊緣的訊號——還沒成形的想法、跨領域的微弱連結、「感覺有關係但說不出來」的直覺。
然後是第二層窄化：當 wiki 建立起自己的分類體系之後，新進來的資訊會被既有結構吸收。一篇文章進來，系統判斷它屬於「AI 版權」，放進那個頁面，更新摘要。但也許那篇文章真正有趣的地方不在「版權」，而在一個你還沒有頁面、甚至還沒有語言去命名的方向。
結構一旦存在，就會把新東西拉向自己。你得到的是一個越來越厚實、卻越來越自我印證的知識場域。已經看到的東西看得更清楚，還沒看到的東西變得更不可見。
如果要找到新的洞見或連結，你反而需要更廣大的知識庫來碰撞——但那不就是 LLM 本身的訓練資料加上即時搜尋就能做到的事嗎？何必自己再建一個永遠是子集的私有庫？
最致命的一擊：主流思維馴化你的非主流洞見
但以上這些，都還不是最根本的問題。
最根本的問題是：你會特別寫下來的創見，很多時候正好就是 非主流的思考。那些偏離常規的觀察、反直覺的判斷、不知道對不對但覺得有什麼的猜測——這些才是你的私人錦囊妙計。
而 LLM 是什麼？LLM 的本質就是 主流思維的精餾——所有訓練資料的加權平均。當它「整理」你的筆記時，它在統計意義上做的事情就是迴歸均值。
你寫下的那個偏離常規的想法，經過它的語言重新編碼，會不自覺地被拉向「比較正常」的表述。不是篡改，是馴化。它不會把你的想法改成相反的，它只是讓措辭更通順、分類更合理、脈絡更「可理解」。每一步看起來都是改善。
但加總起來，你原本那個反直覺的鋒利角度，已經被磨成了一個圓滑的、任何人都會同意的說法。
你的錦囊妙計之所以是錦囊妙計，正因為它無法被主流框架輕易消化。而你卻把它交給了一個本質上就是主流框架的系統去「整理」。
那真正需要的是什麼？
走到這裡，整個問題其實可以拆成兩個完全不同的需求：
外部知識的彙整——你讀了什麼、業界發生了什麼、某個技術的現狀如何。這些東西，用 LLM 即時做就好，不需要預先建庫。因為你的私有庫在廣度上永遠追不上 LLM 已經知道的。用完即棄，下次需要再問就好。
你自己的原創想法——那些獨特的觀察、未成形的直覺、偏離主流的判斷。這些東西才是私有庫真正該存的，但它需要的不是整理，而是原封保存。存原文、存原話、甚至存那些語法不通的片段。不要讓任何系統替你「改寫得更清楚」，因為那個不清楚裡面，可能正藏著你還沒完全理解的洞見。
提取怎麼辦？用語意搜尋就好。向量資料庫做的事情剛好就是「保存原文、用語意相似性檢索、不碰內容本身」。不整理、不歸類、不改寫。需要的時候用意思去撈，而不是用分類去找。
簡單來說，你需要的是兩個完全不同的工具：一個向外的望遠鏡（LLM + 即時搜尋），一個向內的保險箱（原汁原味的點子庫）。Karpathy 的系統試圖把兩者合而為一，結果是用主流語言馴化了私有洞見，同時在廣度上又追不上公共知識——兩頭落空。
不是更好的系統，是更好的問題
Karpathy 的 LLM Wiki 是一個很優秀的 報告編譯器。如果你是記者需要追蹤新聞脈絡、是分析師需要定期產出報告、是研究者需要彙整大量文獻——它確實能幫你做得更快更有結構。把它叫做「LLM-maintained research index」（LLM 維護的研究索引），沒有人會有錯誤期待。
但把它叫做「第二大腦」？那就是一種過度期待了。
也許這整件事最有趣的，不是系統好不好用，而是為什麼這麼多人對「第二大腦」這個概念趨之若鶩。這些人以為自己的瓶頸是認知容量——大腦不夠用、記不住、處理不完。但實際的瓶頸可能根本不在這裡——不是「沒有足夠的腦力去想」，而是「沒有足夠的意願去坐在困難裡面，直到東西自己浮現」。
第二大腦承諾的是效率。但洞見需要的，往往不是效率，而是停留。
系統可以幫你找到答案，但不會替你擁有一個值得問的問題。
那些真正做出東西的人——不管有沒有用什麼 wiki 系統——他們的秘密從來不是更好的工具，而是他們願意在混沌中待得夠久。
（或許，與其花時間搭建第二大腦，不如先把第一大腦用好⋯⋯XD）
